新闻 · AWS Machine Learning Blog
使用 Amazon Quick 和 Amazon Bedrock AgentCore 构建 AI 驱动的合同智能平台
从数百份供应商合同中手动提取数据无法规模化，而 RAG 聊天工具在回答整个合同组合层面的问题时也力不从心。本文分享了一个基于 AWS 的合同智能平台，它使用 AI 代理提取并验证合同字段，然后通过 Amazon Quick 分析来回答聚合问题和单份合同问题。
en
英文原标题：Building an AI-powered contract intelligence platform with Amazon Quick and Amazon Bedrock AgentCore
本文为英文原文的机器翻译摘要，原文见：AWS Machine Learning Blog ↗
- 文章指出，传统RAG（检索增强生成）在单份合同问答上表现良好，但面对数百份合同的聚合问题（如总价值、即将到期合同）时，只能检索top-k片段，无法跨全量数据求和、计数或比较，导致答案错误。
- 核心思路是结构化提取而非改进检索：用AI代理将合同关键字段抽取到数据库，再用分析工具进行聚合查询，同时保留知识库处理单文档问答。
- 平台架构基于AWS：合同PDF存入Amazon S3触发流水线，提取代理（Claude Sonnet系列）读取PDF并抽取8个关键字段及置信度，验证代理（Claude Haiku）独立复核，签名检测分歧时由Amazon Textract作为确定性仲裁。
- 验证结果存入Amazon Aurora PostgreSQL，用户通过WebSocket查看实时状态，并通过嵌入式仪表盘和自然语言聊天代理查询数据；典型情况下合同处理仅需数秒，无服务器架构支持并行扩展。
- 代理使用Strands Agent SDK构建并部署在Amazon Bedrock AgentCore运行时，AgentCore提供无服务器托管、自动扩展和会话隔离；Policy功能可定义安全边界，保护定价条款等敏感数据。
关键数据
- 示例场景：250份供应商合同，每份10–20页，总计最多5,000页非结构化数据。
- 提取代理抽取8个关键字段，每个字段附带置信度分数。
- 提取使用Claude Sonnet 4.6，验证使用Claude Haiku 4.5。
- 典型条件下整个流水线可在数秒内处理一份合同。
引语
- 答案来得又快又自信，却是错的。
- 答案在于结构化提取，而非更好的检索。
为什么值得看：它揭示了RAG在跨文档聚合问题上的根本局限，并给出用AI代理提取加数据库聚合的可行架构，对构建合同智能平台有直接参考价值。