一句话结论
Amazon 发布基于 Quick 与 Bedrock 的合同智能平台方案，通过结构化提取解决全量数据聚合难题，月处理千份合同成本约 349 美元。
关键要点
- 传统 RAG 架构仅检索 top-k 文本块，无法准确回答跨越数百份合同的总敞口等聚合性问题，导致结果错误。
- 方案采用双代理架构：一个代理提取字段，另一个独立验证，两者部署于 Amazon Bedrock AgentCore 的无服务器运行时环境。
- 当两个模型对签署状态等字段产生分歧时，自动触发 Amazon Textract 进行计算机视觉裁决；若仍无法确定，则路由至人工审查。
- 在每月处理 1000 份合同的规模下，AI 推理成本仅 12 美元，总基础设施与许可成本约为 349 美元，可变成本随规模线性增长。
- 仪表盘通过 Amazon Quick 嵌入 React 应用，直接查询 PostgreSQL 数据库而非使用缓存，确保数据实时性并支持自然语言查询。
背景与事实
在供应链管理与法律合规领域，承包商总监通常需要管理数百甚至数千份供应商合同。这些合同包含金额、到期日、签署状态及关键联系人等核心数据，但往往锁定在 PDF 等非结构化文档中。传统处理流程依赖人工手动提取信息并维护电子表格，不仅耗时（清理积压需一周以上），且后续查询面临数据陈旧或公式错误的风险。例如，一个包含 250 份供应商合同的组合，每份 10 至 20 页，总计可达 5,000 页非结构化数据。当用户询问“总合同价值”或“即将续签的合同”时，依赖检索增强生成（RAG）的 AI 聊天工具会失效。这是因为 RAG 架构仅将长文本分块并索引，搜索时只返回与问题语义最相关的少数文本块（top-k），系统无法对全数据集聚合，导致加总结果错误。这一局限性并非单个工具的缺陷，而是当前主流 AI 聊天工具在处理跨文档聚合问题时的架构固有短板。
针对这一痛点，Amazon 在机器学习博客中发布了一套基于 Amazon Quick 与 Amazon Bedrock AgentCore 的 AI 驱动合同智能平台构建方案。该方案的核心逻辑是放弃“更优检索”，转而采用“结构化提取”。AI 代理将非结构化文档转换为结构化数据库字段，利用数据库进行数学运算和聚合分析，原始文档则保留在知识库中用于单文档级查询。技术栈基于 AWS 的 React Web 应用程序，使用基于 Strands Agent SDK（开源模型驱动框架）构建的两个代理：一个负责字段提取，另一个独立校验，两者均部署于 Amazon Bedrock AgentCore 的运行时环境。AgentCore 提供无服务器托管、自动扩缩容及会话隔离功能。通过 AgentCore 的 Policy 功能，利用 Cedar 策略在代理代码外部定义安全边界，保护定价条款等敏感数据，实现最小权限访问。
在提取与验证环节，两个代理选用不同的基础模型。这种双模型模式旨在提高准确性，当两个独立模型对结果产生分歧时，即触发人工审查或确定性服务裁决。测试中发现验证模型存在特定故障模式：在无签名的情况下，曾以 95% 至 100% 的置信度误判合同已签署，误将空白签名栏识别为证明。为此，架构引入 Amazon Textract 作为决胜机制，利用计算机视觉而非语言理解检测手写或数字签名，仅当两模型在 is_signed 字段上分歧时运行以控制成本。仪表盘包含多种视图，通过嵌入 Amazon Quick 的聊天代理，用户可用自然语言查询合同组合。该代理连接 Topic（用于结构化数据库查询）和知识库（用于文档级搜索），支持在单一界面回答结构化分析和文档问答。React 前端通过基于 WebSocket 的实时状态更新显示合同处理阶段，使上传等待体验透明化。
影响分析
这一方案对中文开发者及企业合规从业者具有直接的工程参考价值。首先，它明确了 LLM 处理非结构化文本与数据库处理数值查询的边界：利用大语言模型（LLM）处理文档理解、字段提取及上下文理解，利用确定性服务（如 Amazon Textract、PostgreSQL）处理视觉元素检测、精确计数及数学运算。对于在构建合同审查、财务对账或法律合规系统的团队而言，这提供了一种可落地的架构模式，即“提取-验证-裁决”流水线。其次，成本结构极具吸引力。在每月处理 1000 份合同的规模下，AI 推理成本仅 12 美元，主要成本来自 Amazon Quick 许可（290 美元）及基础设施（44 美元 Amazon Aurora Serverless v2 等），总计约 349 美元。这种低成本、高扩展性的无服务器架构，使得中小型企业也能负担得起实时的合同智能分析，不再受限于昂贵的传统 BI 工具或大规模固定分析许可费用。此外，该方案强调通过 Cedar 策略定义安全边界，保护敏感数据，符合企业在处理合同定价等机密信息时的合规要求。
适用边界
该方案的结论主要适用于能够通过结构化字段提取覆盖业务场景的合同管理领域，如供应商管理、采购合规及财务对账。其核心优势在于解决跨文档的聚合查询问题（如总数、平均值、即将到期统计）。然而，对于高度非结构化、缺乏明确字段定义的自由文本分析场景，或需要极复杂逻辑推理而非简单数值聚合的场景，该方案的“提取-数据库”模式可能不适用。此外，文章引用的语言模型选项变化较快，方案中建议用户在部署前重新测试当前可用模型，因为模型能力的更新可能改变提取与验证的最佳组合策略。价格基于博客发布时的计费标准，实际成本需根据最新定价页面核实。
孤本观察
这一架构设计通过引入确定性服务（Amazon Textract）作为模型分歧的裁决者，有效解决了 LLM 在处理视觉签名等模糊特征时的可靠性问题。这是一种将“不确定性模型输出”转化为“确定性数据”的工程智慧，值得在处理关键业务数据时借鉴。
常见问题
在每月处理 1000 份合同的场景下，该方案的总成本及主要构成是什么？
总成本约为 349 美元。主要构成包括 AI 推理成本 12 美元、Amazon Quick 许可费 290 美元，以及包含 Amazon Aurora Serverless v2 等在内的基础设施成本 44 美元。
当两个 AI 代理对合同签署状态等字段判断不一致时，系统是如何处理的？
系统自动触发 Amazon Textract 进行计算机视觉裁决，通过检测手写或数字签名来确定结果；若 Textract 仍无法确定，则会将该任务路由至人工审查环节。
为什么传统 RAG 架构无法准确回答跨越多份合同的总敞口等聚合性问题？
传统 RAG 架构仅检索与问题语义最相关的少数文本块（top-k），无法对全数据集聚合。其将长文本分块索引的特性导致系统无法执行跨文档的数学运算，从而产生错误的加总结果。
该方案中的双代理架构是如何部署的，使用了什么安全策略？
两个代理（一个提取、一个验证）均部署在 Amazon Bedrock AgentCore 的无服务器运行时环境中。通过 AgentCore 的 Policy 功能，利用 Cedar 策略在代理代码外部定义安全边界，以保护敏感数据并实现最小权限访问。
该方案中仪表盘的数据查询方式与传统缓存有何不同，带来了什么优势？
仪表盘通过嵌入 React 应用的 Amazon Quick 直接查询 PostgreSQL 数据库，而非使用缓存。这种方式确保了数据的实时性，并支持用户通过自然语言进行查询。