Introducció El patró pool és un enfocament d'infraestructura compartida en què tots els inquilins utilitzen la mateixa base de coneixements d'Amazon Bedrock, el mateix bucket de S3 i la mateixa base de dades vectorial. En lloc de crear recursos independents per client, es centralitzen recursos i es manté la separació mitjançant metadades aplicades a cada document.
Concepte central En el patró pool tots comparteixen un únic bucket S3 per a documents, una única Knowledge Base per al processament i una única base de dades vectorial com Pinecone o AWS OpenSearch. La separació entre clients s'aconsegueix exclusivament mitjançant filtratge per metadades que identifiquen userId i agentId.
Pas 1 Documents i metadades En pujar un document s'emmagatzemen dos fitxers relacionats a S3: el document original i un fitxer metadata.json associat que conté atributs com userId, username, agentId, nom de fitxer i data de pujada. Aquest metadata.json és essencial perquè el sistema pugui aïllar la informació de cada client dins de la infraestructura compartida.
Pas 2 Ingesta a la Knowledge Base Tots els documents es processen amb la mateixa Knowledge Base: es fragmenten seguint el mateix criteri de chunking, es generen incrustacions amb el mateix model d'embeddings i s'indexen a la base de dades vectorial juntament amb les metadades. Gràcies a això es manté coherència en la cerca semàntica i en l'emmagatzematge de vectors.
Pas 3 Consultes amb filtratge Quan un usuari realitza una consulta, la cerca semàntica aplica filtres a la base de dades vectorial utilitzant els camps de metadades com userId i agentId. Això garanteix que el resultat retornat pertanyi únicament a l'inquilí i a l'agent autoritzats, evitant que l'Usuari A vegi documents de l'Usuari B.
Flux visual simplificat 1 Pujada de document crea objecte S3 i metadata.json 2 Ingesta per la Knowledge Base processa tots dos fitxers 3 Vectors emmagatzemats a la base vectorial amb userId i agentId 4 Consulta de l'usuari aplica filtre i només retorna documents autoritzats.
Detalls d'implementació Agents Cada usuari pot crear múltiples agents amb el seu propi nom i descripció. Tots els agents poden referenciar la Knowledge Base compartida i l'origen de dades comú, però les consultes i el contingut romanen aïllats per metadades. Això facilita la gestió d'assistents personalitzats sense replicar infraestructures.
Suport multi model Encara que la Knowledge Base i l'índex vectorial siguin compartits, cada sessió o agent pot seleccionar diferents models d'IA per a la generació de respostes, per exemple Claude, Mistral, Titan o models d'Amazon Bedrock, permetent flexibilitat en IA per a empreses sense sacrificar eficiència operativa.
Registre d'usuaris i onboarding L'onboarding és immediat: en registrar-se l'usuari rep permisos per utilitzar la infraestructura compartida i se li apliquen límits segons el seu pla com nombre màxim d'agents, nombre màxim de documents i missatges mensuals. Això simplifica la posada en marxa i redueix el temps fins al valor per al client.
Avantatges Eficiència de costos en centralitzar la Knowledge Base per a centenars d'inquilins, onboarding senzill sense configuracions per client, flexibilitat per triar models d'intel·ligència artificial i seguretat basada en filtratge de metadades que proporciona aïllament efectiu entre clients.
Factor crític d'èxit El fitxer metadata.json és fonamental. Sense aquest fitxer els documents no són filtrables per inquilí i la separació de dades queda compromesa. És obligatori garantir que cada document tingui el seu metadata.json amb camps userId i agentId correctes per mantenir la integritat del sistema multi tenant.
Consideracions de seguretat i compliment Implementar control d'accessos, xifratge en repòs i en trànsit, auditoria d'accessos i polítiques de retenció ajuda a reforçar la seguretat del patró pool. Complementar amb pràctiques de ciberseguretat i monitoratge continu redueix riscos i millora la confiança del client.
Aplicacions reals Aquest enfocament és ideal per a plataformes d'agents IA, gestor documental semàntic i sistemes RAG multi tenant en què es requereixen respostes personalitzades per client. Permet integrar serveis cloud aws i azure, solucions d'intel·ligència de negoci i eines com power bi per enriquir anàlisi i reporting.
Sobre Q2BSTUDIO Q2BSTUDIO és una empresa de desenvolupament de programari i aplicacions a mida especialitzada en intel·ligència artificial, ciberseguretat i serveis cloud aws i azure. Oferim programari a mida, aplicacions a mida i serveis d'intel·ligència de negoci que inclouen implementacions d'ia per a empreses, construcció d'agents IA i dashboards amb power bi. La nostra experiència permet dissenyar solucions segures i escalables que combinen desenvolupament personalitzat, integració de models d'IA i millors pràctiques en ciberseguretat.
Paraules clau i posicionament aplicacions a mida programari a mida intel·ligència artificial ciberseguretat serveis cloud aws i azure serveis intel·ligència de negoci ia per a empreses agents IA power bi són part integral de les nostres solucions i de l'enfocament de Q2BSTUDIO per impulsar projectes amb alt valor diferencial.
Conclusió El patró pool és una alternativa eficient i escalable per a RAG multi tenant quan es dissenya amb metadades rigoroses, controls de seguretat i bones pràctiques d'ingesta i consulta. A Q2BSTUDIO podem ajudar a implementar aquesta arquitectura, optimitzar costos i assegurar aïllament entre clients mentre aprofitem el millor de la intel·ligència artificial i els serveis cloud.
