Orca Security 借 Amazon Bedrock 打造自然语言安全查询

核心事实

AWS 官方博客发布文章，介绍云安全公司 Orca Security 如何基于 Amazon Bedrock 构建名为 Discovery AI 的自然语言查询代理。据该博客描述，Orca 的 Sonar 查询系统覆盖 900 多个云模型（即 Sonar 跟踪的资源类型，例如 Amazon EC2 实例或 Amazon S3 存储桶），用户查询时需要写出精确的模型名称、在 18 个运算符中选择，并逐层导航父子关系。

Discovery AI 的目标是把自然语言问题转换为合法的 Sonar 查询。博客称，相比最初的基线方案，Orca 将查询成本降低 90%、输入 token 减少 93%、延迟降低 75%，并称该方案每天可处理数千次查询、响应时间约 15 秒。上述数字均来自该博客自述，尚未见独立验证。

背景与影响

据博客介绍，Orca 最初的验证方案是把完整 Sonar schema 塞进单个提示词，交给当时可用的最大模型处理。输出质量获得设计伙伴与内部用户正面反馈，但在生产规模下出现三个问题：每个工作负载约消耗 200 万输入 token，端到端响应约 60 秒，复杂多模型查询的准确率有限。

改进后的方案采用混合架构，把检索增强生成（RAG）与 schema 感知的查询构造结合，形成九阶段流水线，并为每个阶段匹配不同的 Amazon Bedrock 模型。博客提到，Orca 选择 Bedrock 的原因包括单一 API 可访问多模型、可通过 IAM、VPC 终端节点和 AWS CloudTrail 继承 AWS 治理控制，以及模型无关架构便于后续替换新模型版本。流水线环节包括确定性快速匹配、LLM 护栏筛查、基于 Amazon Titan Text Embeddings 的语义候选召回、Cohere Rerank 3.5 重排序、模型选择、工具增强的代理式过滤条件生成，以及静态与 API 校验等。

限制与来源

本文信息全部来自 AWS 博客《Natural language security queries at Orca Security using Amazon Bedrock》，作者署名为 Deniz Yilmaz、Barak Tarab、Julia Wagner、Natalie Tarasova 和 Saurav Hiremath，发布日期标注为 2026 年 10 月 13 日。博客未披露定价、各阶段所用具体模型版本、可用地区与语言支持等细节，相关功能与费用请以 AWS 与 Orca Security 官网当前信息为准。文中性能数据为厂商自述，未经第三方复核。