Qlik 如何借助 Amazon Bedrock 构建基于企业级规模的 AI | Amazon Web Services
Qlik 如何借助 Amazon Bedrock 构建有据可依的企业级 AI
在 Amazon Bedrock 上构建有据可依的 AI 时，Qlik Answers 解决了一个常见的企业难题：员工并不缺少数据。他们缺少的是一种快速的方式，能够对数据提出真正的问题并获得可信的答案。分析师花费数小时在文档、仪表板和机构记忆中搜索，只为回答同事一句话就能提出的问题。而当组织试图用生成式 AI 来弥合这一差距时，许多人都会撞上同一堵墙：答案没有来源、无法验证结果，也没有在受监管环境中部署该工具的路径。
Qlik 是数据集成、数据质量、分析和 AI 领域的全球领导者，它构建了 Qlik Answers，为其全球超过 40,000 家客户解决这一问题。自 2026 年 2 月正式发布以来，Qlik Answers 已从早期能力发展为日常使用：仅 Qlik 的 Discovery Agent（一个 AI 驱动的异常和离群值检测智能体）自推出以来就已为客户发现了超过 100,000 项发现，而启用了智能体工具的大多数 Qlik Cloud 账户都在积极使用它们。
本文将解释 Qlik 如何构建这一被广泛采用的工具背后的系统，以及 Amazon Bedrock 如何在全球范围内为其提供支持。
挑战
Qlik 发现，要将 Qlik Answers 推广到其客户群的生产环境中，需要同时解决三个问题：
在不拖慢任何人的情况下编排专门的推理。企业问题差异很大：有些需要快速查找，另一些则需要从结构化分析、非结构化文档、术语表定义或自动化中提取信息。单一的通用助手往往会随着功能增加而变得更慢、更不准确。
满足各区域的数据主权要求。Qlik 为欧洲、亚太和美洲的客户提供服务，每个地区都有自己的数据驻留期望。单一的全球部署模式无法满足这些要求，而 11 个独立的区域构建版本又难以一致地维护和改进。
在需求出现前数月预测模型容量。Token 消耗和模型可用性需要在重大发布前 3–6 个月进行规划。随后，Qlik 在客户开始使用产品后，根据实际使用情况验证这些预测，从而避免采用率的增长变成容量问题。
解决方案概述
Qlik Answers 为员工（而不仅仅是分析师）提供了一个统一的地方，可以用自然语言提问并获得有据可依、带来源的答案。根据问题的不同，答案可以来自知识库、实时分析应用、术语表定义或文档。底层系统会决定采用哪条路径。
三个部署案例展示了这对客户而言意味着什么：
Bystronic 是一家全球钣金加工专家，它在 15 分钟内就部署了一个 AI 聊天机器人，让员工能够查询实时运营数据，并跨部门获得带来源的答案。
Lintech International 在 Qlik Answers 中索引了超过 17,000 份技术文档，减少了人工研究时间，并将响应时间加快了 75%，这为业务经理每周节省了多达 7 小时。
TouchPoint Support Services 为 650 家医疗机构提供服务，并计划将规模扩大一倍，它使用 Qlik Answers 为在受监管、快节奏环境中工作的 15,000 名员工提供快速且符合合规要求的指导。
为了大规模支持这一目标，Qlik 围绕清晰的架构边界构建了该系统，而不是一个庞大的助手。关键层级如下：
入口层。Qlik Cloud 内稳定的对话入口点，因此可以在不改变客户与助手交互方式的情况下添加新的后端能力。
路由层。一个轻量级层，读取用户的消息和对话上下文，并决定请求应发往何处。它唯一的职责是快速、准确地做出路由决策，而不是解决任务本身。
应答层。在请求被路由后协调响应生成，在用于简单请求的快速路径和将问题分解为子问题并从多个来源提取的更审慎路径之间进行选择。
专家智能体层。共享的 swarm 运行时定义了专家智能体、工具、状态和人在回路步骤的工作方式，因此可以添加新的专家，而无需每个专家都发明自己的编排模型。
对话式分析层。通过将结构化数据问题路由到专为分析而非通用文本生成构建的应用感知推理路径来处理这些问题。
检索层。非结构化文档索引和检索运行在 Amazon OpenSearch Service 上，该服务存储并搜索为 Qlik Answers 对知识库和文档问题的响应提供依据的内容。
模型访问层。通过 Qlik 自己的大语言模型（LLM（大语言模型））网关访问，该层连接到 Amazon Bedrock 以进行聊天、流式传输、嵌入和重排序。它还对每个请求和响应应用 Amazon Bedrock Guardrails：针对提示注入、个人身份信息（PII）、机密信息和被拒绝主题的内容过滤，以及对生成答案的接地验证检查。当客户依赖的模型尚未通过 Bedrock 在区域内提供时，Qlik 会将其托管在 Amazon SageMaker AI 上，然后在区域可用性跟上后将该工作负载移回 Bedrock。有关按 AWS 区域划分的模型可用性，请参阅 Amazon Bedrock 中按 AWS 区域支持的模型。
图 1：员工问题流经入口层、路由层和应答层，然后分支到专家智能体、分析智能体和检索智能体（由 Amazon OpenSearch Service 提供支持），之后汇聚到模型访问层，该层访问 Amazon Bedrock 上可用的基础模型，并以 Amazon SageMaker AI 作为区域内回退方案
将答案接地于真实来源
接地是该框架中更重要的设计决策之一。应答层根据问题从多种上下文中提取信息：结构化应用元数据、检索到的知识库内容、术语表定义、自动化上下文以及用于摘要的文档内容。在返回完整答案的各个要素后，完整响应会被组装并呈现给用户。
仅靠检索并不能保证准确性。Qlik 还对生成的答案运行接地验证检查，使用 Amazon Bedrock Guardrails 中的上下文接地能力，将每个答案与其所依据的源内容进行比较。这将接地从检索步骤转变为经过检查的生产控制。对于非结构化问题，该工具从 Amazon OpenSearch Service 检索特定于问题的内容，并向前传递该上下文，以便最终答案包含引用。对于结构化问题，它将工作交给对话式分析路径。更多能力，包括术语表查找、自动化和文档摘要，会通过能力控制逐步推出，因此 Qlik 可以扩展该工具的能力，而不会一次性破坏每个客户的默认体验。租户特定的能力选项意味着 Qlik 可以按请求重建可用的编排路径，因此可以有选择地开启能力，同时整体架构在客户之间保持一致。
图 2：专家智能体 swarm，其中共享状态、工具和人在回路步骤让新的专家智能体可以接入通用运行时
为什么选择 Amazon Bedrock
Qlik 针对前面描述的三大问题评估了其模型策略，而 Amazon Bedrock 直接解决了每一个问题。
多模型灵活性。借助 Bedrock，Qlik 可以为每个智能体的任务分配最合适的模型，而不是将整个系统锁定在某个模型的权衡取舍上。
大规模数据主权。借助 Amazon Bedrock 跨区域推理（CRIS），Qlik 可以在服务全部 11 个区域的同时，将数据保留在合规要求所在的位置。这将全球覆盖与主权控制结合在单一托管能力中。
有选择地采用托管服务的空间。AWS 区域部署模型和容量预留选项为 Qlik 提供了今天继续扩展的余量。准备就绪后，像 Amazon Bedrock AgentCore 这样的服务让 Qlik 可以选择为特定工作负载卸载更多运维开销，而无需为此进行完整迁移。
Qlik 通过其自有的大语言模型网关使用 Bedrock，而非将应用逻辑直接绑定到单一模型。产品团队可以按任务更改模型选择，而无需重写周边应用。对于预期模型策略将持续演进的系统而言，这种分离至关重要。
在需求到来之前规划容量
由于 Qlik 会在重大发布前 3–6 个月预测模型容量，团队建立了一个可用的模型，用于按功能和区域预测 token 消耗量，并在每次上线后对照这些预测检查实际使用情况。这种纪律正是 2 月正式发布得以在自身采用规模下顺利扩展而未造成压力的部分原因。
业务成果与客户影响
自 2026 年 2 月 Qlik 的智能体体验正式发布以来，Discovery Agent（智能体） 已为客户呈现超过 100,000 项发现，且大多数启用了智能体工具的 Qlik Cloud 账户都在积极使用其智能体，而非尝试一次后便停止。
另行报告的客户级成果包括 Lintech International 响应时间加快 75%、业务经理每周节省多达 7 小时，以及 Bystronic 在 15 分钟内完成聊天机器人部署。
经验教训
在 40,000+ 客户中构建和扩展 Qlik Answers 的过程中，我们总结出一些经验教训，可能有助于其他在 Bedrock 上构建智能体工具的团队：
尽早将快速路由与深度推理分离。将二者捆绑意味着每个请求都要付出超出其所需的处理成本。
在多智能体执行上统一使用一个编排框架，而不是让每个新的专家智能体自行发明运行时。运维一个应用比运维一组互不连接的智能体系统更容易。
将安全与 grounding 检查视为系统级关卡，而非每个功能的事后补充。在模型访问层统一运行一次，意味着每个新的专家智能体都会自动继承相同的保护措施。
在租户级别使用功能标志来逐步扩展能力。这可以防止新的、尚未充分验证的能力影响核心体验的可靠性。
在需要之前就养成容量预测的习惯。每次上线后对照实际使用情况验证预测使用量，正是将容量规划从猜测转变为可重复流程的关键。
下一步
Qlik 的路线图刻意保持架构的开放性和适应性。团队正在评估 Amazon Bedrock AgentCore 用于部分工作负载，在这些场景中，托管智能体运行时可以减少运维开销；同时继续在开放标准和自有编排层上构建，以便在成本、延迟或可移植性方面获得更多控制。目标是保留在托管服务有帮助时采用它们的选项，而不围绕其中任何一个来设计框架。Qlik 还在构建一个用于评估模型性能的系统化框架。这意味着 Qlik 可以在更合适的模型可用时迁移到这些模型，而不会干扰客户已经依赖的体验。
结论
Qlik Answers 自 2026 年 2 月推出以来的采用情况，反映了一种旨在不碍事的架构：在速度重要的地方快速响应，在准确性重要的地方审慎处理，全程基于真实来源，并且足够安全，足以让受监管行业依赖。Amazon Bedrock 中的模型灵活性、区域主权控制，以及基于 Guardrails 的内容过滤和接地验证，为 Qlik 提供了在全球范围内构建这种体验的基础。迄今为止的成果包括：超过 100,000 项发现被呈现，Lintech 和 TouchPoint 等公司的员工节省了数小时时间，并且大多数启用了智能体工具的账户在试用后继续使用其智能体。
要了解 Qlik Answers 能如何处理您的数据，请开始 Qlik Cloud Analytics 的免费试用，申请 Qlik Answers 演示或 Qlik 与 AWS 演示，或访问 Qlik Answers 产品页面了解更多信息。
转载声明：本文为转载整理，原文版权归原作者及原站点所有。
原文作者：Sunil Yerkola；如有侵权，请联系管理员删除。
