AWS 已將 Amazon Bedrock Managed Knowledge Base 推向正式可用，將其定位為面向企業 AI 代理與檢索增強生成工作負載的受管理檢索層。這次發布之所以重要，是因為它瞄準了企業 AI 系統交付中最棘手的部分之一：連接分散的內部資料、解析混合文件格式、強制執行權限，並在不迫使團隊自行組裝向量、圖譜與編排堆疊的情況下，獲得可靠的檢索。

根據 AWS Machine Learning Blog，這項服務的設計目標是讓開發者能以最少設定建立知識庫、連接資料來源並開始匯入，同時保留更深入的控制權，供之後想調整 embeddings、rerankers 與 chunking 的團隊使用。AWS 表示，透過預設值與受管理基礎設施，目標是將原本常常需要數天或數週的流程縮短到幾分鐘。這是供應商的說法，但它確實指向一個真實的市場壓力點：企業正試圖從 AI demo 走向具備根據答案與政策感知存取的生產系統。

AWS 正在推出什麼

這次發布的核心是 Amazon Bedrock Managed Knowledge Base，AWS 將其描述為一項全受管的 agentic 檢索服務。實際上，它把匯入、解析、儲存、檢索與存取控制整合到 Amazon Bedrock 內的一個由 AWS 管理的層中。

公司表示，團隊不再需要另外佈建向量資料庫、決定相似度指標、管理擴展，或將連接器與檢索基礎架構拼接起來。相反地，這項服務會處理來自支援來源的匯入、 自動管理底層儲存，並提供檢索 API，支援從直接搜尋到更複雜的多步驟檢索。

AWS 將其定位為企業搜尋、內部 copilot 與 agentic RAG 系統的基礎設施。這種定位很重要。這項公告不只是關於一個新的搜尋功能；AWS 正試圖讓 Amazon Bedrock 更像是 企業 AI 應用的端到端執行環境，尤其適合那些希望代理安全地讀取公司文件的團隊。

原生連接器清單是這次發布的一大亮點。AWS 表示，Managed Knowledge Base 目前包含 Amazon S3、Microsoft SharePoint、Atlassian Confluence、Google Drive、Microsoft OneDrive 以及 Web Crawler 的連接器，另外還有針對不支援來源的直接匯入 API。這些整合涵蓋了常見的企業知識孤島，而那正是早期部署常見摩擦的來源。

為什麼檢索仍是企業 AI 最難的部分

AWS 的部落格文章之所以有用，是因為它點出了許多團隊早已親身體會到的營運負擔。打造一個具根據的企業 AI 系統，通常意味著要選擇匯入工具、文件解析器、儲存引擎、embedding 模型、分塊策略與檢索邏輯，接著再疊加可觀測性與安全性。每一個選擇都會增加新的整合面與營運依賴。

Managed Knowledge Base 是 AWS 試圖把這些決策壓縮成預設路徑的嘗試。公司表示，使用者在主控台中起步時不必先選模型，許多調校決策也可以延後再做。對於急著快速推出內部搜尋或問答工具的產品團隊來說，這可能是這次發布最有價值的部分。

AWS 也強調混合格式解析。根據公司說法，這項服務可處理 PDF、PPT、PPTX、DOCX 等視覺文件，大小最高 500 MB；音訊檔最高 2 GB；影片檔最高 10 GB。系統會自動為表格、圖表、示意圖、混合版面與媒體選擇解析策略。如果這在生產環境中表現良好，可能讓建置者免去為不同企業內容型態維護各自的前處理管線。

公司的儲存抽象化也是另一個核心賭注。AWS 表示，與其讓使用者直接管理底層的向量層或圖譜層，不如自動佈建與自動擴展統一儲存層，並持續啟用混合搜尋，也就是關鍵字加語義檢索。這對更重視答案品質與治理，而非資料庫內部調校的企業團隊，會很有吸引力。

兩條檢索路徑：簡單搜尋與代理工作流程

AWS 將這項產品分成兩種主要檢索模式。第一種是標準的 Retrieve API，會回傳排序後的來源片段、元資料與相關性分數。AWS 表示，這適合直接查找、FAQ 類互動，以及其他低延遲情境。

第二種在策略上更重要：Agentic Retrieval。AWS 表示，這種模式會使用 foundation model 將複雜問題拆解成子查詢，跨一個或多個知識庫搜尋，評估結果是否足夠，必要時再執行額外的檢索回合。根據公司說法，它也可以使用受管理的編排模型，或透過 Amazon Bedrock 可用的其他模型，來合成最終回覆。

這種設計呼應了更廣泛的市場轉變。企業越來越希望 AI 代理 不只是抓取單一段落，而是能比較政策、整合多份文件的發現，並跨儲存庫進行多跳推理鏈。如果 AWS 能讓這種編排變得足夠可靠，就能讓 Amazon Bedrock 更有底氣被視為實用的代理平台，而不只是模型存取層。

不過，“agentic retrieval” 應該謹慎解讀。AWS 描述了一個規劃、檢索與評估的迴圈，預設最多進行五輪檢索。這在紙面上代表更強大的檢索能力，但也意味著更多移動部件，可能引入延遲、成本與失敗模式。引用資料中並未提供獨立基準，來比較檢索品質、延遲或成本與其他堆疊的差異。

安全性與企業控制是主打重點

這次發布最強的企業角度，是安全與權限處理。AWS 表示，Managed Knowledge Base 除了檢索前的 ACL 過濾之外，還會使用即時 ACL 檢查。根據公司說法，預先過濾的文件在 API 呼叫期間是暫時性的，對大型語言模型或使用者都不可見。

這種架構很重要，因為過時的權限對應是企業搜尋與 RAG 系統中很常見的問題。如果檢索層在索引內容時沒有反映來源的最新權限，員工就可能看到不該存取的資料。AWS 表示，其查詢時檢查依賴的是權威來源，而非可能已過時的複製 ACL 資料。

加密也是訊息的一部分。AWS 表示，資料在傳輸中與靜態儲存時都會使用 AWS KMS 金鑰加密，金鑰可由 AWS 或客戶管理。這不會完全消除買家對資料駐留、可稽核性與模型行為的疑慮，但它確實符合已以 AWS 為中心的企業 AI 部署採購需求。

對企業買家而言，這可能才是真正的購買理由：以更少的工作量啟動具根據的檢索，並在他們已信任的來源系統附近強制執行存取控制。

證據、客戶說法，以及仍待驗證的部分

這則消息的證據幾乎完全來自 AWS 控制下的來源，特別是 AWS 的報導與 AWS Machine Learning Blog。這意味著，對設定時間、檢索品質、規模與客戶使用情況最有利的說法，在未獲獨立確認前，都應視為供應商聲明。

AWS 納入了 Syngenta Group 與 MRH Trowe 的客戶說法。Syngenta Group 一位被引述的主管表示，公司使用 Bedrock Managed Knowledge Bases，讓員工能運用 SharePoint 與 Confluence 資料按需建立知識庫，用於內部搜尋與 agentic RAG 應用。MRH Trowe 則表示，它將該產品用於一個內部 AI copilot，涵蓋 Confluence 與 SharePoint 中數千份文件，內容跨英文與德文。

AWS 也納入了一段歸因於 OpenAI 的說法，稱其使用 Bedrock Managed Knowledge Bases 的 RAG 能力，以正確的客戶上下文在大規模下為數百萬使用者提供推理與模型回覆的根據。這是本次公告中最吸睛的採用訊號，但原始資料並未提供部署細節、範圍、時程或獨立驗證。就目前呈現方式而言，這是供應商發布的客戶引述，而不是一個經過報導的合作案例。

發布材料中缺少的內容也很值得注意。AWS 在引用證據中沒有提供第三方基準資料、與自管檢索堆疊的並排比較，或清楚的定價範例。對於拿 Amazon Bedrock 與競爭方案比較的開發者而言，這些缺漏留下了總成本、調校彈性與企業工作負載下真實檢索品質的疑問。

這對開發者與企業團隊意味著什麼

對 AI 開發者來說，這次發布可能會大幅減少產品早期開發所需的基礎設施工作。打造內部 copilot、工作流程助理或 AI 代理的團隊，往往花在匯入與權限上的時間比 prompts 或應用邏輯還多。Amazon Bedrock 內的受管理路徑，或許能讓他們更快做出原型，並將更多架構維持在同一份雲端合約之下。

對企業架構師而言，這個取捨很熟悉。受管理服務可以降低營運負擔，但也會抽象化掉進階團隊可能想直接控制的實作細節。有些公司會很高興不用選擇或調校向量儲存；另一些公司則可能更偏好對檢索資料庫、索引、chunking 管線與 reranking 堆疊保有明確控制，尤其當他們已在使用自訂 RAG 基礎設施時。

對 Microsoft SharePoint、Atlassian Confluence、Google Drive、Microsoft OneDrive 與 Amazon S3 的支援，讓這個產品立刻適用於內部知識搜尋專案。Web Crawler 選項則將其擴展到私人儲存庫之外，對於需要同時使用內部與公開資訊的代理尤其有用。但買家仍需測試它對雜訊文件、多語言語料庫與領域專有術語的處理能力。

從市場角度看，AWS 正在強化一個論點：企業 AI 基礎設施應該更像受管理的應用平台，而不是一堆零散工具。Amazon Bedrock 吸收的能力越多，獨立檢索供應商就越難只靠便利性競爭。這不保證 AWS 會在品質或價格上勝出，但確實提高了整個 RAG 生態系的壓力。

接下來要觀察什麼

接下來要觀察的訊號會是實務面的，而非修辭面的。首先是價格透明度：一旦把匯入、檢索與代理編排都算進去，Managed Knowledge Base 是否真的能降低總部署成本？其次是檢索品質：AWS 需要提供參考架構、基準資料或獨立案例，說明 Agentic Retrieval 在真實企業任務中的表現。

第三，連接器擴充會很重要。現在的清單很有用，但企業資料很少只存在六個地方。第四，治理功能很可能成為重要戰場，包括稽核軌跡、政策控制，以及針對失敗檢索鏈的除錯工具。最後，也要看 AWS 是否會把這項服務變成 Amazon Bedrock 內更廣泛的 AI 代理標準層，而不只是獨立的檢索功能。

Creati.ai 觀點

這次發布解決了企業 AI 中一個真實的瓶頸：檢索基礎設施對大多數產品團隊來說仍然過於碎片化，難以快速落地。AWS 把匯入、權限、解析、儲存與多步驟檢索打包進 Amazon Bedrock，試圖讓具根據的企業 AI 成為預設可部署的能力，而不是依賴客製整合。

真正的問題在於，便利性是否能轉化為可靠表現。企業買家不會只因為設定簡單就採用受管理檢索層。他們會想要證明：Amazon Bedrock 能在混亂的真實條件下，提供穩定的相關性、正確的存取控制，以及可接受的延遲。如果 AWS 能做到這一點，Managed Knowledge Base 可能會成為大型組織內 AI 代理最具影響力的基礎設施之一。