新上线昨天0 投票
用 Amazon Quick 与 Bedrock AgentCore 打造 AI 合同情报平台
当 RAG 遇上“全量合同”问题
企业法务或采购团队常面临这样的场景：手头有 250 份供应商合同，每份 10–20 页，领导层却总在问“整体合同总价值多少？”“哪些合同已经过期？”“最贵的协议是哪一份？”——这些看似基础的问题，答案却散落在数千页非结构化 PDF 里。
传统的 AI 对话工具（基于 RAG 检索增强生成）在处理单份合同时表现不错，但一旦问题需要跨合同聚合，语义搜索只能抓取 top-k 片段，无法完成全量数据汇总。换提示词解决不了，需要换架构。
新架构：AI 智能体提取 + 多模型验证 + 嵌入式分析
AWS 近期分享了一套合同情报平台架构，核心思路是用 AI 智能体自动提取并验证合同字段，再通过 Amazon Quick 的分析能力回答聚合与单合同问题。整个流程运行在一个 Web 应用中。
具体来说：
- 提取阶段：AI 智能体从每份合同中抽取关键字段，如合同金额、到期日、签署状态、关键联系人。
- 验证阶段：采用多模型交叉验证，确保抽取准确率，减少人工复核成本。
- 查询阶段：不再依赖 RAG 语义搜索，而是将结构化数据接入 Amazon Quick，支持自然语言聚合查询（如“总支出最高的供应商”“即将续约的合同”）。
为什么这比“RAG 聊天”更实用？
RAG 擅长“答案在某一处”的问题，但合同组合管理本质是结构化聚合。新架构把非结构化合同转为结构化数据表，再用分析引擎处理，自然能回答“全量”问题。
对于拥有数百份合同的企业，这套方案可将原本需要一周以上的手动提取工作压缩到自动化流程中，且每份新合同都能即时纳入分析。
落地价值与边界
该平台基于 Amazon Bedrock AgentCore 和 Amazon Quick 构建，适合合同量较大、需要频繁回答组合级问题的团队。不过，多模型验证会增加计算成本，且抽取准确率仍取决于合同格式的规范性。对于格式高度不统一的合同，可能仍需人工抽检。
目前 AWS 并未公布具体客户案例或性能数据，但架构思路值得关注：当 RAG 不够用时，用智能体 + 分析引擎替代语义搜索，或许是合同智能的新方向。
