传统企业通常将常见问题（FAQ）发布在网站上，方便客户自助查找信息。然而，随着生成式AI技术的迅速发展与商业渗透，这些企业正积极探索构建智能问答系统的新途径。这类系统不仅能显著提升客户体验，还能有效降低人工支持成本，实现客户服务的智能化转型。

本文将详细分享如何利用Amazon Q CLI和Amazon Bedrock知识库快速构建端到端的智能问答系统。本例将从网页爬取FAQ开始，到构建高效知识库，实现全流程自动化，帮助企业轻松迈入AI客户服务新时代。

智能问答系统构建

解决方案分为两个核心阶段。

1

数据采集阶段

利用Amazon Q CLI和Playwright MCP Server自动从网页爬取Q&A问答对，整理到Excel表中。

该阶段主要解决的问题是从网页中快速、自动提取结构化信息，特别是对于常见问题解答（FAQ）页面，能够自动化提取问答对并将其转化为结构化数据，可以为知识库建设、客户支持系统和智能问答机器人提供信息资源。

下文将分享如何利用Amazon Q CLI和Playwright MCP Server快速构建一个自动化工作流，实现网页爬取、内容识别和问答对提取。

2

知识库构建阶段

将结构化数据导入Amazon Bedrock知识库，构建Q&A系统。

该阶段主要解决的核心问题是：如何将结构化的Q&A对Excel文件转化为智能可查询的知识库，并确保系统能准确理解和匹配用户问题。这一挑战尤为关键，因为网站FAQ中的问题通常按类别组织，在原始上下文中意义清晰，但一旦脱离分类结构，同样的问题可能变得模糊不清。

例如，“如何修改订单”这一问题在不同业务场景下可能有完全不同的答案。需要确保智能问答系统不仅存储问答对，还能根据上下文进行问题分类，以实现精准的语义匹配和回答检索。

架构图如下：

基于Amazon Q CLI+Playwright

MCP Server的自动化数据采集

Amazon Q CLI是亚马逊云科技推出的一款命令行工具，作为Amazon Q Developer的一部分，它允许开发者直接在命令行界面与Amazon Q的人工智能能力进行交互。为了延伸Amazon Q CLI调用外部工具的能力，Amazon Q CLI从1.9.0版本开始支持MCP，借助外部MCP Server，可以极大扩充Amazon Q CLI的能力。

Playwright是一款开源浏览器自动化框架，提供了跨浏览器的自动化测试和网页交互能力。Playwright MCP Server则是基于MCP协议为大语言模型（LLM）提供了使用Playwright进行浏览器自动化的能力，具有以下核心功能。

• 网页导航与交互：允许AI模型打开网页、点击按钮、填写表单等。

• 屏幕截图和网站文字获取：捕获当前网页的截图，帮助AI分析页面内容。

• JavaScript执行：在浏览器环境中运行JavaScript代码，实现复杂交互等。

Amazon Q CLI集成Playwright MCP Server后，在Amazon Q CLI中通过自然语言交互就能够实现网页的打开、点击，网页文字内容的读取存储和解析，无需手工操作处理。

比如以下网页，Q&A已经使用问答形式将客户关心的问题和答案做了分类整理，但如果想导入知识库，就需要把网站的内容导出到Excel文件，便于后续处理。

下文将逐步展示Amazon Q CLI集成Playwright MCP Server后的强大能力。

1

配置Amazon Q CLI集成

Playwright MCP Server

在Amazon Q CLI中集成MCP Server非常简单，在Amazon Q Developer的安装目录，通常是～/.aws/amazonq/mcp.json文件中配置Playwright MCP Server，您可参阅代码库。

配置playwright MCP Server：

https://github.com/executeautomation/mcp-playwright

{  "mcpServers": {    "playwright": {      "command": "npx",      "args": ["-y", "@executeautomation/playwright-mcp-server"]    }  }}

左右滑动查看完整示意

启动Amazon Q Chat可以看到配置的Playwright MCP Server已经正常启动。

2

通过自然语言交互实现爬网

在Amazon Q Chat中输入以下提示词。

访问https://www.lalamove.com/en-sg/faq，点击[data-section=”business”];只获取页面的文字内容而非html内容，然后将文字内容保存到”lalamove_personal_faq.txt”

可以看到Amazon Q已经开始理解需求，并调用Playwright MCP Server提供的合适工具开始爬网。它分别使用：

• playwright_navigate工具打开指定的网站；

• playwright_click点击上面网页的“Business”链接；

• playwright_get_visible_text工具获得网站上的文字内容；

• fs_write将文字内容保存在本地文件。

值得一提的是，您会发现以下提示词中特别添加了点击[data-section=”business”]。

访问https://www.lalamove.com/en-sg/faq，点击[data-section=”business”];只获取页面的文字内容而非html内容，然后将文字内容保存到”lalamove_personal_faq.txt”

这是因为网站中有多个“business”字样，如果不做特别说明，LLM通常会根据开发习惯猜测点击时使用的selector，将该参数传递给Playwright工具。当与实际情况不符时，Playwright往往难以点击到正确的链接。

通过如下方法获得准确的selector放入指令中，LLM就可以生成准确参数，实现精准点击。

3

通过自然语言交互

实现文本到Excel的转换

继续与Amazon Q CLI进行交互。

经过上述一系列自动操作，Amazon Q CLI几分钟之内就将网页的Q&A对整理到Excel文件中。

基于Amazon Bedrock知识库

构建知识库

该项目中主要遇到两个挑战。

挑战1：网站中的FAQ是按类别组织的，同样的问题在不同上下文回答可能完全不同。

为了解决这个问题，本例利用Amazon Bedrock知识库的元数据过滤功能，允许您根据文档的特定属性细化搜索结果，提高检索准确性和响应的相关性。

Amazon Bedrock知识库的元数据过滤功能：

https://aws.amazon.com/blogs/machine-learning/amazon-bedrock-knowledge-bases-now-supports-metadata-filtering-to-improve-retrieval-accuracy/

挑战2：客户是通过多轮会话进行提问的，每轮会话的意图（或是对应的分类）都有可能变化。

为了解决这个问题，本例采用结合历史会话和当前问题进行问题分类，结合Amazon Bedrock知识库的元数据过滤能力进行知识库的问题搜索。

1

基于元数据的Q&A问题导入

为了实现基于元数据的Q&A问题导入，对前面整理的Excel文件进行拆解，每个Q&A问题对都对应一个Excel文件和一个元数据metadata.json文件，如下所示。

每个Excel文件内容如下图所示。

对应的metadata.json文件内容如下。

{  "metadataAttributes": {    "Category": "Business",    "Sub-Category": "General"  }}

左右滑动查看完整示意

将这些文件作为数据统一放在Amazon S3中，作为数据源导入到Amazon Bedrock知识库中。

2

基于多轮会话的意图识别

和Amazon Bedrock知识库查询

结合历史会话做意图分类的逻辑如下。

基于Amazon Bedrock知识库做信息检索的代码片段如下。

try:        # 设置Bedrock KB配置最多返回3条信息        retrieval_config = {            'vectorSearchConfiguration': {                'numberOfResults': 3            }        }                # 根据问题做的分类来添加过查询bedrock KB的过滤条件        if category != "others":            # 添加分类过滤条件            retrieval_config['vectorSearchConfiguration']['filter'] = {                'equals': {                    'key': 'Category',                    'value': category                }            }            logger.info(f"使用分类过滤: {category}")        else:            logger.info("未使用分类过滤，将搜索所有分类")                # 调用知识库检索API        response = bedrock_agent_runtime.retrieve(            retrievalQuery={'text': query},            knowledgeBaseId=KNOWLEDGE_BASE_ID,            retrievalConfiguration=retrieval_config        )                # 打印检索结果          logger.info(json.dumps(response['retrievalResults'], ensure_ascii=False, indent=2))        return response['retrievalResults']    except Exception as e:        logger.error(f"查询知识库时出错: {str(e)}")        return []

左右滑动查看完整示意

基于Amazon Bedrock知识库的回取内容做答案生成的代码片段。

try:        # 结合客户需求，当知识库中没有相关信息时直接返回，不需要LLM做总结。        ifnot reference_items:             return"抱歉，知识库中没有找到相关信息。"                # 构建提示词        system_prompt, user_message = build_prompts(query, reference_items)                # 设置对话消息        system_prompts = [{"text": system_prompt}]        messages = [{            "role": "user",            "content": [{"text": user_message}]        }]                # 设置推理参数        inference_config = {"temperature": 0}        additional_model_fields = {"top_k": 50}                # 调用模型API        response = bedrock_runtime.converse(            modelId=MODEL,            messages=messages,            system=system_prompts,            inferenceConfig=inference_config,            additionalModelRequestFields=additional_model_fields        )                # 获取模型响应        output_message = response['output']['message']        response_text = output_message['content'][0]['text']                return response_text    except Exception as e:        logger.error(f"生成答案时出错: {str(e)}")        return f"处理您的问题时出错: {str(e)}"

左右滑动查看完整示意

总结

Amazon Q CLI可与MCP Server实现方便集成。本项目通过Amazon Q CLI与Playwright MCP集成，为网页内容提取和问答对识别提供了一种高效、智能的解决方案。通过简单的自然语言指令，即可快速实现从网页爬取到结构化数据生成的全流程自动化。这不仅大大提高了开发效率，也为构建智能知识库和问答系统提供了坚实基础。

同时，结合Amazon Bedrock知识库的元数据过滤功能，可以首先基于历史会话对问题进行分类，在准确的类别中再完成知识库的搜索和答案生成，进一步提升Q&A回复的准确率。

本篇作者

倪惠青

亚马逊云科技解决方案架构师，负责基于亚马逊云科技的云计算方案架构的咨询和设计，在国内推广亚马逊云科技技术和各种解决方案。

黄筱婷

亚马逊云科技客户解决方案经理，专注于为企业客户提供业务及解决方案咨询。

星标不迷路，开发更极速！

关注后记得星标「亚马逊云开发者」

听说，点完下面4个按钮

就不会碰到bug了！

点击阅读原文查看博客！获得更详细内容！