AWS 发布基于智能体的对话式视频智能方案

AWS 博客介绍对话式视频智能方案

AWS 官方博客发布了一篇技术文章，介绍如何在 AWS 上构建「智能体式对话视频智能」方案。据该文描述，用户上传视频后可用自然语言提问，例如「这次会议做了哪些决定」「是否有人提到预算时间线」，系统会给出答案。方案基于 Strands Agents SDK 构建单个 AI 智能体，由 Amazon Bedrock 提供模型能力，并按问题类型编排 Amazon Rekognition 与 Amazon Transcribe；已分析过的内容可复用缓存结果，新视频的首次分析据称需要 5 至 10 分钟，具体取决于视频长度与所需服务。

背景与影响

文章指出，媒体、安防、保险与专业服务等行业产生的视频量已超出团队人工审阅的能力，会议录像、监控画面与现场检查视频往往长期闲置，而其中的信息仍有价值。传统做法要么人工逐条观看，要么为每类问题单独开发机器学习流水线，成本较高。该方案的核心思路是把流水线选择交给模型在运行时决定，而非写死在应用代码里。文中提到一家大型媒体娱乐公司在 AWS Professional Services 参与下采用了这一方法，用于查询录制的发现会内容；文中援引客户内部的前后对比称人工审阅时间减少约 80%，并注明该数据未经独立验证。

限制与来源

需要说明的是，上述内容来自 AWS 官方博客的厂商自述，性能与效率数字均为其单方表述，尚未获独立确认。文章列出的前提条件包括：具备 Amazon Bedrock（需启用 Anthropic Claude Sonnet）与 Amazon S3 访问权限的 AWS 账户，文档处理需 Amazon Bedrock Data Automation 或 Amazon Rekognition 与 Amazon Transcribe，Python 3.11 及以上并安装 Strands Agents SDK，以及配置好相应 IAM 权限的 AWS CLI。各服务的可用区域、支持语言、模型与计费方式可能随时调整，请以 AWS 官网当前信息为准。完整实现据称放在配套的 GitHub 仓库中。