Recherche de traçabilité observable pour la RAG d'entreprise avec Bedrock Knowledge Base et CloudFormation
Amazon Web Services a publié un guide technique décrivant comment déployer, avec AWS CloudFormation, une architecture de recherche augmentée agentique (agentic retrieval) reposant sur les Managed Knowledge Bases d'Amazon Bedrock. Le système fait appel à un agent hébergé sur Amazon Bedrock AgentCore qui reçoit une question, choisit automatiquement parmi plusieurs bases de connaissances celle qui correspond au sujet (une base financière et une base météo dans l'exemple donné), puis l'interroge via l'API AgenticRetrieveStream et l'AgentCore Gateway, en s'appuyant sur le protocole MCP (Model Context Protocol). Cette API découpe la question en sous-requêtes, effectue des récupérations itératives dans des données ingérées depuis Amazon S3, puis renvoie une réponse sourcée ; si le contexte obtenu est jugé insuffisant, l'agent relance une nouvelle itération avant de produire sa réponse finale. L'ensemble du pipeline, du stockage jusqu'à sept couches d'observabilité et d'évaluation, est déployé par une seule chaîne CloudFormation, chaque étape du raisonnement étant instrumentée avec des spans OpenTelemetry remontés vers Amazon CloudWatch et AWS X-Ray.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de AWS ML Blog. Lire l'article original →
Cette évolution répond à une limite connue du RAG classique : une seule étape de récupération sur une seule base ne suffit plus dès que la question nécessite de croiser plusieurs sources ou de déterminer d'abord où chercher. En confiant ce routage et cette itération à un agent autonome, les entreprises peuvent construire des assistants capables de répondre à des questions complexes tout en citant leurs sources, un point critique pour l'adoption en contexte professionnel où la traçabilité conditionne la confiance accordée aux réponses. Mais un agent qui raisonne et récupère en boucle devient une boîte noire si l'on ne peut pas observer ce qu'il fait ni mesurer la qualité de ses réponses ; c'est pourquoi AWS intègre l'observabilité et l'évaluation dès la conception plutôt qu'en surcouche, avec suivi des tokens, des métriques et une évaluation continue des scores. Pour les équipes qui déploient du RAG en production, cela change la donne opérationnelle : debug, audit et amélioration continue deviennent possibles sans instrumentation manuelle supplémentaire.
Cette publication fait suite à un article précédent d'AWS qui automatisait un flux RAG simple avec une base de connaissances autogérée de type vector-store ; Amazon Bedrock Knowledge Bases a depuis évolué vers ce nouveau modèle de base de connaissances managée à récupération agentique. Cette évolution s'inscrit dans une tendance plus large du secteur, où fournisseurs cloud et éditeurs d'outils d'IA cherchent à transformer le RAG, souvent perçu comme fragile et peu transparent, en un système d'agents capables de planifier, router et vérifier leurs propres recherches. AWS positionne ainsi Amazon Bedrock AgentCore comme la brique d'exécution et d'orchestration de ces agents d'entreprise, face à des approches concurrentes proposées par d'autres fournisseurs de plateformes d'IA générative. La disponibilité d'un déploiement entièrement automatisé via CloudFormation suggère qu'AWS cherche à faciliter l'adoption de ces architectures par des équipes d'ingénierie ne disposant pas nécessairement d'une expertise poussée en IA agentique.
Pas d'impact direct sur la France/UE