Récupération simple et agentique avec Amazon Bedrock Managed Knowledge Base
Amazon Bedrock Managed Knowledge Base propose désormais trois modes de récupération via une seule API, AgenticRetrieveStream, pilotés par un unique paramètre, maxAgentIteration. Le premier est la récupération seule, qui renvoie les passages correspondants sans appeler de modèle de fondation. Le deuxième est le RAG en une passe (single-shot) : le service interroge une fois les bases de connaissances, puis un modèle de fondation génère une réponse à partir des passages trouvés. Le troisième, déjà existant, est la récupération agentique : le service planifie et exécute plusieurs recherches avant de répondre. Dans ce mode, un modèle décompose la question en sous-requêtes, interroge les bases pertinentes et vérifie si les résultats suffisent. S'il détecte des lacunes, il affine sa recherche, dans la limite d'itérations configurée, et peut aller chercher un document complet lorsqu'un extrait manque de contexte. Quand la génération de réponse est activée, celle-ci s'accompagne de citations, et des événements de trace détaillent les étapes de planification et de recherche.
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 →
L'intérêt tient à l'adaptation de l'effort à la difficulté de chaque demande. Amazon prend l'exemple d'un employé de banque qui demande d'abord quels documents sont requis pour ouvrir un compte professionnel, réponse contenue dans une seule liste de contrôle, puis comment ces exigences diffèrent entre entreprises individuelles, SARL et sociétés de personnes à plusieurs associés, information dispersée dans plusieurs guides. Le RAG en une passe n'utilise qu'un appel au modèle, ce qui réduit latence et consommation par rapport au mode agentique, tandis que la récupération seule n'en fait aucun et convient quand l'utilisateur veut lire lui-même les textes sources. Pour les développeurs, cela évite de maintenir des systèmes distincts pour les questions simples et complexes, ainsi que d'écrire leur propre boucle d'orchestration entre planification, recherche, évaluation et génération.
Cette évolution s'inscrit dans la montée en puissance des architectures de RAG « agentiques », où le modèle ne se contente plus d'une recherche unique mais pilote lui-même sa quête d'information. Si elles améliorent les réponses aux questions à volets multiples, ces approches coûtent plus cher en appels de modèle et en temps de réponse, ce qui a créé un besoin d'options plus légères pour les requêtes directes. En élargissant la plage de maxAgentIteration, Amazon comble cet écart et propose un gradient continu entre simple recherche et raisonnement multi-étapes au sein d'un même service géré. Le fournisseur illustre le propos avec un assistant interne de politiques bancaires fictif, mais le principe vaut pour tout assistant d'entreprise confronté à des questions de difficulté très inégale. Reste aux équipes à arbitrer, requête par requête ou par règle de routage, entre coût, rapidité et profondeur d'analyse.
Pas d'impact direct sur la France/UE