拜耳作物科學利用 Amazon Bedrock AgentCore 打造代理式決策引擎

背景

拜耳作物科學（Bayer Crop Science）在植物育種決策中依賴跨基因組學、田間試驗、影像及環境條件的大量資料，並執行數百種機器學習（ML，利用演算法從資料中學習規律以進行預測的技術）模型配置。為確保每次執行可重複且受控管，拜耳建立了 Connected Decision Engine（CDE），一套用於部署、編排、監控及重用 ML 工作流的系統。隨著使用率增加，瓶頸從執行工作流轉向理解結果，因為解釋結果需從 API、文件、中繼資料儲存庫、儀表板及日誌中拼湊脈絡。 AWS ML Blog

發生什麼事

為解決上述問題，拜耳建立了 Agentic Decision Engine（ADE），一個基於 CDE 的多代理、自然語言介面。ADE 運行在 Amazon Bedrock AgentCore 上，這是一項用於大規模建置、連接及最佳化代理的 AWS 服務。該系統透過主管代理將問題路由至專家代理，由專家從相關系統檢索脈絡並提供答案。在第一個階段，ADE 能解決約 80% 的使用者問題，無需工程師介入。 AWS ML Blog

重點內容

ADE 架構分為四層：使用者體驗、代理編排、專家代理及工具與資料來源。使用者透過 React 網頁前端存取，請求經 Microsoft Entra ID 身分代理後傳送至代理。系統使用 LangGraph 進行基於圖的控制流編排，並由主管代理分類請求並選擇專家。生產環境中運行 22 個專家代理，各自針對特定領域擁有專屬工具與資料來源。例如，Troubleshooting Agent（故障排除代理）可分析運維遙測數據，當育種者詢問「為什麼我的表型工作流昨天失敗了？」時，該代理會讀取 CloudWatch 遙測數據及 CDE API 狀態，識別失敗點並返回診斷結果。 AWS ML Blog

在技術實現上，ADE 利用 Amazon DynamoDB 儲存 LangGraph 檢查點狀態，Amazon Aurora PostgreSQL 儲存會話記錄與分析數據，Amazon ElastiCache 快取代理回應，以及 Amazon OpenSearch Serverless 用於檢索增強生成（RAG，讓 AI 模型參考外部資料來源以提供更準確答案的技術）。AgentCore Gateway 將後端 API 暴露為 Model Context Protocol（MCP，一種標準化協議，允許 AI 代理與外部工具及資料來源互動）工具，並將驗證與授權邏輯置於代理程式碼之外。 AWS ML Blog

對使用者的意義

對於育種者、分析師、研究人員、資料科學家及資料工程師而言，ADE 提供了一致的分析執行方式，同時保留執行歷史與運維控制。具體效益在於故障診斷效率的提升：過去需要超過一小時的手動日誌搜尋及等待工程師支援的過程，現在透過 Troubleshooting Agent 可在 10 分鐘以內完成。使用者無需直接搜尋日誌或了解該檢查哪個系統，只需透過自然語言提問即可獲得答案。 AWS ML Blog