用多智能体构建航空零件替代评估助手

AWS ML Blog 展示了一套航空零件替代评估助手：结合 Amazon Nova Multimodal Embeddings、Amazon Bedrock AgentCore 和 Strands Agents SDK，由多个 Agent 汇集规格、图表及生命周期证据，起草评估材料。案例称可把评估从数天缩短至数分钟，但最终决定仍由工程师作出。

目前能确认什么

航空零件停产或交期过长时，工程师需要交叉核对供应商规格书、接口控制文档和鉴定记录。难点除了找到候选件，还在于整理出可供复核的替代理由。

这套系统由 planner 分派任务给 Catalog、Evaluation、Knowledge 三个专业 Agent；多个 Agent 参与时，再由 supervisor 汇集结果。

分工有明确边界：多模态嵌入负责检索文本与图表，照片相似度作为辅助证据；Python 容差规则根据参考零件和工程师要求，给出通过或标记结果。系统起草评估文档并记录审计轨迹，但不推荐或批准替代。

外观相似只能补充证据，不能证明零件适配。

还有一个具体限制：案例中的托管知识库检索 API 不接受图片输入，上传图表查询走的是独立的 Amazon S3 Vectors 索引。

我的判断

对程序员更有参考价值的，是把证据收集、规则计算和人工决策拆开。涉及明确容差的判断交给代码，Agent 负责调用工具与整理材料，能让审核者追查结论来自哪条规则、哪份资料。

但规则可重复，不代表规则完整。单位归一、缺失参数和互相冲突的规格如何处理，现有节选没说清。审计记录对齐 AS9100 条款，也不能直接视为满足认证要求。

「数天到数分钟」目前只能视为案例宣称；测试规模、人工复核耗时及错误率仍不清楚。若复用这套架构，我会优先检查证据能否定位回原始文档，以及资料不足时系统如何标记，之后再看 Agent 如何编排。