LendingTree 如何在 Amazon Bedrock 上构建多智能体抵押贷款助手

购房是大多数人一生中最重大的财务决策之一，却也充斥着令人困惑的专业术语——折扣点、贷款发起费、债务收入比，以及固定利率与浮动利率之间的权衡。LendingTree 希望超越行业内普遍存在的基础问答聊天机器人，打造一个能够真正理解借款人处境、解答复杂问题并匹配竞争性报价的智能助手。这一目标的实现，依赖于多个专业智能体的协同配合，而非单一模型的独立运作。

系统的核心架构由三个独立 AI 智能体构成：监督智能体负责全局编排，教育智能体与匹配智能体各司其职。监督智能体基于 LangGraph 构建为状态机，采用计划-执行模式运作——它分析用户意图、制定执行计划，再通过 MCP 连接池将任务路由至对应的工作智能体。图中的节点负责具体工作，边则根据结果决定下一步走向，使整个流程清晰可审计、可追溯。

在模型选择上，系统实现了多模型动态调度策略：复杂推理与关键分类任务调用 Amazon Nova Pro，对话响应与轻量分类任务则切换至成本更低的 Amazon Nova Lite。这种按需分配的机制在保障可靠性的同时有效控制了运营成本。计划与执行阶段的刻意分离，也使得问题溯源更加精准——当对话出现异常时，团队可以准确定位是哪个节点做出了哪项决策。

教育智能体运行独立的 LangGraph 工作流，并维护专属的 Amazon Bedrock Knowledge Bases，以 Amazon OpenSearch Service 作为向量存储后端，通过检索增强生成（RAG）技术确保每条回答都有真实文档作为依据，而非单纯依赖模型的参数化知识。匹配智能体则调用 LendingTree 内部的报价、资格审查与利率 API，根据用户的实际情况生成个性化贷款方案，并支持多方案并排比较。

合规性是整套系统的设计前提而非事后补丁。所有消息在进入智能体流程前，均须通过 Amazon Bedrock Guardrails 的内容过滤（包括仇恨言论与不当内容检测）和 PII 脱敏处理，同时接受提示注入威胁扫描。与此并行运行的 LLM 安全分类器负责执行 LendingTree 的对话策略，两套机制同步运行，不引入额外延迟。业务逻辑层则处理运营规则，将复杂问题路由至人工支持，并将偏题对话重定向回正轨。

会话持久化通过 LangGraph PostgreSQL 检查点机制实现，状态存储于 Amazon RDS，使用户可以随时暂停对话、稍后继续，跨智能体切换后也不会丢失上下文。LendingTree 技术高级副总裁 Srinivas Madabushi 表示，Amazon Bedrock 的基础模型与内置护栏让团队从一开始就能以安全合规的方式交付产品。该系统目前已在 Amazon ECS 上全面投入生产运行。

要点

• 多智能体分工架构将监督、教育、匹配三类职责解耦，使每个智能体专注于自身擅长的领域，同时保持全局流程的可审计性
• 多模型动态调度策略——复杂任务用 Nova Pro、轻量任务用 Nova Lite——在推理质量与运营成本之间实现了可控平衡
• 内容过滤、PII 脱敏与 LLM 安全分类器并行运行，在不增加响应延迟的前提下满足金融行业的严格合规要求
• 基于 RAG 的教育智能体将回答锚定于真实文档，有效降低了模型幻觉风险，提升了金融信息的可信度
• LangGraph PostgreSQL 检查点机制确保会话状态跨轮次与跨智能体切换后持续保留，显著改善了用户体验的连贯性