Ampliar las operaciones de revisión de contenido con un flujo de trabajo de múltiples agentes

Las empresas gestionan volúmenes de contenido cada vez mayores, que van desde catálogos de productos y artículos de soporte hasta bases de conocimientos y documentación técnica. Respaldar que esta información siga siendo precisa, relevante y alineada con los datos comerciales más recientes es un desafío formidable. Los procesos de revisión manual de contenido suelen ser lentos, costosos y no pueden seguir el ritmo de las deposición empresariales dinámicas. Según un Estudio McKinseylas organizaciones que utilizan IA generativa para el trabajo del conocimiento, incluida la revisión de contenido y el control de calidad, pueden aumentar la productividad hasta entre un 30% y un 50% y compendiar drásticamente el tiempo dedicado a tareas de demostración repetitivas. Similarmente, investigación de Deloitte destaca que las operaciones de contenido impulsadas por IA no solo aumentan la eficiencia sino que además ayudan a las organizaciones a sostener una decano precisión del contenido y compendiar el peligro eficaz.

Amazon Bedrock AgentCoreuna infraestructura diseñada específicamente para implementar y intervenir agentes de IA a escalera, combinada con Agentes de hebrasun SDK de código descubierto para crear agentes de IA, permite a las organizaciones automatizar flujos de trabajo integrales de revisión de contenido. Este enfoque basado en agentes permite a las empresas evaluar la precisión del contenido, compulsar la información con fuentes autorizadas y producir recomendaciones prácticas para mejorar. Al utilizar agentes especializados que trabajan juntos de forma autónoma, los expertos humanos pueden centrarse en tareas de revisión estratégica mientras el sistema de agentes de IA maneja la brío de contenido a gran escalera.

El enfoque basado en agentes que presentamos es aplicable a cualquier tipo de contenido empresarial, desde documentación de productos y bases de conocimientos hasta materiales de marketing y especificaciones técnicas. Para demostrar estos conceptos en energía, analizamos un ejemplo práctico de revisión del contenido de un blog para determinar su precisión técnica. Estos patrones y técnicas se pueden adaptar directamente a diversas deposición de revisión de contenido ajustando las configuraciones del agente, las herramientas y las fuentes de demostración.

Descripción universal de la opción

La opción de revisión de contenidos implementa una flujo de trabajo multiagente patrón, donde tres agentes de IA especializados creados con Strands Agents e implementados en Amazon Bedrock AgentCore trabajan en una canalización coordinada. Cada agente recibe la salida del agente aludido, la procesa de acuerdo con su función especializada y pasa información enriquecida al sucesivo agente de la secuencia. Esto crea un proceso de refinamiento progresivo donde:

1. Agente de escaneo de contenido analiza el contenido sin procesar y extrae información relevante
2. Agente de demostración de contenido toma estos fundamentos extraídos y los valida con fuentes autorizadas
3. Agente de recomendación transforma los resultados de la demostración en actualizaciones de contenido procesables

El mantenimiento del contenido técnico requiere múltiples agentes especializados porque escanear, compulsar y desempolvar la documentación manualmente es ineficiente y propenso a errores. Cada agente tiene una función específica: el escáner identifica fundamentos urgentes, el verificador verifica la precisión contemporáneo y el agente de recomendación elabora actualizaciones precisas. El diseño modular del sistema, con interfaces y responsabilidades claras, facilita añadir nuevos agentes o ampliar capacidades a medida que crece la complejidad del contenido. Para ilustrar cómo funciona en la actos este sistema de revisión de contenido basado en agentes, analizamos una implementación que revisa las publicaciones técnicas del blog para compulsar su precisión. Las empresas de tecnología publican con frecuencia publicaciones en blogs que detallan nuevas funciones, actualizaciones y mejores prácticas. Sin incautación, el rápido ritmo de la innovación significa que algunas funciones quedan obsoletas o se actualizan, lo que dificulta sostener la información actualizada en cientos o miles de publicaciones publicadas. Si acertadamente demostramos este patrón con contenido de blog, la bloque es independiente del contenido y admite cualquier tipo de contenido mediante la configuración de los agentes con indicaciones, herramientas y fuentes de datos adecuadas.

Ejemplo práctico: opción de revisión de contenido de blog

Utilizamos tres agentes especializados que se comunican secuencialmente para revisar publicaciones automáticamente e identificar información técnica desactualizada. Los usuarios pueden activar el sistema manualmente o programarlo para que se ejecute periódicamente.

Figura-1 Construcción de revisión de contenido del blog

El flujo de trabajo comienza cuando se proporciona la URL del blog al agente del escáner de blogs, que recupera el contenido mediante Strands. http_request utensilio y extrae afirmaciones técnicas esencia que requieren demostración. El agente de demostración luego consulta al Servidor MCP de documentación de AWS para obtener la documentación más flamante y validar las afirmaciones técnicas con la documentación contemporáneo. Finalmente, el agente de recomendaciones sintetiza los hallazgos y genera un noticia de revisión completo con recomendaciones prácticas para el equipo del blog.

El código es de código descubierto y está alojado en GitHub.

Flujo de trabajo multiagente

Agente escáner de contenidos: Linaje inteligente para detección de obsolescencia

El agente de escaneo de contenido sirve como punto de entrada al flujo de trabajo de múltiples agentes. Es responsable de identificar información técnica potencialmente obsoleta. Este agente se dirige específicamente a fundamentos que probablemente queden obsoletos con el tiempo. El agente analiza el contenido y produce resultados estructurados que clasifican cada aspecto técnico por tipo, ubicación en el blog y sensibilidad temporal. Este formato estructurado permite al agente de demostración acoger datos acertadamente organizados que puede procesar de guisa valioso.

Agente de demostración de contenido: brío basada en evidencia

El agente de demostración de contenido recibe los fundamentos técnicos estructurados del agente de escaneo y realiza la brío con fuentes autorizadas. El agente de demostración utiliza el servidor MCP de documentación de AWS para entrar a la documentación técnica contemporáneo. Para cada aspecto técnico recibido del agente escáner, sigue un proceso de demostración sistemático guiado por indicaciones específicas que se centran en criterios objetivos y mensurables.

Se solicita al agente que verifique:

• Información específica de la lectura: ¿Aún existe el número de lectura, el punto final de API o el parámetro de configuración mencionados?
• Disponibilidad de funciones: ¿La función de servicio descrita todavía está arreglado en las regiones o niveles especificados?
• Precisión de sintaxis: ¿Los ejemplos de código, los comandos CLI o los fragmentos de configuración coinciden con la documentación contemporáneo?
• Validez del requisito previo: ¿Siguen siendo precisos los requisitos, dependencias o pasos de configuración enumerados?
• Precios y límites: ¿Los costos, cuotas o límites de servicio mencionados se alinean con la información publicada actualmente?

Para cada aspecto técnico recibido del agente escáner, el agente realiza los siguientes pasos:

1. Genera consultas de búsqueda específicas basadas en el tipo de aspecto y el contenido.
2. Consulta el servidor de documentación para obtener información contemporáneo.
3. Compara el aliciente innovador con fuentes autorizadas utilizando los criterios específicos anteriores.
4. Clasifica el resultado de la demostración como CURRENT, PARTIALLY_OBSOLETEo FULLY_OBSOLETE
5. Documenta discrepancias específicas con evidencia.

Ejemplo de demostración en energía: Cuando el agente de escaneo identifica la afirmación «Amazon Bedrock está arreglado solo en las regiones us-east-1 y us-west-2», el agente de demostración genera la consulta de búsqueda «regiones disponibles de Amazon Bedrock» y recupera la disponibilidad regional contemporáneo de la documentación de AWS. Al descubrir que Bedrock ahora está arreglado en más de 8 regiones, incluidas eu-west-1 y ap-sureste-1, lo clasifica como PARTIALLY_OBSOLETE con la evidencia: «La demanda innovador enumera 2 regiones, pero la documentación contemporáneo muestra disponibilidad en us-east-1, us-west-2, eu-west-1, ap-sureste-1 y 4 regiones adicionales a partir de la momento de demostración».

La salida del agente de demostración mantiene la estructura de fundamentos del agente de escaneo al tiempo que agrega estos detalles de demostración y clasificaciones basadas en evidencia.

Agente de recomendación: coexistentes de actualizaciones procesables

El agente de recomendación representa la etapa final en el flujo de trabajo de múltiples agentes, transformando los resultados de la demostración en actualizaciones de contenido listas para implementar. Este agente recibe los resultados de la demostración y genera recomendaciones específicas que mantienen el estilo del contenido innovador mientras corrigen imprecisiones técnicas.

Acomodo del patrón de flujo de trabajo de múltiples agentes para sus casos de uso de revisión de contenido

El patrón de flujo de trabajo de múltiples agentes se puede adaptar rápidamente a cualquier círculo de revisión de contenido sin cambios arquitectónicos. Ya sea que se revise la documentación del producto, los materiales de marketing o los documentos de cumplimiento normativo, se aplica el mismo flujo de trabajo secuencial de tres agentes. Las indicaciones del sistema deben modificarse para que cada agente se centre en fundamentos específicos del dominio y potencialmente intercambie las herramientas o fuentes de conocimiento. Por ejemplo, aunque nuestro ejemplo de revisión de blog utiliza un http_request utensilio para recuperar el contenido del blog y el servidor MCP de documentación de AWS para su demostración, un sistema de revisión de catálogo de productos podría utilizar una utensilio de conector de almohadilla de datos para recuperar información del producto y consultar las API de oficina de inventario para su demostración. De guisa similar, un sistema de revisión de cumplimiento ajustaría el mensaje del agente de escaneo para identificar declaraciones regulatorias en lado de reclamos técnicos, conectaría el agente de demostración a bases de datos legales en lado de documentación técnica y configuraría el agente de recomendación para producir informes listos para auditoría en lado de actualizaciones de contenido. Los pasos secuenciales principales de ascendencia, demostración y recomendación permanecen constantes en todos estos escenarios, lo que proporciona un patrón probado que escalera desde blogs técnicos hasta cualquier tipo de contenido empresarial. Recomendamos los siguientes cambios para personalizar la opción para otros tipos de contenido.

1. Reemplazar los títulos de CONTENT_SCANNER_PROMPT, CONTENT_VERIFICATION_PROMPTy RECOMMENDATION_PROMPT variables con sus instrucciones personalizadas:

  python
  CONTENT_SCANNER_PROMPT = """"""
  CONTENT_VERIFICATION_PROMPT = """"""
  RECOMMENDATION_PROMPT = """"""

2. Actualice la documentación oficial del servidor MCP para el agente de demostración de contenido:

  python
   product_db_mcp_client = MCPClient(
       lambda: stdio_client(StdioServerParameters(
           command="uvx", args=("")
       ))
   )

3. Agregue herramientas apropiadas de camino al contenido, como database_query_tooly cms_api_tool para el agente de escaneo de contenido cuando http_request utensilio es insuficiente:

python
   scanner_agent = Agent(
       model="us.anthropic.claude-3-7-sonnet-20250219-v1:0",
       system_prompt=CONTENT_SCANNER_PROMPT,
       tools=(database_query_tool, cms_api_tool)  # Replace http_request
   )

Estas modificaciones específicas permiten que el mismo patrón arquitectónico maneje cualquier tipo de contenido mientras mantiene la estructura comprobada del flujo de trabajo de tres agentes, lo que garantiza confiabilidad y coherencia en diferentes dominios de contenido sin requerir cambios en la deducción de orquestación central.

Conclusión y próximos pasos

En esta publicación, explicamos cómo diseñar un sistema de revisión de contenido impulsado por agentes de IA utilizando Amazon Bedrock AgentCore y Strands Agents. Demostramos el patrón de flujo de trabajo de múltiples agentes en el que agentes especializados trabajan juntos para escanear contenido, compulsar la precisión técnica con fuentes autorizadas y producir recomendaciones prácticas. Encima, discutimos cómo adaptar este patrón de múltiples agentes para diferentes tipos de contenido modificando las indicaciones, las herramientas y las fuentes de datos de los agentes mientras mantenemos el mismo ámbito arquitectónico.

Le recomendamos que pruebe el código de muestra arreglado en GitHub en su propia cuenta para obtener experiencia de primera mano con la opción. Como próximos pasos, considere comenzar con un plan piloto en un subconjunto de su contenido, personalizar las indicaciones del agente para su dominio específico e integrar fuentes de demostración apropiadas para su caso de uso. La naturaleza modular de esta bloque le permite refinar de forma iterativa las capacidades de cada agente a medida que expande el sistema para manejar todas las deposición de revisión de contenido de su estructura.

Sobre los autores

Sarath Krishnan es arquitecto senior de soluciones experto en inteligencia fabricado y estudios automotriz en Amazon Web Services, donde ayuda a los clientes empresariales a diseñar e implementar soluciones de inteligencia fabricado generativa y estudios automotriz que brindan resultados comerciales mensurables. Aporta una profunda experiencia en IA generativa, estudios automotriz y MLOps para crear sistemas de IA escalables, seguros y listos para producción.

Santhosh Kuriakose es un arquitecto de soluciones especializado en IA/ML en Amazon Web Services, donde aprovecha su experiencia en IA y ML para crear soluciones tecnológicas que brinden resultados comerciales estratégicos para sus clientes.

Ravi Vijayan Es jefe de soluciones para clientes de Amazon Web Services. Aporta experiencia como desarrollador, director de programas tecnológicos y socio de clientes, y actualmente se centra en ayudar a los clientes a usar plenamente el potencial y los beneficios de portar a la estrato y modernizarse con IA generativa.