AWS发布Discovery AI：基于Amazon Bedrock的自然语言安全查询系统

摘要：AWS与Orca Security合作推出Discovery AI，这是一款基于Amazon Bedrock的自然语言查询代理，能够将用户用自然语言提出的问题转化为Sonar查询。该系统通过多阶段架构实现了查询成本降低90%、输入token减少93%、延迟降低75%的显著性能提升。Discovery AI采用RAG与模式感知查询构建相结合的技术方案，并利用多种Amazon Bedrock模型优化了复杂查询的处理效率。

---

核心突破

AWS与Orca Security合作推出了Discovery AI，这是一款基于Amazon Bedrock的自然语言查询代理，旨在解决云安全分析中的复杂查询问题。该系统能够将用户用自然语言提出的问题转化为Sonar查询，从而大幅提升查询效率并降低使用门槛。

技术机制剖析

Discovery AI采用了一种多阶段架构，结合了检索增强生成（RAG）和模式感知查询构建技术。其核心流程包括以下九个步骤：

1. 请求输入与上下文设置：将用户的自然语言请求与相关上下文信息（如组织信息、连接的云提供商等）结合，帮助系统准确理解请求。
2. 快速确定性匹配器：使用正则表达式和基于规则的匹配技术，识别结构化输入（如IP地址、CVE编号等），并快速返回预定义的Discovery过滤器。
3. LLM防护筛查：检查请求的安全性、相关性、技术性和支持性，阻止潜在的提示注入、离题请求和不支持的输入。
4. 基于嵌入的语义相似性检索：利用Amazon Titan文本嵌入技术，从向量存储中检索与当前请求语义相似的20个最近示例。
5. 神经相关性重排序：使用Cohere Rerank 3.5对检索到的候选示例进行重排序，选取与当前请求最相关的五个示例。
6. LLM驱动的相关模型选择：将900多个Sonar模型缩小到与请求相关的少量模型，并提供适当的模式细节给生成器。
7. 工具增强的代理过滤器生成：生成器使用工具增强的代理构建最终的Discovery过滤器，推理所选模型模式、检索示例、用户上下文和可用工具。
8. 静态和API支持的验证：对生成的过滤器进行语法和语义正确性检查，先应用静态验证，再通过Orca的Sonar API进行验证。
9. 后处理与响应：生成有效的过滤器后，准备最终响应。

工程权衡与实测表现

Discovery AI通过以下方式实现了性能优化：

• 成本降低：通过减少输入token数量和优化模型分配，查询成本降低了90%。
• 延迟减少：端到端响应时间从60秒缩短至15秒，延迟降低了75%。
• 准确性提升：通过持续评估和改进，复杂多模型查询的准确性得到了显著提升。

开发者落地与部署建议

对于希望构建类似解决方案的开发者，以下是一些建议：

• 利用Amazon Bedrock：Amazon Bedrock提供了多模型访问接口，简化了不同模型的集成和管理。
• 优化检索策略：采用混合检索策略（如top-K语义搜索结合MMR或重排序）可以有效提升检索质量和多样性。
• 持续改进机制：建立持续评估和反馈机制，通过领域专家的参与和自动化评分系统，实现系统的持续优化。
• 安全性保障：在系统设计中融入安全防护措施，如防护筛查和验证机制，确保系统的安全性和可靠性。

结论

Discovery AI展示了自然语言处理技术在云安全领域的强大应用潜力。通过结合RAG、模式感知查询构建和多种Amazon Bedrock模型，Orca Security成功地将一个原型系统转化为一个高效、准确的生产级解决方案，为云安全分析提供了新的技术路径。

---

消息来源：AWS Machine Learning Blog (2026-10-13)

—— 完 ——

主题标签： #AWS 关注 #Amazon Bedrock 关注 #自然语言处理 关注 #智能体 关注 #AI安全 关注