机器学习

通过 Amazon Kendra 构建企业搜索 - 自然语言查询与 FAQ 自动提取

构建可用自然语言搜索内部文档的企业搜索平台。介绍数据源连接器配置、搜索精度调优和 RAG 集成。

阅读约需 2 分钟

Kendra 概述

Kendra 是利用 ML 的企业搜索服务。与传统关键词搜索不同，用自然语言提问时可从内部规程文档中提取相关段落直接回答。搜索结果高亮显示文档相关段落，通过 40 多个数据源连接器连接内部系统，支持 14 种语言的自然语言查询。也可作为 RAG 的检索器使用。内部采用基于 BERT 的 Transformer 模型进行查询与文档的语义匹配，即使存在表述差异或同义词，也无需依赖精确关键词匹配即可响应搜索。需要注意的是，Kendra 已于 2026 年 7 月 30 日停止接受新客户，仅现有客户可继续使用（截至 2026 年 8 月）。今后构建同类搜索基础设施时，官方承接方案是 Amazon Bedrock Knowledge Bases。

数据源与精度调优

通过数据源连接器连接 S3、SharePoint、Confluence、ServiceNow 等内部系统，定期爬取并自动更新索引。支持 ACL 的连接器根据用户浏览权限过滤搜索结果。搜索精度调优方面，注册自定义同义词词典、重要度提升（特定字段权重调整）和利用用户反馈都很有效。同义词词典支持单向映射（如「年假」→「带薪休假」）和双向同义词，有助于覆盖行业术语和内部缩写。字段提升可为标题或 FAQ 问题文本分配 10 倍评分，将精确匹配优先于噪声较多的正文搜索结果。

RAG 与生成 AI 集成

Kendra 作为 RAG (Retrieval-Augmented Generation) 的检索器，为生成 AI 应用提供高精度搜索结果。结合 Amazon Bedrock 的基础模型和 Kendra，可构建基于内部文档生成准确回答的聊天机器人。通过 Kendra 的 Retrieve API 获取相关文档摘录，作为上下文传递给 LLM 生成回答。基于 ACL 的访问控制确保仅返回符合用户权限的搜索结果，防止机密信息泄露。自定义文档增强可在索引前通过 Lambda 添加元数据或预处理文本。

与 Amazon Q Business 的比较与选择

2024 年正式发布的 Amazon Q Business 是包含 Kendra 索引技术、同时集成生成 AI 回答生成和插件连接的全托管服务。Q Business 提供一站式聊天界面体验，无需从零设计搜索 UI 即可回答内部信息查询。而 Kendra 的优势在于灵活性，可直接调用 Retrieve API 和 Query API，将搜索结果排序逻辑和展示层嵌入自定义应用。当需要将搜索引擎嵌入现有自定义 UI 或门户，或需要自行选择 LLM 构建 RAG 管道时，Kendra 更为合适。如果需要集成「预约会议」「创建工单」等操作，Q Business 的插件机制更具优势。两个服务并非互斥——可以将 Kendra 索引配置为 Q Business 的数据源。

设计最佳实践与常见陷阱

索引设计中，将文档分割为适当大小的块对搜索精度影响重大。Kendra 每文档最多处理 5 MB 文本，但直接导入长篇 PDF 会导致回答焦点模糊。建议按逻辑段落预先分割，并为每个块附加元数据（部门、文档类型、发布日期），启用分面搜索和过滤以提高精度。常见陷阱是同步计划配置错误。将连接器同步设为每小时会对未变更的文档触发重新索引，消耗查询容量单位 (QCU) 并导致成本膨胀。对支持变更检测的连接器使用增量同步；对 S3 连接器，通过 EventBridge 的对象创建事件触发实时同步更具成本效益。FAQ 数据源支持 CSV 或 JSON 格式的问答对注册，将常见问题的回答置顶显示，直接减轻客服负担。

Kendra 费用与优化

Kendra 的费用由索引版本（Developer 或 Enterprise）、连接器同步频率和文档数决定。Developer 版月费约 810 美元，最多 10,000 文档和每天 4,000 次查询（截至 2026 年 8 月）。Enterprise 版月费约 1,008 美元，最多 100,000 文档和每天 8,000 次查询。通过调整连接器同步频率和优化索引文档范围控制成本。利用 FAQ 数据源直接返回常见问题回答，提升搜索精度和用户体验。Developer 版不具备高可用架构，生产工作负载应选择 Enterprise 版，仅在 PoC 阶段使用 Developer 版验证。

总结

Kendra 是基于 ML 的企业搜索服务，提供自然语言查询的问答和作为 RAG 检索器的活用。通过 40 多个数据源连接器连接内部系统，基于 ACL 的访问控制返回符合用户权限的搜索结果。通过自定义文档增强和 FAQ 数据源提高搜索精度。理解与 Q Business 的职责划分，在需要搜索 UI 定制性或构建独立 RAG 管道时选择 Kendra。

相关服务

Amazon Kendra 即将停用利用机器学习的智能企业搜索服务Amazon S3 经典具有高耐久性和可扩展性的对象存储服务Amazon Cognito 热门为 Web 和移动应用程序提供认证、授权和用户管理的服务

相关文章

使用 Amazon Q Business 构建企业级 AI 助手 - 内部知识搜索与业务自动化连接内部文档、Confluence、SharePoint 等数据源，实现基于 RAG 的企业内搜索与问答。解析如何通过护栏与访问控制构建安全的生成式 AI 应用基础。加速全栈开发 - 通过 Amplify 构建云原生应用程序介绍利用 AWS Amplify 进行全栈开发的方法，包括前端托管、后端构建以及通过认证和存储集成实现快速应用程序开发。使用 AWS Amplify 开始全栈 Web 应用开发 - Git 联动部署与后端构建通过 GitHub 联动构建按分支自动部署的环境，使用 Backend Gen 2 以 TypeScript 定义认证、API 和存储。同时支持 Next.js 的 SSR。

本主题的更多内容

使用 AWS Batch 执行基于 GPU 的机器学习训练 - 高性价比的大规模训练方案利用现有 Docker 容器执行 GPU 训练，通过 Spot 实例与检查点机制将成本最高降低 90%。同时介绍与 SageMaker 的使用场景区分。在 Amazon Bedrock 中使用 Claude - 从模型选择到提示词设计与成本优化介绍 Amazon Bedrock 中可用的 Anthropic Claude 模型特性对比、按使用场景的模型选择指南、提示词设计最佳实践以及成本优化方法。使用 Amazon Bedrock Knowledge Bases 构建 RAG 应用 - 检索增强生成的实现自动索引 S3 上的文档，通过 RetrieveAndGenerate API 整合检索与生成。介绍分块策略的选择以及通过 Guardrails 确保安全性的方法。使用 Amazon Braket 入门量子计算 - 量子电路的设计与模拟在本地模拟器上免费进行原型开发，在 IonQ、Rigetti 的真实硬件上执行量子电路。介绍通过混合作业实现 VQE 和 QAOA 的方法。AWS Clean Rooms ML 隐私保护型机器学习 - 无需共享数据即可构建模型详细介绍通过 Clean Rooms ML 构建相似人群模型、应用差分隐私以及在广告定向投放中的实际应用。使用 Amazon Comprehend 实现自然语言处理 - 情感分析与实体提取的活用详解 Comprehend 的情感分析、实体提取以及自定义分类模型的构建。对话式机器人构建 - 使用 Amazon Lex 和 Polly 实现自然的会话界面详解使用 Amazon Lex 和 Amazon Polly 构建对话式机器人的方法。文档文本提取 - 通过 Amazon Textract 和 Comprehend 实现智能文档处理解说通过 Amazon Textract 从文档中自动提取文本、表格和表单数据，以及与 Comprehend 联动实现的自然语言处理集成。介绍从发票处理到合同分析的实践用例。

相似的文章与服务

智能搜索 - 通过 Amazon Kendra 跨系统搜索企业知识解析如何使用 Amazon Kendra 构建企业搜索。介绍自然语言查询、数据源连接器、RAG（检索增强生成）集成、与 OpenSearch 的选型对比。Amazon Kendra基于机器学习的企业搜索服务，能够对内部文档的自然语言提问返回精准答案使用 Amazon Q Business 构建企业级 AI 助手 - 内部知识搜索与业务自动化连接内部文档、Confluence、SharePoint 等数据源，实现基于 RAG 的企业内搜索与问答。解析如何通过护栏与访问控制构建安全的生成式 AI 应用基础。数据搜索与分析实践 - 通过 OpenSearch 构建全文搜索与可视化基础设施解说利用 Amazon OpenSearch Service 的数据搜索与分析设计方法，介绍通过全文搜索、日志分析和仪表板可视化构建分析基础设施的方法。