新闻 · AWS Machine Learning Blog
使用 Amazon Bedrock Knowledge Bases 以自然语言查询理赔信息
这篇技术实操指南介绍如何在 Amazon Bedrock Knowledge Bases 上构建一个对话式理赔助手，能够以自然语言回答问题并附上引用来源。内容涵盖从 Amazon S3 摄取理赔文档、使用 AgenticRetrieveStream API 进行查询、多轮追问、元数据过滤以及上下文接地护栏。
en
英文原标题：Query claims in natural language with Amazon Bedrock Knowledge Bases
本文为英文原文的机器翻译摘要，原文见：AWS Machine Learning Blog ↗
- 文章介绍如何用 Amazon Bedrock Knowledge Bases 构建理赔问答助手，以自然语言查询分散在理算员日记、维修估价、警方报告、付款台账和扫描附件中的理赔信息。
- 方案基于 RAG，由 Amazon Bedrock 托管解析、分块、嵌入和向量存储，通过 AgenticRetrieveStream API 进行代理式检索，支持多轮追问和元数据过滤。
- 理赔数据存在冲突或版本更替问题，助手需识别哪份估价、付款或状态为准；因受监管，每个答案必须基于源文档并附引用，便于坐席核实和主管审计。
- 文档以 PDF、Word、文本等原生格式存入 Amazon S3，并配同名 .metadata.json 元数据文件，包含 claim_id、claim_type、status、amount 等字段用于过滤。
- 日期建议存为 YYYYMMDD 整数以支持范围比较，amount 只存一个可比金额，准备金、付款和暂扣保留在正文中；元数据文件限制 10 KB。
关键数据
- 元数据文件限制 10 KB
- 示例金额 14250
- 示例日期 20260709
- 示例 claim_id CLM-100482
- 示例 claim_type auto
- 示例 status open
- 示例 region us-west
- 示例 customer_id CUST-MM-1042
- 示例 has_subrogation true
- 示例 complexity_tier high
- 本演练使用 US West (Oregon), us-west-2
引语
- This post uses synthetic data.
为什么值得看：它展示了如何用托管 RAG 和代理式检索，让受监管的理赔问答在自然语言交互中保持可引用、可审计的答案。