LendingTree 在 AWS Bedrock 上构建多 Agent 按揭助手的生产实践

买房是大多数人面临的最大财务决策之一，LendingTree 在 Amazon Bedrock 上构建了一个多智能体抵押贷款助手，让这一过程变得更加清晰易懂。该助手能够教育借款人、了解他们的实际情况，并在自然对话中提供个性化方案。借款人必须在购房或再融资、常规贷款或政府担保贷款、15 年期或 30 年期、以及固定利率或浮动利率之间权衡。此外还有大量术语，如"贴现点"、"发起费"和"债务收入比"。难怪许多人在还没开始之前就已经感到茫然。

LendingTree 25 年来一直在帮助消费者筛选这些选择，连接了数百万人与贷款机构，以找到有竞争力的抵押贷款报价。该公司的理念是每个人都应该拥有做出明智财务决策的工具和知识。AI 驱动的抵押贷款助手正是下一步。

该解决方案必须遵循自成立以来一直指导 LendingTree 的同一标准：准确的信息、透明化的指导，以及严格的用户数据保护。在抵押贷款行业的监管要求下运行，意味着内容过滤、个人身份信息（PII）保护和合规监督不是可选项，而是不可或缺的要求。这使得 Amazon Bedrock 及其内置护栏成为正确的技术基础。

"我们的目标是成为购房旅程中值得信赖的伙伴，一个教育消费者、了解他们情况、并为他们匹配正确报价的向导。Amazon Bedrock 的基础模型和内置护栏让我们从一开始就能以安全性和合规性为基础提供这些服务。"

——Srinivas Madabushi，LendingTree 高级技术副总裁

业内许多公司都添加了用于回答基本问题的聊天机器人。LendingTree 想要走得更远——回答棘手问题，并为借款人匹配有竞争力的报价。这需要一个以上的智能体。

为应对这些挑战，LendingTree 部署了三个独立的 AI 智能体：一个监督者和两个专业工作者（教育智能体和匹配智能体），使用 LangGraph、模型上下文协议（MCP）以及由 Amazon Bedrock 驱动的基礎模型进行协调。所有智能体都在 Amazon Elastic Container Service（Amazon ECS）上作为容器化服务运行，并使用 AWS Fargate。

LendingTree 选择 Amazon Bedrock 是因为其多模型灵活性以及合规团队所需的 AWS 治理内置控制。由于该解决方案在 AgentCore 正式发布之前就已经投入生产，因此选择在 Amazon ECS 而不是 Amazon Bedrock AgentCore 上部署。AgentCore 是一个用于在任何框架或模型下大规模构建、连接和优化智能体的平台。

下图展示了高层架构。

LendingTree 抵押贷款指导多智能体架构

(1) 面向消费者的聊天界面是一个 React 应用，作为容器化服务运行在 Amazon ECS 和 Fargate 上，通过公共端点为 Web 和移动浏览器用户提供服务。

(2) 用户输入和模型输出通过 Amazon Bedrock Guardrails 进行内容过滤（如仇恨言论和脏话检测）以及 PII 删除处理。传入的消息也会经过提示词威胁筛查。

在与 Guardrails 并行的同时，一个基于大语言模型（LLM）的安全分类器负责执行 LendingTree 的对话策略。两项安全检查同时运行，因此这种额外保障不会增加延迟。

业务逻辑层处理 LendingTree 的运营规则：将复杂问题路由给人工支持，并将离题对话进行引导。

(3) 监督者智能体是编排器，基于 LangGraph 构建为状态机，遵循"计划-执行"模式。它的运作方式就像一个组织有序的团队：监督者了解全局并决定需要做什么，而工作者则各自处理最擅长的事项。

监督者是由节点和边组成的图。节点负责执行工作（意图分析、执行规划、响应组合），边根据结果决定接下来发生什么（路由到教育智能体、路由到匹配智能体，或直接回答）。这使得流程变得明确：系统中的每条路径都是定义的、可审计的、可追溯的。

监督者使用 Amazon Nova Pro 分析用户意图并生成执行计划。然后通过 MCP 使用连接池将请求路由到相应的工作者，以实现低延迟调用。关于各区域的模型可用性，请参阅 Amazon Bedrock 中支持的模型。

并非每个任务都需要最强大的模型。监督者实现了多模型架构，根据任务需求自动在 Amazon Nova Pro（用于复杂推理和关键分类）和 Amazon Nova Lite（用于对话响应和轻量分类）之间选择。这在可靠性和成本之间取得了平衡。

规划和执行是刻意分离的。当对话出现问题时，团队可以精确追踪是哪个节点做出了哪个决策。

(4) 教育工作者是耐心的教育者。它帮助用户理解抵押贷款概念，解释产品差异，并通过互动对话提供指导。它运行自己的 LangGraph 工作流，并维护专门的 Amazon Bedrock Knowledge Bases——完全托管的检索增强生成（RAG）能力——针对其领域量身定制，由 Amazon OpenSearch Service 作为向量存储提供支持。每条回复都基于真实文档，而不是仅依赖模型知识。

(5) 匹配工作者是连接者。它收集用户偏好并调用 LendingTree 内部的报价、资格和利率 API。在此基础上，它根据用户的实际情况提供个性化贷款方案。它解读资格标准并帮助用户并排比较选项。

(6) 共享服务通过 Amazon Relational Database Service（Amazon RDS）上的 LangGraph PostgreSQL 检查点处理器处理对话记忆和会话状态。这使得对话可以在多轮对话、智能体交接和服务重启之间保持连续性。用户可以暂停、稍后回来，或提出后续问题而不会丢失上下文。

(7) Amazon Bedrock 提供了一套广泛的基础模型，适用于各种用例。从复杂推理和关键分类（Amazon Nova Pro）到经济高效的对话响应和轻量分类（Amazon Nova Lite），所有模型都通过单一 API 访问。内置 Guardrails 提供可配置的安全控制，而 Amazon Bedrock Knowledge Bases 通过 Amazon OpenSearch Service 等向量存储将智能体与权威内容连接，以实现混合检索。

(8) 内部 LendingTree 服务和 API 提供贷款机构搜索、利率和产品数据、资格和预批准检查、报价比较以及用户档案信息。

(9) 所有服务都在 Amazon ECS 和 AWS Fargate 上运行，每个智能体根据自身需求信号独立扩展。基础设施通过 Terraform 管理，并通过 GitLab 持续集成和持续交付（CI/CD）管道部署，配备自动化测试和健康检查。

从头到尾跟随一个对话

假设用户问："FHA 和常规贷款有什么区别？哪个适合我？"

消息首先通过 Amazon Bedrock Guardrails（2）进行安全筛查。然后监督者智能体（3）从对话记忆（6）中加载对话历史并分析意图，识别出两个需求：解释和个性化比较。它通过 MCP 将教育性问题路由给教育工作者（4），将匹配问题路由给匹配工作者（5）。每个工作者独立运作并返回结果。监督者将两者聚合成一条连贯的回复，在发送前再次通过 Guardrails 运行输出。完整的交流被检查点到 PostgreSQL（6），因此下一轮可以带着完整的上下文继续。

对用户来说，这是一场连续的对话。而在幕后，这是一个协调的工作流，每个决策点都可追溯。

部署和运维

由于智能体通过 MCP 进行通信，每个智能体都可以独立更新、扩展和回滚。教育工作者可以发布新的知识库而不影响监督者或匹配工作者。在运维方面，多智能体系统特有的挑战是追踪跨越多个服务的单个对话。Amazon CloudWatch 日志和 AWS X-Ray 分布式追踪让团队能够跟踪单个对话在所有三个智能体中的旅程，并提供每个智能体的指标和详细计时信息。

从教育到行动。对话数据揭示了消费者实际使用 AI 按揭助理的方式。在上线初期，75% 的对话属于教育性质。用户会问诸如"FHA 贷款是什么？"、"HELOC 是怎么运作的？"或"常规贷款需要多少信用评分？"之类的问题。随着系统成熟和口碑传播，交易意图逐渐增长：最近超过 50% 的对话涉及利率比较、贷款机构匹配或预资格认证——这些行为直接关系到转化。

对话深度反映信任。平均 6.2 条消息的会话长度说明了一件事；而积极参与用户平均 10+ 条消息、持续 9 分钟的会话则说明了另一件事。用户不会在认为无用的系统上维持这种参与度。教育 Worker 构建理解，当用户准备好行动时，自然而然会过渡到匹配 Worker。没有强制转交，没有"重新开始"的时刻。

问题揭示真实的复杂性。最常见的话题包括贷款类型比较（FHA、常规和 VA）、特定信用档案的资质标准、利率谈判策略、过户时间线以及首付的权衡。这些正是静态 FAQ 页面无法很好回答的、取决于具体情况的问题。它们需要上下文：用户在三轮前说了什么、他们符合什么资质、他们在优化什么。这正是对话记忆和 Supervisor 意图分析发挥价值之处——系统维持线索，使每个答案都建立在前一个之上。

拦截率。超过 97% 的对话由系统端到端处理，无需人工升级，只有约 3% 的用户明确请求人工客服。对于一个问题确实困难重重、答错后果严重且受监管的金融产品而言，这个拦截率意义重大。它证明了系统能够作为独立的咨询服务运作，而非呼叫中心前端的分诊层。

数据证实了什么。参与深度才是最重要的信号。更了解情况的用户能做出更好的决策。对话界面能够发现静态表单永远无法组合捕捉的偏好和约束。诸如"我是一名信用评分 650 的退伍军人，想在接下来 30 天内在科罗拉多斯普林斯买房"这样的细节，使下游贷款机构匹配更加相关。这才是最终为消费者服务的方式。

LendingTree 学到的经验，以及下一步

将多智能体系统投入生产，让团队在架构上学到的东西不亚于任何单一功能。

在推出按揭助理之后，LendingTree 意识到构建一个智能体很简单，但扩展到多个智能体需要共享基础设oundation。与其将每个新功能作为一次性构建，LendingTree 正在投资可复用组件。这些包括用于数据访问的共享上下文层、用于工具集成的 MCP 契约，以及标准化部署流程。注册表让团队能够发现现有能力而非重新构建。这让团队能够构建更小、更领域聚焦的能力，然后组合成更广泛的消费者体验。一致的安全、可观测性、评估和复用标准将这一切联系在一起。

智能体设计经验：

Knowledge Bases 的语义分块。与固定大小分块相比，将文档分解为语义连贯的块显著提高了检索质量，因为分块边界与自然话题分隔对齐。

知识库冲突解决。当存在多个 KB 时，有时会出现矛盾信息。领域过滤和来源优先级解决了这个问题：内部 LendingTree 内容在产品特定问题上有优先权，而外部资源服务于通用按揭教育。

智能体间上下文传递。Worker 智能体最初缺乏对更广泛对话的感知。在每次 MCP 请求中传递完整对话历史和意图摘要，使 Worker 能够提供相关回复。

查询重写。用户简短回复如"不确定"或"是的"，在检索前会使用对话历史重写为有意义的、可搜索的查询。这显著提高了检索质量。

护栏调优是持续工作。早期配置会阻止合法问题，因为按揭术语触发了内容过滤器。针对真实对话数据进行调整解决了这个问题。

基于任务的大模型路由控制住了成本：仅在需要推理的地方使用 Nova Pro，其他地方一律使用 Nova Lite。

这些都是智能体设计问题，而非基础设施问题。无论选择何种运行时，它们仍然重要，代表着此次实施留下的持久知识。

基础设施经验：

对话状态管理。早期版本在智能体交接时会丢失上下文。统一的 PostgreSQL 支持的检查点系统配合显式状态序列化解决了这个问题，允许对话在智能体转换和系统重启之间保持。

并行运行安全检查在保持保护的同时维持了延迟。

独立智能体扩展需要对每个智能体手动接线 ECS 容器、健康检查和部署流水线。

团队目前正在评估重新架构到 AgentCore 上，以卸载差异化基础设施工作。这将避免手动接线 PostgreSQL 检查点、ECS 容器和智能体扩展，让工程工作从"让运行时存活"转向"持续优化智能体逻辑和领域知识"。

LendingTree 的生产级多智能体系统证明，AI 智能体不仅能以原型形式服务消费者，还能作为全天候运行的生产系统服务于严格监管的行业。Amazon Bedrock（Nova Pro 和 Nova Lite、Knowledge Bases 以及 Guardrails）提供了模型和安全基础。LangGraph 处理智能体编排，MCP 处理智能体间通信。它们共同在保持严格合规标准的同时，大规模提供个性化按揭指导。

对于构建多智能体系统的组织：要将规划与执行分离，使系统可调试。把安全作为结构性支柱，而非可跳过的步骤。从第一天起就为可复用能力进行设计，这些能力将让你能够在整个组织中扩展这一模式。

要开始在 AWS 上构建多智能体系统，请探索 Amazon Bedrock 文档和 Amazon Bedrock AgentCore，获取托管运行时能力。

使用 Amazon Bedrock AgentCore 构建高度可扩展的无服务器 LangGraph 多智能体系统 —— 了解如何使用 Amazon Bedrock AgentCore 构建和部署基于 LangGraph 的多智能体工作流。

GitHub 上的 AgentCore 示例 —— 探索示例多智能体架构和模式。