Postman 在 Amazon Bedrock 上构建 Agent Mode 架构
先了解这件事
2026 年 10 月 9 日，AWS Machine Learning Blog 发布文章介绍 Postman 如何在 Amazon Bedrock 上运行 Agent Mode。该功能面向 API 测试、文档等场景，通过动态工具选择、基于 schema 的读取访问及刻意设计的上下文处理解决工程难题。核心架构针对工具泛滥问题：当可见工具超 40 个时模型错误率上升，系统采用向量数据库对 170 多个工具动态筛选，每次仅向模型暴露约 15 个相关工具。
AI 根据报道生成 · 3 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
- AWS Machine Learning Blog精选Postman 如何在 Amazon Bedrock 上为 4000 万开发者运行 Agent Mode
Postman 在 Amazon Bedrock 上构建了面向 API 测试、文档、发现和实现的 AI 原生工作流 Agent Mode，通过动态工具选择、基于 schema 的读取访问以及刻意设计的上下文处理，解决了成熟产品集成智能体时的工程难题。 该架构的核心在于控制工具泛滥：当可见工具集超过约 40 个时，模型的选择错误率显著上升，因此系统采用向量数据库对 170 多个工具进行动态筛选，每次仅向模型暴露约 15 个相关工具。同时，Postman 将客户端 API 与界面状态解耦，允许后台发送请求而非依赖打开标签页，并将结构化数据（如 ClickHouse 表）直接暴露给模型生成复杂查询，从而减少专用工具的数量。此外，团队建立了专用的上下文处理器来提炼实体信息，避免将渲染用的数据模型直接喂给模型，以应对上下文窗口限制。 在基础设施层面，Amazon Bedrock 提供了模型灵活性、跨区域推理和数据保留控制。Postman 根据延迟敏感度和推理复杂度在不同 Claude 模型间路由请求，利用跨区域推断配置文件自动分配流量以应对尖峰需求，并针对企业客户设置地理边界。为了降低成本和延迟，系统采用了分层提示词缓存策略：核心指令使用一小时缓存，变量层使用五分钟缓存，确保稳定前缀不被重复处理。这些经验表明，生产级 Agent 的成功不仅取决于模型能力，更依赖于对工具、上下文和推理成本的精细化工程控制。
本事件热度走势
当前热度 9·可比范围峰值 10（10月10日 01:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。