使用 Amazon Quick 和 Amazon Bedrock AgentCore 构建 AI 驱动的合约智能平台 | Amazon Web Services

📌 One-Sentence Summary

AWS 展示了一种合约智能平台架构，该架构通过多模型 AI 智能体进行结构化数据提取，并结合 Amazon Quick 的分析能力，克服了标准 RAG 在聚合方面的局限性。

📝 Summary

本技术指南针对传统检索增强生成（RAG）在跨数百份文档执行组合级聚合时失效的问题提出了解决方案。所提议的方案实施了一条流水线，采用双模型方法——使用 Claude Sonnet 进行提取，Claude Haiku 进行验证——将非结构化的合约 PDF 转换为存储在 Amazon Aurora PostgreSQL 中的结构化数据。为了处理 LLM 在签名检测方面产生的特定幻觉，系统集成了 Amazon Textract 作为确定性的决胜机制。最终层利用 Amazon Quick 提供用于聚合的高级分析仪表板以及用于文档特定查询的自然语言聊天界面，从而创建一个既擅长组合级计算又擅长精确单文档查找的混合系统。

💡 Main Points

以结构化提取解决 RAG 的聚合限制

标准 RAG（语义搜索）仅检索前 k 个片段，使得无法对整个投资组合进行求和或计数。解决方案首先将关键字段提取到数据库中，利用数据库进行数学运算，并利用知识库进行特定查找。

双模型验证确保高风险数据准确性

通过使用两个不同的模型（Claude Sonnet 用于提取，Claude Haiku 用于验证），系统能够捕获单个模型可能自信地重复出现的幻觉，并提示何时需要人工审查。

LLM 与确定性服务的混合使用

该架构采用 LLM 进行上下文理解，但集成 Amazon Textract 的计算机视觉功能用于签名检测，因为 LLM 经常将空签名栏误认为是实际签名。

统一的结构化与非结构化查询接口

集成 Amazon Quick 允许用户在单一自然语言聊天界面中执行聚合查询（通过结构化数据库 Topics）和文档特定查询（通过知识库）。

💬 Key Quotes

答案是结构化提取，而不是更好的检索。

RAG 擅长在文档中查找信息。数据库擅长跨文档聚合。两者都要用。

让大型语言模型（LLM）做它们擅长的事情（文档理解、字段提取、上下文理解），让确定性服务做它们不擅长的事情（视觉元素检测、精确计数、数学运算）。

📊 Article Meta

AI Screening： 85

Source： AWS Artificial Intelligence

Author： Konala McGrath

Category： 人工智能

Language： 英文

Read Time： 11 min

Word Count： 2665

Tags：

AI 与智能应用 , AI Agent , RAG / 检索增强 , AI 工程 , 云原生 / DevOps