Bayer 種苗部門上緊個 AI 決策引擎，8 成問題自己答
Bayer Crop Science 宣佈喺 Amazon Bedrock AgentCore 上建咗一個叫 Agentic Decision Engine（ADE）嘅多代理系統，畀佢哋嘅育種員、分析員、研究員用自然語言直接問數據問題，唔使再手動翻 API、文件、metadata store、dashboard 同 log。
呢個唔係一個獨立產品。ADE 係建喺已有嘅 Connected Decision Engine（CDE）上面，CDE 係 Bayer 自己建嘅 ML workflow 調度系統，處理跨品種、地區同團隊嘅數百個 ML 模型配置。問題係，隨住 CDE 普及，「解釋結果」變咗新瓶頸：一個 workflow 點解失敗、個模型做咗乜、結果喺邊，用户仲要識揀邊個系統去查。ADE 就係為咗呢個 gap 生嘅。
架構點分層
ADE 分四層：用户界面、agent 協調層、專員 agent 層、同工具與數據源。用户經 React web 前端進出，請求先經 Microsoft Entra ID 身份代理，先 reach 到 agent。GitHub Actions 負責 build agent 容器映像，push 上 Amazon Elastic Container Registry。
協調機制係一個 supervisor agent 將每條問題分發畀對應嘅專員 agent，專員 agent 再從相關系統撈 context，用户收到答案，唔使自己嚮導整個 operational stack。
80% 個數字點嚟
官方 blog 話首階段 ADE 可以喺無 engineer 介入嘅情況下解決約 80% 用户查詢。呢個數字由 Bayer 同 AWS 喺呢篇 vendor-published 案例研究入面提出，未有獨立第三方核實。邊 20% 需要人工介入、點樣 escalate、錯誤率幾高，材料冇提供。
權限同資料流：邊個揸住個掣
ADE 喺 AgentCore 上面行，AgentCore 提供三個關鍵能力：隔離每個用户 session 嘅 managed runtime、經 AgentCore Gateway 嘅 IAM-scoped 工具存取（將認證同授權移出 agent 代碼），同 framework-agnostic 設計——Bayer 團隊自帶 LangGraph 協調同模型選擇。
值得留意：用户身份驗證經 Microsoft Entra ID，但工具存取權限經 AWS IAM。即係話，邊個可以問乜、agent 可以調用邊啲工具，由 AWS IAM 管，唔係由 Bayer 內部權限系統管。呢個設計將部分權限分界放喺雲廠商手上，對企業買家而講，呢個係一個需要問清楚嘅治理問題：你嘅資料流經 AWS 平台，工具存取嘅邊界由邊個定義、點審計、可否獨立稽核？材料冇再深入。
同 AWS 嘅合作模式係 Bayer 聘請 AWS Unified Operations，派一名 Technical Account Manager 同一名生成式 AI Domain Specialist Engineer，作為 ADE 團隊嘅延伸，由設計到生產，每週三次技術站會。呢個係 AWS 嘅 enterprise 客户服務包，唔影響技術架構本身，但值得讀者知道：呢篇案例研究由 AWS 自己發佈，既係產品展示亦係客户見證。
阿調搞兩下
呢個案例最靚嘅位唔係 80% 個數字，係佢哋點將「用户要識揀邊個系統查」呢個痛點，用多代理架構切開。Supervisor 分發、專員撈 context、用户收答案——呢個係一個啱嘅設計方向，將認知負荷由用户轉移到系統。
但「80% 解決」係 Bayer 自己嘅聲稱，冇獨立測試，冇錯誤率，冇escalation 路徑嘅透明描述。對任何考慮類似部署嘅團隊，我會問三個問題：邊 20% 係乜、出錯邊個執手尾、同 IAM 權限邊界點樣審計。呢三樣喺呢篇 blog 入面全部留白。
廠商案例研究唔代表獨立查證。80% 係個開端，唔係結論。
阿調｜深度調教
