用 Amazon Bedrock 构建多智能体保险文档分类系统

保险行业的文档分类挑战远比表面看起来复杂。一份保单批单与一份监管宣誓书可能包含高度相似的法律术语，但将两者混淆可能导致合规违规或理赔处理延误。传统单模型分类方案在处理需要同时进行文本与视觉分析的复杂文档时往往表现欠佳，这正是多智能体架构被引入的核心原因。

该方案的架构核心是验证智能体，它扮演编排者角色，通过 Strands Agents SDK 将其他两个专属智能体作为可调用工具进行管理。验证智能体收集文档分析智能体和向量相似度搜索智能体的输出结果，识别两者的一致与分歧之处，最终生成带有置信度评分的分类结论，并将低置信度案例标记供人工审核。

文档分析智能体调用 Amazon Bedrock 上的 Claude Haiku 4.5 模型，专注于文本推理与法律语言解读。该智能体能够分析文档内容、元数据及语言特征，提取关键信息并识别文本中指示文档类型的细微模式，生成分类假设。Claude 在理解复杂文档结构和捕捉语义细节方面具有显著优势，是文本层面分析的核心引擎。

向量相似度搜索智能体则从视觉与结构维度对文档进行分析，使用 Amazon Titan 多模态嵌入 G1 将文档转换为高维向量表示。该智能体关注的是文档的外观特征，包括表单版式、表格结构和格式规范，即便文本内容存在差异，这些视觉特征依然能够有效区分文档类型。系统采用 FAISS 进行高效向量相似度搜索，支持与已知文档模板的快速比对。

多智能体架构在工程设计上具备明显优势。模块化设计使每个智能体可以独立开发、测试和迭代；每个智能体均提供决策推理过程，形成可审计的决策链；新智能体可以随时加入而无需重构整体系统；编排层统一处理智能体协调、错误处理和结果综合，降低了系统维护复杂度。

在实施层面，开发者需要配置 AWS 账户并获取 Amazon Bedrock 的访问权限，安装 Python 3.14 及以上版本、AWS CLI 2.0 及以上版本，以及 Strands Agents SDK 和 FAISS 库。完整代码已发布于 GitHub 仓库，开发者可参照技术文档逐步部署文档分析智能体、向量搜索智能体和验证智能体，构建适用于自身业务场景的文档分类系统。

要点

• 多智能体架构将文本推理与视觉相似度搜索结合，有效解决了单模型方案在复杂文档分类中的局限性
• 验证智能体通过交叉验证和置信度评分机制，在提升自动化准确率的同时保留人工复核通道
• Strands Agents SDK 的「智能体即工具」模式使系统具备高度模块化，便于独立迭代和扩展
• Amazon Titan 多模态嵌入结合 FAISS 向量搜索，能够捕捉文档版式和结构特征，弥补纯文本分析的盲区
• 完整方案代码已开源，开发者可直接参考并适配至保险以外的其他文档密集型业务场景