«بدون نیاز به واسطه»؛ قابلیت جدید جست‌وجوی وب در سرویس بدراک

اگر توسعه‌دهنده هستید و تا امروز برای اتصال مدل‌های هوش مصنوعی به اینترنت از واسطه‌های خارجی استفاده می‌کردید، هزینه‌های عملیاتی و پیچیدگی‌های امنیتی شما قرار است به‌شدت کاهش یابد. آمازون با ادغام ابزار جست‌وجوی بومی در Amazon Bedrock، لایه‌ی واسط بین مدل و وب را حذف کرد. طبق اعلام AWS در ۴ آگوست ۲۰۲۶، قابلیت جست‌وجوی وب (Web Search) اکنون برای مدل‌های منتخب از طریق یک پارامتر ساده در API در دسترس است.

برای سال‌ها، مبنی‌سازی (Grounding) — یعنی متصل کردن پاسخ مدل به واقعیت‌های دنیای بیرون تا از توهمات بکاهد — نیازمند یک زنجیره پیچیده از ابزارها بود: انتخاب یک تامین‌کننده جست‌وجو، ادغام API آن، مدیریت کلیدهای دسترسی، سازمان‌دهی فراخوانی‌ها و در نهایت گذراندن بررسی‌های سخت‌گیرانه امنیتی. این به‌روزرسانی اساساً آن واسطه یا «مرد وسط» را حذف می‌کند. به‌جای اینکه توسعه‌دهنده مجبور باشد فراخوانی‌های خارجی را مدیریت کند، فرآیند مبنی‌سازی به‌صورت سمت-سرور (Server-side) و در داخل مرزهای امنیتی AWS اتفاق می‌افتد. در واقع، AWS در حال فروش «حذف بار اداری» است؛ یعنی دیگر نیازی به جذب تامین‌کنندگان شخص ثالث و سازمان‌دهی APIهای خارجی نیست.

این اقدام در ادامه انتشار نسخه‌ای در ژوئن ۲۰۲۶ صورت می‌گیرد که در آن، همین ابزار برای نخستین بار روی Bedrock AgentCore (لایه زیرساختی ایجنت‌های این پلتفرم) در جریان اجلاس AWS نیویورک معرفی شد. این تلاش برای ساده‌سازی زیرساخت‌ها در راستای ارتقای مقیاس‌پذیری و امنیت عامل‌های AI است که در هفته‌های اخیر مورد توجه بوده است. در حالی که آن نسخه نیازمند AgentCore Gateway و پروتکل زمینه مدل (MCP) بود، نسخه فعلی مستقیماً با استنتاج (Inference) ادغام شده است. این بدان معناست که هر برنامه‌ای که یک مدل پشتیبانی‌شده را فراخوانی می‌کند، اکنون می‌تواند بدون نیاز به ساخت یک معماری کامل ایجنت یا برپایی زیرساخت‌های AgentCore، به وب دسترسی داشته باشد. استنتاج در واقع همان لحظه‌ای است که مدل پاسخ نهایی را تولید می‌کند.

جزئیات فنی و سازوکارهای عملیاتی

این سیستم از یک شاخص وب اختصاصی آمازون شامل میلیاردها سند استفاده می‌کند که به‌طور مداوم به‌روزرسانی می‌شود. این شاخص با یک گراف دانش (Knowledge Graph) داخلی جفت شده است که موجودیت‌ها (Entities) و ارتباطات بین آن‌ها را تثبیت می‌کند. این رویکرد در ادامه استراتژی AWS برای گسترش منابع داده‌ای است، مشابه زمانی که دسترسی به ۱۷۰ مجموعه دادهٔ عمومی را برای عامل‌های هوش مصنوعی فراهم کرد. بر اساس مستندات فنی AWS، این ابزار برای تضمین دقت واقع‌گرایانه از یک منطق خاص پیروی می‌کند:

• استخراج قطعات معنایی (Semantic Snippet Extraction): ابزار به‌جای دریافت کل صفحات وب که حاوی متون تکراری و بی‌ربط است، فقط قطعات مرتبط را استخراج می‌کند. این کار باعث کاهش مصرف توکن (Token) — یعنی تکه‌های کوچک متن که مدل پردازش می‌کند — و کاهش هزینه‌ها می‌شود.
• پاسخ‌های گراف‌محور: برای پرس‌وجوهای مبتنی بر واقعیت (Factual Queries)، ابزار به‌جای استنتاج پاسخ از متون استخراج‌شده، مستقیماً به گراف دانش تکیه می‌کند تا دقت بالاتر رود.
• جست‌وجوی تکرارشونده (Iterative Searching): اگر نتایج اولیه برای پاسخ به سوال کافی نباشد، مدل می‌تواند در همان نوبت (Turn)، پرس‌وجو را بازنویسی کرده و دوباره جست‌وجو کند تا به پاسخ دقیق برسد.
• پذیرش شکست صادقانه: طبق مستندات Web Search، مدل ترجیح می‌دهد اعلام کند که نمی‌تواند پاسخی پیدا کند، به‌جای اینکه بر اساس داده‌های آموزشی خود دچار توهم (Hallucination) شود و پاسخ غلط بسازد.

چرخه حیات درخواست و مدل‌های پشتیبانی شده

وقتی قابلیت جست‌وجو فعال باشد، Bedrock تمام چرخه حیات جست‌وجو را در سمت سرور مدیریت می‌کند. ابتدا، مدل یک «شکاف دانشی» را شناسایی می‌کند (یعنی متوجه می‌شود اطلاعاتش برای پاسخ کافی نیست). سپس Bedrock پرس‌وجو را فرموله کرده و داده‌ها را از شاخص وب و گراف دانش بازیابی می‌کند. در مرحله بعد، قطعات متن (Snippets)، URLهای منابع و عناوین صفحات را در پنجره زمینه (Context Window) — که شبیه به میز کاری است که فقط مقدار محدودی کاغذ در آن جا می‌شود — تزریق می‌کند. در نهایت، پاسخی را برمی‌گرداند که دارای ارجاعات دقیق (Citation Annotations) است و دقیقاً مشخص می‌کند کدام بخش از متن توسط کدام منبع پشتیبانی می‌شود.

در زمان عرضه، این ابزار در سراسر اکوسیستم Bedrock همگانی نیست. این قابلیت تنها برای مدل‌های OpenAI که از طریق نقطه انتهایی bedrock-mantle و از طریق Responses API سرویس‌دهی می‌شوند، پشتیبانی می‌شود. مدل‌های پشتیبانی‌شده عبارتند از:

• openai.gpt-5.4
• openai.gpt-5.5
• GPT-5.6 (در هر سه مدل: Luna، Terra و Sol)

مدل‌های شرکت Anthropic، Meta، Mistral و حتی سری Nova خودِ آمازون در حال حاضر پشتیبانی نمی‌شوند. دسترسی به این ابزار محدود به سه منطقه (Region) در ایالات متحده است: us-east-1، us-east-2 و us-west-2. این ابزار کاملاً منطقه‌ای است؛ یعنی هر منطقه لایه جست‌وجو و بازیابی (Fetch) مخصوص به خود را دارد. در نتیجه، پرس‌وجوها، داده‌های شاخص و نتایج هرگز از مرزهای منطقه‌ای عبور نمی‌کنند. برای تامین بودجه این زیرساخت، AWS مبلغ ۱۲ دلار به‌ازای هر ۱۰۰۰ پرس‌وجو دریافت می‌کند که این مبلغ جدا از هزینه استاندارد استنتاج مدل است. لازم به ذکر است که AWS قیمت‌گذاری نسخه AgentCore این ابزار را به‌صورت جداگانه محاسبه می‌کند.

امنیت، حریم خصوصی و انطباق داده‌ها

آمازون «اقامت داده‌ها» (Data Residency) را به عنوان اصلی‌ترین مزیت رقابتی خود برای مشتریان سازمانی معرفی می‌کند. به‌صورت پیش‌فرض، بازیابی اطلاعات از یک کپی (Snapshot) از محتویات وب استفاده می‌کند که در داخل محیط AWS میزبان شده است. این کار تضمین می‌کند که داده‌های درخواست هرگز از مرزهای امنیتی AWS خارج نشوند. اگرچه پارامتری برای «بازیابی وب زنده» (Fetch لحظه‌ای محتوا از اینترنت در زمان درخواست) وجود دارد، اما این قابلیت به‌صورت پیش‌فرض غیرفعال است. مستندات ذکر می‌کنند که هرگونه تغییر در آینده برای فعال کردن این مورد، نیازمند اعطای صریح یک مجوز IAM جداگانه توسط مشتری خواهد بود.

حسابررسی و نظارت بر این عملیات از طریق CloudTrail انجام می‌شود که هویت کاربر، برچسب زمانی و منطقه هر فراخوانی جست‌وجو را ثبت می‌کند. درخواست‌های رد شده (Denied) به‌طور خاص «کلید شرطی» (Condition Key) که باعث عدم دسترسی شده است را لاگ می‌کنند. برای حفظ حریم خصوصی، لاگ‌ها متن واقعی پرس‌وجوها، URLهای بازگشتی یا محتوای صفحات بازیابی شده را ضبط نمی‌کنند. این امر به تیم‌های انطباق (Compliance) اجازه می‌دهد تا بدون افشای جست‌وجوهای حساس کاربران، بر میزان استفاده نظارت کنند.

شرایط استفاده و ادغام عملیاتی

تعهدات قانونی خاصی برای تیم‌هایی که محصولات کاربر-محور می‌سازند وجود دارد. مشتریان موظف هستند ارجاعات منابع و لینک‌های خروجی مدل را در هر چیزی که به کاربر نهایی نمایش داده می‌شود، حفظ کرده و نمایش دهند. علاوه بر این، کاربران مجاز نیستند از این ابزار برای استخراج انبوه محتوا (Bulk-extract) یا ساخت یک شاخص جست‌وجوی رقیب استفاده کنند.

این تغییر، فرآیند مبنی‌سازی را از یک پروژه مهندسی پیچیده به یک «وظیفه ساده اعطای مجوز» تغییر داد. اکنون توسعه‌دهندگان تنها نیاز دارند اقدامات IAM را برای جست‌وجو و بازیابی در کنار دسترسی‌های استنتاج استاندارد خود پیکربندی کنند. احراز هویت برای نقطه انتهایی bedrock-mantle به‌جای استفاده از کلید API جداگانه، از یک توکن Bearer کوتاه‌مدت استفاده می‌کند که از اعتبارنامه‌های موجود AWS ساخته می‌شود.

با جذب لایه‌ی جست‌وجو، AWS در واقع بازار ارکستراسیون تولید بازیابی‌افزا (RAG) — فرآیندی که مدل قبل از پاسخ، ابتدا منابع را جست‌وجو می‌کند — را برای کاربرانش می‌بلعد. این کار «بدهی فنی» (Technical Debt) مربوط به مدیریت قراردادهای متعدد با تامین‌کنندگان و بازرسی‌های امنیتی را کاهش می‌دهد و مقیاس‌پذیری هوش مصنوعی با داده‌های زنده را در محیط‌های شرکتی به‌شدت آسان‌تر می‌کند.

در آینده باید منتظر گسترش این قابلیت به مدل‌های Nova و Anthropic باشیم، زیرا محدودیت فعلی به مدل‌های OpenAI، برای کسانی که به دنبال یک زیرساخت کاملاً مستقل از تامین‌کننده (Provider-agnostic) روی Bedrock هستند، یک گلوگاه ایجاد کرده است.

گام بعدی شما

• بررسی هزینه‌های استقرار مدل‌های GPT-5.6 در مناطق مورد حمایت AWS برای بهینه‌سازی بودجه استنتاج.
• تست مدل‌های Luna و Terra در سناریوهای مورد نیاز برای مقایسه دقت بازیابی داده‌ها.
• پیکربندی دسترسی‌های IAM برای تیم‌های امنیتی جهت نظارت بر فراخوانی‌های جست‌وجو از طریق CloudTrail.