AWS montre comment un agent recherche dans plusieurs fonds et explique son parcours
L’essentiel de l’annonce
AWS décrit une architecture où un agent choisit entre plusieurs bases documentaires, recommence sa recherche si besoin et produit une réponse citée. Des tableaux de bord suivent ses appels, ses délais et la fidélité de ses réponses.
- Date de la source
- Catégorie
- Agents et développement
- À qui cela s’adresse
- Tutoriel publié le 26 octobre 2026. Architecture et résultats d’exemple rapportés par AWS.
- Sujet du contenu
- AWS montre comment un agent recherche dans plusieurs fonds et explique son parcours
- Entreprises / organismes
- Amazon Web Services
- Technologies
- Agent IA, Données connectées, Connexion par MCP, Évaluation d’un agent
Présentation
Une recherche documentaire classique interroge souvent un seul index une seule fois. Cette méthode peut manquer une partie de la réponse lorsque l’information est répartie entre plusieurs fonds. AWS présente une architecture dans laquelle un agent décide s’il doit chercher, sélectionne la base pertinente et peut lancer une nouvelle recherche avant de répondre.
La méthode repose sur les bases de connaissances gérées d’Amazon Bedrock et sur AgentCore. Elle ajoute surtout une trace détaillée du parcours. CloudWatch et X-Ray enregistrent les appels, les délais et les volumes de jetons. Deux formes d’évaluation examinent ensuite la qualité des réponses et leur fidélité aux sources.
Ce qui change
Le billet du 26 octobre décrit le passage d’une recherche unique à une boucle où l’agent peut choisir une base, chercher plusieurs fois et laisser des traces observables.
Chercher dans le bon fonds
Chaque base est exposée comme un outil distinct. L’agent sélectionne le fonds adapté à la question et peut relancer la recherche si le premier contexte ne suffit pas.
Rendre le parcours visible
Les tableaux de bord suivent les appels, les délais, les jetons et les étapes du raisonnement. Les réponses citées peuvent ainsi être rapprochées des passages consultés.
Évaluer en continu
Des évaluations à la demande ou échantillonnées mesurent notamment la fidélité, la pertinence et le choix des outils. Elles complètent la surveillance technique sans garantir l’exactitude.
Fonctionnement
Le dispositif combine une boucle de recherche, des outils séparés par corpus et une instrumentation commune.
Orienter
L’agent analyse la question et choisit la base documentaire pertinente.
Rechercher
La base gérée décompose la demande, récupère les passages et renvoie une réponse citée.
Contrôler
L’agent peut recommencer, puis les traces et évaluations permettent d’examiner le résultat.
Usages possibles
Cette approche concerne surtout les équipes qui doivent répondre à partir de plusieurs ensembles documentaires tout en gardant une trace des recherches effectuées.
Exemple possible
Un exemple possible
Une équipe pourrait séparer ses règles internes et sa documentation produit en deux bases. Elle comparerait ensuite les sources consultées et les réponses obtenues sur des questions qui exigent les deux fonds. Cet exemple est illustratif et n’a pas été essayé.
Accès et limites
Il s’agit d’un tutoriel AWS fondé sur deux petits corpus d’exemple, pas d’une comparaison indépendante en production. Les réponses citées peuvent rester incomplètes ou incorrectes. Les services requis ne sont pas disponibles dans toutes les régions. Les évaluations continues utilisent un modèle juge et leur coût augmente avec le trafic et le taux d’échantillonnage.
Conditions d’accès. Compte AWS et région compatible. Managed Knowledge Base, AgenticRetrieveStream, AgentCore, CloudWatch et X-Ray mobilisent plusieurs services facturables.
Pour votre projet
La valeur principale tient moins à une réponse spectaculaire qu’à la possibilité d’examiner les décisions de recherche, les coûts et les écarts de fidélité. Une équipe devrait toutefois construire son propre jeu de questions et vérifier les citations avant de confier un usage sensible à cette architecture.
- Les réponses citées couvrent-elles réellement tous les documents nécessaires ?
- Quel taux d’échantillonnage permet de surveiller la qualité sans rendre l’évaluation trop coûteuse ?
Le taux d’échantillonnage doit être adapté au budget. Le réglage à 100 % du billet sert uniquement à rendre l’expérience visible.
Sources et vérifications
Source de l’annonce
Build agentic retrieval on a Managed Amazon Bedrock Knowledge Base with CDK
Lire la source officielleSource vérifiée le . Les résultats présentés sont ceux annoncés par les auteurs.
Sources consultées lors de la tâche planifiée. Aucun logiciel présenté n’a été installé ni essayé.
Fiche préparée avec ChatGPT. Notre méthode éditoriale.