AWS 发布 AI 合同智能平台架构:用 Agent 抽取与多模型校验破解 RAG 聚合盲区
摘要
文章指出主流 AI 聊天工具依赖的 RAG 语义检索在跨全量数据的聚合类问题上天然失效,并以合同智能平台为例,给出用 AI Agent 抽取+多模型校验+嵌入式分析替代'更好的提示词'的 AWS 架构方案。
核心要点
- RAG 会把长文本切块并逐块索引,检索时只返回与问题最相关的 top-k 文本块;当答案需要跨全量数据聚合(如总敞口、即将续约)时,工具会给出'快、自信但错误'的回答。
- 文章给出的量化场景是 250 份供应商合同、每份 10–20 页,合计最多 5000 页非结构化数据;人工逐份提取清完积压需一周以上,且每次追问都要重新筛选分析。
- 领导层反复追问的四个基础问题——组合合同总值、已过期合同、最贵协议、最近签署的合同——恰好是现有 AI 聊天工具普遍答错的典型聚合型查询。
- 提出的架构由三部分构成:AI Agent 负责从合同中抽取结构化数据,多模型交叉校验保证准确率,嵌入式分析与自然语言查询负责即时给出答案。
- 整套能力运行在单一 Web 应用内,构建在 Amazon Quick 与 Amazon Bedrock AgentCore 之上,属于 AWS 官方给出的参考架构而非第三方评测。
原文佐证
- A better prompt won't fix this. A different architecture will.
- RAG breaks long text into chunks and indexes each one individually.
- Each of your 250 contracts runs 10–20 pages, so that's up to 5,000 pages of unstructured data.
AI 洞察
这篇文章真正的信号不是某个新产品,而是 RAG 的适用边界正在被企业实践清晰地划出来:检索解决'找到相关段落',却解决不了'算出一个全量指标'。当 AI 落地进入财务、法务、采购这类要求确定性与可审计的领域时,竞争焦点会从模型能力转向数据管道与校验机制——谁能把非结构化数据可靠地变成可查询的结构化表,谁就拿到了企业 AI 的入场券,而多模型交叉校验这类'笨办法'反而会成为可信度的护城河。