Novo Nordisk 借助 Amazon Bedrock AgentCore 实现生产流程文档现代化
Novo Nordisk(Novo)是全球领先的制药企业之一,生产用于糖尿病和肥胖症等慢性病的药物,并将其交付给众多国家的患者。每一款产品的背后,都是一个遵循严格质量要求的生产网络。每一个与质量相关的工艺步骤都必须通过正式文档进行描述、控制和验证。保持这些文档的时效性和准确性,是 Tablet 领域制造技术团队的核心职责,这一职责涵盖全球组织中庞大且多样化的受控文档组合,包括标准操作程序、工作指令、表单和培训材料。
管理这一文档组合面临重大挑战。文档更新频繁,驱动因素包括法规变化、工艺改进、设备改造和审计发现。每次更新都需要仔细审查、结构化的审批流程,并及时传达给所有受影响的利益相关方。数千份活跃文档分布在多个事业部、部门和产品项目之中,跟踪哪些文档需要修订、哪些待审批、哪些需要立即关注变得越来越复杂。目前,这类监督工作在很大程度上依赖人工流程和零散的跟踪方式,例如电子表格或彼此割裂的系统。这些方式耗时、易错且难以扩展。其结果是,存在过期文档仍在流转、更新延迟以及合规可见性出现关键缺口等风险。
除文档管理之外,还存在更深层的知识挑战。宝贵的制造知识分散在众多受控文档、版本、厂区和产品项目之中。在正确的时间找到正确的答案,往往依赖于有经验的个人知道去哪里查找。这种对经验性知识的依赖造成了瓶颈,拖慢了决策速度,并最终影响救命药物送达患者的速度。
为应对这些挑战,Tablet 领域的制造技术团队着手开发一套由 agentic AI 驱动的智能支持系统,部署在 AWS 上。目标是缩短交付周期、提升文档可见性,并让关键制造知识更易获取,最终帮助组织加快运转、服务全球更多患者。本文深入介绍其架构以及在受监管制药环境中为满足高标准的准确性和可追溯性所做的关键设计决策。该解决方案帮助主题专家(SME)在几分钟内完成过去需要数小时或数天的工作。
我们还介绍一个 AI 流程智能助手,它能够基于有据可依、附有引用的信息回答复杂的流程问题。该解决方案围绕 GraphRAG 架构构建,将知识图谱与混合搜索相结合,以检索最相关且上下文准确的信息。基于托管 agent 框架构建的 AI agent 端到端协调检索与响应过程。引导模式会在发起搜索前帮助澄清含糊的问题,从而使回答更精确、更经得起推敲。
挑战
支持生产的团队反复回答同一个问题的各种变体:对于这个厂区、这个产品和这台设备,工艺要求是什么?要给出好的回答,需要同时具备四样东西:
- 从庞大语料中找出正确的文档。
- 正确的版本和生命周期状态(已批准且生效,而非草稿或已作废)。
- 正确的适用范围(确实适用于该厂区、产品代次和设备)。
- 文档之间的关系(哪些文档引用了哪些文档,以及某项变更会影响什么)。
文章标题:Novo Nordisk 借助 Amazon Bedrock AgentCore 实现生产流程文档现代化
正文: 传统的关键词搜索返回的是文档,而不是答案,也没有范围、版本或关系的概念。单纯的基于向量的检索增强生成(RAG)系统提升了对自然语言问题的召回能力,但在精确标识符(文档编号、设备代码)、多跳关系问题,以及(对受监管领域最重要的)识别相关内容不可用时,仍然力有不逮。团队需要一个将结构和关系视为一等公民、始终以已批准来源为依据、并在不确定时澄清而非猜测的系统。
解决方案概述
该助手构建于 GraphRAG 架构之上:Amazon Neptune 中的知识图谱捕获结构和关系,Amazon OpenSearch Serverless 中的混合搜索索引则针对文档内容提供语义与精确匹配召回。这两个存储被刻意保持分离,并在查询时进行桥接,而不是合并到单一引擎中。这是生产环境 GraphRAG 的一种常见模式。
推理层运行在 Amazon Bedrock AgentCore 上,这是一个可使用任意框架或模型大规模构建、连接和优化智能体的平台。选择 AgentCore 是因其托管式智能体运行时具备内置的会话隔离、原生工具编排,以及集成的 AWS Identity and Access Management(IAM)和可观测性。这消除了无差异的基础设施工作,使团队能够专注于领域逻辑。智能体运行时使用 Strands Agents SDK 构建,并由 Amazon Bedrock 上的 Anthropic Claude 模型驱动。文档通过摄取管道处理,该管道使用 Amazon Bedrock Data Automation 进行多模态解析,由 AWS Step Functions 和 AWS Lambda 编排。整套技术栈以基础设施即代码的方式通过 AWS Cloud Development Kit(AWS CDK)定义。
在较高层面上,一个问题在系统中的流转如下:
- 查询智能体接收问题,并在引导模式下判断范围是否足够清晰以便给出良好回答。
- 如果存在歧义,智能体在搜索前会提出一个简短的、基于图谱的澄清问题(例如适用哪个站点或哪一代产品)。
- 范围明确后,混合搜索检索候选段落,图谱从这些结果出发进行扩展以补充结构和关系,再通过重排序步骤提升精度。
- 智能体组织出以已批准源文档为依据并标注引用的答案,并在内容不可用时明确说明。
架构

图 1:端到端架构,其中 Amazon Bedrock AgentCore 上的查询智能体使用 Amazon Bedrock 进行推理、嵌入和重排序,并通过共享文档编号关联的 Amazon OpenSearch Serverless 和 Amazon Neptune 进行混合检索。事件驱动的无服务器摄取管道填充这两个存储,而记忆、可观测性和评估则支持个性化、监控和质量评估
双层分类法:结构加领域细节
图谱围绕两个互补的层级组织,这正是让助手能够兼顾文档所处位置及其内容主题的原因。
高层分类法:流程树。组织的官方流程框架被建模为流程节点的层级结构(大致三层,父级到子级)。每份受控文档挂接到适用的最低流程层级,因此每份已接入的文档都有已知位置。这使助手能够在检索任何内容之前将问题限定到某个流程领域,并自动对新摄取的文档进行分类。
文章标题:Novo Nordisk 借助 Amazon Bedrock AgentCore 实现制造流程文档的现代化
正文: 底层分类法:领域实体。SME 定义在制造场景中决定答案是正确还是错误的实体:站点、产品代次、设备、工艺步骤以及类似属性。这些实体被建模为一等图节点,并链接到描述它们的文档,使用一小组统一的关系类型,而不是不断增长的边名称列表。
对两个层进行建模,正是真正的 GraphRAG 系统与两个并排数据库的区别所在。OpenSearch 段落上的文档编号同时也是图中的一个节点,因此一次搜索命中就是进入图结构的直接入口,无需进行模糊的重新匹配。这种从分块到图的桥接是检索路径中的关键设计选择。
为什么采用固定、精选的分类法(以及为什么这是最佳实践)
早期的 GraphRAG 工作倾向于开放式抽取,让语言模型在无固定模式的情况下发现实体。这种方法对于在庞杂文本上进行开放式意义建构很强大,但噪声大、难以维护、难以审计。在过去几年里,共识已转向本体引导的抽取,即使用预定义的、领域特定的模式来引导模型,这提高了专业语料库的准确性和可靠性。
对于受监管的制药制造而言,这不是妥协,而是正确的默认选择。该领域已经拥有由专家精选的真实本体,而带有新实体人工审核晋升流程的固定模式,支持了团队在受监管制药环境中所需的可审计性。该设计与该领域自早期开放模式方法以来的大部分发展方向一致,同时使设计决策更容易向质量和审计利益相关方解释。
检索:混合搜索、图扩展与重排序
每个存储覆盖另一个的盲区:
- OpenSearch 提供召回——混合搜索将稠密向量相似度(Amazon Titan Text Embeddings)与词法 BM25 匹配相结合,并通过倒数排名融合进行合并。向量搜索捕捉语义。而词法匹配捕捉此处至关重要的精确 token:文档编号、设备代码和多语言术语。
- Neptune 提供结构——给定搜索浮现的实体和文档,图回答“什么相连、如何相连、相隔多远”:相邻文档、引用、层级中的位置以及变更的影响,这正是仅靠向量检索无法做到的。
一种常见模式是向量找到种子,图从种子扩展;对于关系优先的问题则相反。重排序阶段(通过 Amazon Bedrock Rerank 的交叉编码器)位于融合之后:它同时读取问题和每个候选段落并对其重新排序,在更廉价的召回阶段之上增加一道精度处理,然后再将结果送入模型。
引导模式:先澄清,再检索
该助手的一个独特之处在于它如何处理歧义。像“制粒机上取哪些样品?”这样的问题,根据产品代次、站点、设备和批量大小,可能有多个正确答案。立即回答可能带来自信但错误、超出范围的响应,这在受监管环境中是最糟糕的结果。
引导模式颠覆了通常的 RAG 顺序:不是先检索,而是由 agent 先通过澄清缩小范围,然后再搜索。这遵循了近期关于在检索前澄清模糊问题、以及使用知识图谱提供澄清选项而非让模型自行编造的研究。它使用两类范围:
- 一小组近乎通用的属性(如站点和产品代次)会针对工艺特定问题直接且一致地询问。
文章标题:Novo Nordisk 借助 Amazon Bedrock AgentCore 实现生产流程文档现代化
正文:
- 更深入的细节:哪些设备、哪种批次规模,以及随时间推移新增的属性。这些全部在查询时从图中推导得出。一个范围解析步骤会将用户的术语与真实的图节点进行匹配,按已知信息进行过滤,如果仍有多个候选,则提供真正能区分它们的属性,且只使用图中实际存在的值。
这使得澄清选项始终基于真实数据(旨在帮助降低选项幻觉的风险),并且具备可扩展性:当专家在分类体系中新增一个用于区分的属性时,助手会自动将其呈现出来,而无需修改提示词或代码。
受监管环境中的溯源与信任
这里的准确性被狭义定义并有意强制执行:
- 显式索引状态——文档可以在其内容可被搜索之前,就以元数据、关系和层级位置的形式存在于图中。一个确定性标志会跟踪文档内容是否已被索引,因此助手能够区分“我拥有该文档的内容”和“我只有它的元数据”,而不是从空的搜索结果中推断其可用性。
- 默认仅使用已批准来源——答案依赖于已批准且生效的文档及最新适用版本,除非用户明确要求草稿或历史修订版本。
- 反幻觉规则——澄清选项和引用的论断被设计为来自实际的工具结果,而非模型自身的知识。
- 明确说明局限性——当检索到的材料缺失或含糊不清时,助手会如实说明,而不是填补空白,并会标记何时需要 SME、质量或监管审查。
一个自动化评估框架会依据这些标准检查响应:相关来源选择、有效的文档状态、最新适用版本、范围合规性,以及对需求强度(must、should 或 may)的忠实保留,从而可以在系统演进过程中衡量其行为。
一个覆盖数百万文档库的智能搜索引擎
该解决方案所依托的更大文档库大约存有四百万份文档。在这种规模下,问题不是信息短缺,而是几乎不可能靠人工找到完全正确、在范围内、当前有效的答案。传统企业搜索返回的是按关键词重叠度排序的长列表,把繁重的工作留给了提问的人。这包括判断哪个结果适用、哪个版本生效,以及文档之间如何关联。
该解决方案将文档库转变为智能的、答案优先的搜索引擎,而双层分类体系正是使其在大规模下可行的关键:
- 图是完整地图,索引是可搜索的子集。所有已注册领域中每一份已接入的文档,都会连同其元数据、关系和层级位置被放入图中。这意味着助手能够推断文档所处的位置及其连接方式,即便是那数百万份内容尚未被索引的文档也不例外。全文内容会为已接入的领域建立索引并增量添加,助手会明确说明哪些是哪一种。
- 范围在检索前缩小搜索空间。由于引导模式会预先解析站点、产品代次、流程区域和设备,一个问题会被过滤到文档库中能够回答它的那一小片区域。系统只在范围内的少量文档中搜索,而不是数百万份。这有助于在语料库增长时保持答案精确。
- 混合搜索加图扩展超越了关键词排序,能够呈现相关文档、引用和层级关系,这是排序列表永远不会揭示的,并返回有依据、带引用的答案(而不是十条蓝色链接),同时在内容不可用时予以说明。
该设计旨在随文档库一同扩展,而不是随着其增长而退化:文档越大、互联越紧密,图和范围限定所增加的价值就越大。
成果
文章标题:Novo Nordisk 借助 Amazon Bedrock AgentCore 实现生产工艺文档现代化
正文: 根据 SME 正在执行的任务类型(查找答案、更新文档,或针对新情境改写文档),过去需要数小时或数天的工作现在缩短至几分钟。除了直接节省的时间之外,该方案还改变了哪些事情在实践上变得可行:
- 在集团流程全景中导航——用户可以跨流程分类法的全部三个层级进行浏览,覆盖约四百万份文档及其众多子流程,只需一个助手,它同时充当搜索引擎,以及针对文档、流程和组织架构图的向导。
- 整合结构化与非结构化数据——元数据、流程层级和文档内容被统一到一个可搜索的知识图谱中,因此过去分散在不同系统中的信息现在可以一起查询。
- 理解实体与文档之间的关系——该图谱帮助用户询问文档、流程、设备、站点和产品之间如何关联,包括人工搜索无法回答的多跳问题。
- 端到端追踪并校验引用——该方案可以梳理一份文档的完整引用链,并标记出文档指向过时或被取代材料的地方,从而在整个语料库层面而非逐份文档地暴露完整性问题。
- 扩展到更多 AI 与 agentic 能力——同一套有据可依的基础为文档生成、带影响分析的修订以及其他 agentic 工作流打开了大门,这些能力可复用同一套图谱、检索和防护机制,而无需从零开始。
在受监管环境中同样重要的是,该助手在设计上会澄清范围并标记缺失或有歧义的内容,这有助于降低给出自信却超出范围的答案的风险——而错误的真正代价恰恰在于此。
协作交付模式
Tablet 领域的 Novo Manufacturing Technology 团队与 AWS 合作构建了该方案,主题专家以及数据与 AI 工程师全程紧密协作。使助手保持准确的分类法直接来自集团的领域专家。检索与 agent 架构则与 AWS 共同设计并迭代。
构建原型是让方案得以投产的关键。团队没有停留在抽象层面讨论能力,而是尽早把一个可运行的系统交到主题专家面前。他们用真实问题对其进行测试,并利用所得经验来打磨分类法、检索路径和引导模式的行为。原型把一个雄心勃勃的想法变成了人们可以尝试、批评并信任的东西。它还在任何更大范围推广之前降低了架构决策的风险。
结论
通过将精心构建的知识图谱、混合搜索,以及在 Amazon Bedrock AgentCore 上运行的“先澄清再检索”agent 相结合,Tablet 领域的 Novo Manufacturing Technology 团队构建了一个流程智能助手:在速度有帮助的地方快,在准确性重要的地方有据可依。该设计将当前的 GraphRAG 模式应用于受监管的制造业:本体引导的抽取、桥接式双存储检索路径、基于图谱的消歧以及重排序。这把一个庞大的文档全景转变为有据可依、附带引用的答案,并留有扩展到新领域的空间。
要开始构建你自己的 agentic AI 方案,可探索 Amazon Bedrock AgentCore,了解其大规模托管 agent 运行时、工具编排和可观测性能力。本文中的 agent 运行时使用 Strands Agents SDK 构建,这是一个开源、框架无关的工具包,可与你自己现有的检索栈配合使用。有关使用 Amazon Neptune 和 Amazon OpenSearch Serverless 的 GraphRAG 参考架构,请访问 AWS Architecture Center。