用Amazon Bedrock知识库自然语言查询保险理赔

理赔答案分散在理赔员日志条目、维修估价单、警察报告、付款台账和扫描附件中，而非集中在某个可搜索的字段。保单持有人可能会询问理赔是否已获批准，而理赔员可能需要查找上个月所有超过 10,000 美元的未结汽车理赔。这两项任务都需要快速、准确地查找和整合证据。

检索增强生成（RAG）利用检索到的文档来为模型回复提供依据。Amazon Bedrock Knowledge Bases 是面向文档的托管 RAG 能力。Amazon Bedrock 负责解析、分块、嵌入向量和向量存储，因此你可以构建一个会话界面，从理赔文件中返回带引用的答案。

这篇技术实践文章使用合成理赔记录，不描述实际的生产客户部署。你通过以下步骤构建一个理赔助手，用引用回答自然语言问题：

从 Amazon Simple Storage Service（Amazon S3）提取理赔文档及其元数据。

使用 AgenticRetrieveStream API 用自然语言查询。

提出多轮后续问题。

使用元数据过滤器（如理赔 ID 和理赔类型）缩小检索范围。

添加上下文 grounding 护栏，使答案与记录保持关联。

理赔查询挑战

保单持有人、客服中心代理和理赔员会提出不同的问题：

保单持有人需要简明的状态更新："理赔 CLM-100482 的估价是否已获批准？支票何时发出？"

客服中心代理需要在客户等待时快速、准确地回答，无需转接电话。

理赔员会提出跨理赔的多部分问题，例如上个月提交了哪些超过 10,000 美元的未结汽车理赔，每个理赔还有哪些工作待完成。

答案以 PDF 理赔员报告、Word 往来函件和文本备注的形式存储，而非统一的数据库字段。

记录可能存在冲突或取代早期版本。修订后的估价可能取代早期估价，或者临时付款可能在之后被撤销。助手必须确定哪个估价、付款或状态是有效的。

由于理赔受到监管，每个答案都必须以源文档为依据并包含引用。客服中心代理可以在重复答案之前验证来源，主管可以审计助手是如何得出答案的。

该解决方案使用 Amazon Bedrock Knowledge Bases 从 Amazon S3 索引理赔文档以供检索。

通过 AgenticRetrieveStream 的主动检索功能会规划答案、将多部分问题分解为子查询，并运行一次或多次检索传递。它会在生成回复之前检查证据是否充分。

该 API 流式传输 trace 事件、答案文本和引用。Trace 事件暴露检索计划，每个引用将答案的一部分映射到源理赔文档。

下图展示了两条路径。摄取通道将理赔文档和元数据加载到知识库。检索通道通过 AgenticRetrieveStream 和 Amazon Bedrock Guardrails grounding 检查发送每个问题，然后返回带引用的答案。

图 1：使用 Amazon Bedrock Knowledge Bases 的会话式理赔助手

摄取通道在文档到达时运行：

PDF、Word 或文本格式的理赔文档与匹配的元数据侧文件一起进入 Amazon S3。

摄取作业在文档变化时将 S3 数据源与知识库同步。

知识库在托管向量存储中解析、分块、嵌入和索引文档及其元数据。

检索通道针对每个问题运行：

应用程序调用 AgenticRetrieveStream，传入问题、对话历史记录和可选的元数据过滤器以缩小搜索范围。

基础模型创建子查询并重复检索，直到获得足够证据，最多不超过 maxAgentIteration 轮。

上下文 grounding 检查阻止未被检索记录支持的答案。

Amazon Bedrock 流式传输答案、trace 事件和引用，因此应用程序可以在输出到达时显示。

准备工作

在开始之前，请确认你满足以下条件：

一个 AWS 账户，具有 Amazon Bedrock 和 Amazon S3 的 AWS Identity and Access Management（IAM）权限。

通过 Amazon Bedrock 模型访问获得启用的基础模型（FM）的访问权限。

支持所选基础模型和 Amazon Bedrock Knowledge Bases 的 AWS 区域。本演练使用 US West（Oregon），即 us-west-2。部署前请查看 Amazon Bedrock 中的按 AWS 区域支持的模型。

AWS SDK for Python（Boto3），配置了凭证且版本支持此处使用的 API。

用于合成理赔文档和元数据的 S3 存储桶。

熟悉 Python 和基本 RAG 概念。

准备理赔文档和元数据

在 Amazon S3 中每个理赔存储一个文档。知识库直接读取 PDF 理赔员报告、Word 往来函件和文本备注，因此你可以保持文档的原始格式。

图 2 显示了一个合成理赔记录。Current exposure 是估计的理赔总成本。其证据索引标识了一个被取代的传真草案，意味着一条被新版本替换的记录。元数据侧文件重复了助手可以过滤的字段。

图 2：带有文件控制字段和证据索引的合成理赔记录

为了进行过滤，请添加一个同名的附带元数据文件，后缀为 .metadata.json。对于 CLM-100482.pdf，使用 CLM-100482.pdf.metadata.json。代位追偿是保险公司从负责任的第三方追回成本的努力。以下示例描述了一个汽车理赔：

{
    "metadataAttributes": {
        "claim_id": "CLM-100482",
        "claim_type": "auto",
        "status": "open",
        "date_filed": 20260709,
        "amount": 14250,
        "region": "us-west",
        "adjuster": "Martha Rivera",
        "policyholder": "Mary Major",
        "policy_number": "POL-AUTO-78432",
        "customer_id": "CUST-MM-1042",
        "household_id": "HHD-MM-1042",
        "document_type": "adjuster_report",
        "carrier": "Example Insurance",
        "has_subrogation": true,
        "has_litigation": false,
        "complexity_tier": "high"
    }
}

侧文件包含标量字符串、数字和布尔值。值类型决定可用的过滤器。下表列出了后续查询中使用的字段。

本文使用合成数据。未经所需控制和批准，不得在这些资源中放置真实的个人身份信息（PII）或受保护健康信息。

将日期存储为 YYYYMMDD 整数，因为元数据过滤器比较数字而非日期字符串。此格式支持"上个月提交"之类的范围查询。

在 amount 中仅存储一个可比较的货币值。准备金是为估计理赔成本预留的资金，而保留款是暂时扣留的资金。将准备金、付款和保留款保留在文档文本中，以使其标签保持清晰。

侧文件限制为 10 KB。有关完整格式，请参阅知识库的连接到 Amazon S3。

S3 布局将每个理赔文档与其元数据文件配对：

s3://amzn-s3-demo-insurance-claims/claims/CLM-100482.pdf
s3://amzn-s3-demo-insurance-claims/claims/CLM-100482.pdf.metadata.json
s3://amzn-s3-demo-insurance-claims/claims/CLM-100517.docx
s3://amzn-s3-demo-insurance-claims/claims/CLM-100517.docx.metadata.json
s3://amzn-s3-demo-insurance-claims/claims/CLM-100533.txt
s3://amzn-s3-demo-insurance-claims/claims/CLM-100533.txt.metadata.json

创建托管知识库并摄取理赔

使用 bedrock-agent 客户端创建知识库。将 knowledgeBaseConfiguration.type 和 embeddingModelType 设置为 MANAGED。

Amazon Bedrock 选择并操作嵌入模型。无需向量存储配置。有关所有参数，请参阅 CreateKnowledgeBase。以下代码创建知识库：

import boto3

bedrock_agent = boto3.client("bedrock-agent", region_name="us-west-2")

kb = bedrock_agent.create_knowledge_base(
    name="insurance-claims-kb",
    description="Synthetic insurance claims for the claims assistant",
    roleArn="arn:aws:iam::111122223333:role/InsuranceClaimsKnowledgeBaseRole",
    knowledgeBaseConfiguration={
        "type": "MANAGED",
        "managedKnowledgeBaseConfiguration": {
            "embeddingModelType": "MANAGED"
        },
    },
)
kb_id = kb["knowledgeBase"]["knowledgeBaseId"]

roleArn 服务角色授予知识库读取 S3 存储桶和使用托管嵌入模型的权限。请参阅为 Amazon Bedrock Knowledge Bases 创建服务角色。要使用客户托管的 AWS Key Management Service（AWS KMS）密钥加密托管向量存储，请在 serverSideEncryptionConfiguration 中传递其 ARN。

接下来，将 S3 存储桶连接为数据源。inclusionPrefixes 设置将摄取限制在 claims/ 路径：

启动一个摄取任务来解析、分块、嵌入和索引文档。每当有新的理赔文档添加或更新时，再次运行该任务以保持索引同步：

bedrock_agent.start_ingestion_job(
    knowledgeBaseId=kb_id,
    dataSourceId=data_source_id,
)

可以使用 get_ingestion_job 或 Amazon Bedrock 控制台检查状态。当任务完成后，理赔数据即可被搜索到。详细信息请参阅 StartIngestionJob。

使用 AgenticRetrieveStream API 查询理赔

摄取完理赔数据后，通过 bedrock-agent-runtime 客户端调用 AgenticRetrieveStream。完整的请求和响应语法请参阅 API 参考。请求由三部分组成：

• messages：对话轮次。每条消息有 user 或 assistant 角色，以及 content.text 值。
• retrievers：最多五个知识库。每个知识库包含一个知识库 ID，可以指定元数据过滤器和 maxNumberOfResults（1–100）。对于涉及多个理赔的问题，可以调高该限制。
• agenticRetrieveConfiguration：规划模型和迭代限制。使用 MANAGED 可获得服务托管模型。如需使用特定模型，请使用 CUSTOM 并提供模型 ARN。maxAgentIteration 控制规划和检索轮次的数量。

以下请求询问某个理赔的状态。将 generateResponse 设为 True 会返回自然语言答案：

bedrock_agent_runtime = boto3.client("bedrock-agent-runtime", region_name="us-west-2")

response = bedrock_agent_runtime.agentic_retrieve_stream(
    messages=[
        {"role": "user", "content": {"text": "What is the status of claim CLM-100482?"}}
    ],
    retrievers=[
        {
            "configuration": {"knowledgeBase": {"knowledgeBaseId": kb_id}},
            "description": "Synthetic insurance claim records",
        }
    ],
    agenticRetrieveConfiguration={
        "foundationModelType": "MANAGED",
        "maxAgentIteration": 5,
    },
    generateResponse=True,
)

遍历 response["stream"] 并处理以下三种事件类型：

• traceEvent：报告每一步的规划、检索、完整文档扩展、护栏操作、状态以及生成的子查询。
• responseEvent：提供增量答案文本，可流式传输给用户。
• result：包含去重后的检索结果，以及当 generateResponse 为 True 时的完整生成答案及其引用。

以下循环在答案片段到达时将其流式输出，并保留最终结果用于引用渲染：

answer = ""
final_result = None

for event in response["stream"]:
    if "traceEvent" in event:
        attributes = event["traceEvent"]["attributes"]
        print(f"[trace] {attributes.get('step')}: {attributes.get('status')}")
    elif "responseEvent" in event:
        chunk = event["responseEvent"]["text"]
        answer += chunk
        print(chunk, end="", flush=True)
    elif "result" in event:
        final_result = event["result"]

读取 trace 以查看规划

上述基础循环打印每个步骤和状态。以下辅助函数还会打印子查询、完整文档获取和护栏操作：

def report_trace(trace_event):
    attributes = trace_event.get("attributes", {})
    print(f"[trace] {attributes.get('step')}: {attributes.get('status')}")

for action in attributes.get("actions", []):
        if "retrieve" in action:
            sub_query = action["retrieve"].get("inputQuery", {}).get("text", "")
            print(f"    sub-query: {sub_query}")
        elif "fullDocumentExpansion" in action:
            document = action["fullDocumentExpansion"].get("documentId", "")
            print(f"    full document: {document}")

for warning in attributes.get("warnings", []):
        if "guardrail" in warning:
            print(f"    guardrail: {warning['guardrail'].get('action')}")

图 3 展示了 AI 智能体循环。服务先规划策略、创建子查询、检索证据，然后检查是否已收集足够信息。如有需要，会再执行一轮，然后生成带引用的答案。

图 3：从问题到带引用答案的 AI 智能体检索循环

每个引用都标明了答案中的字符跨度，并引用 result 事件 results 数组中的相关条目。应用程序通过索引将显示的文本与其来源文档关联。

以下代码打印每个被引用的跨度及其来源文档的内置 x-amz-bedrock-kb-source-uri 值：

generated = final_result["generatedResponse"]
results = final_result["results"]

for citation in generated.get("citations", []):
    span = generated["answer"][citation["startIndex"]:citation["endIndex"]]
    for reference in citation["references"]:
        source = results[reference["resultIndex"]]
        source_uri = source.get("metadata", {}).get("x-amz-bedrock-kb-source-uri")
        print(f'"{span}"\n  -> {source_uri}')

在多轮对话中提出后续问题

后续问题依赖于之前的对话轮次。在得到状态答案后，保单持有人可能会问："负责的理赔员是谁？"这里的"它"需要从 conversation history 中传入的 messages 里进行解析。

在应用程序中维护对话。每轮结束后，将用户的问题和助手的答案追加到列表中，然后在下次调用时发送完整的列表：

messages = [
    {"role": "user", "content": {"text": "What is the status of claim CLM-100482?"}},
    {"role": "assistant", "content": {"text": answer}},
    {"role": "user", "content": {"text": "Who is the adjuster assigned to it?"}},
]

response = bedrock_agent_runtime.agentic_retrieve_stream(
    messages=messages,
    retrievers=[
        {"configuration": {"knowledgeBase": {"knowledgeBaseId": kb_id}}}
    ],
    agenticRetrieveConfiguration={"foundationModelType": "MANAGED"},
    generateResponse=True,
)

服务利用之前的对话轮次将"它"解析为理赔 CLM-100482，并检索该理赔的理赔员信息。按照之前的方式处理响应流。

使用元数据过滤器限制检索范围

元数据过滤器在语义搜索之前对文档进行限制。将过滤器添加到 retriever 的 retrievalOverrides 下。使用查询过滤器来提高相关性，根据服务器端已认证会话派生授权过滤器。

对于按理赔 ID 直接查找，使用 equals 过滤器：

retrievers = [
    {
        "configuration": {
            "knowledgeBase": {
                "knowledgeBaseId": kb_id,
                "retrievalOverrides": {
                    "filter": {"equals": {"key": "claim_id", "value": "CLM-100482"}}
                },
            }
        }
    }
]

对于 2026 年 7 月提交的超过 10,000 美元的非封闭汽车理赔，使用 andAll 组合理赔类型、状态、金额和日期条件：

claims_filter = {
    "andAll": [
        {"equals": {"key": "claim_type", "value": "auto"}},
        {"equals": {"key": "status", "value": "open"}},
        {"greaterThan": {"key": "amount", "value": 10000}},
        {"greaterThanOrEquals": {"key": "date_filed", "value": 20260701}},
        {"lessThanOrEquals": {"key": "date_filed", "value": 20260731}},
    ]
}

response = bedrock_agent_runtime.agentic_retrieve_stream(
    messages=[
        {
            "role": "user",
            "content": {
                "text": "Summarize the outstanding items on the open auto "
                        "claims over $10,000 filed in July."
            },
        }
    ],
    retrievers=[
        {
            "configuration": {
                "knowledgeBase": {
                    "knowledgeBaseId": kb_id,
                    "retrievalOverrides": {
                        "filter": claims_filter,
                        "maxNumberOfResults": 50,
                    },
                }
            }
        }
    ],
    agenticRetrieveConfiguration={"foundationModelType": "MANAGED"},
    generateResponse=True,
)

此查询可能匹配多个理赔，因此 maxNumberOfResults 设为 50。限制过小可能导致匹配的理赔被排除在摘要之外。

支持的运算符包括 equals、notEquals、数值比较、in、notIn、stringContains、listContains 以及逻辑 andAll/orAll。startsWith 仅限于 Amazon OpenSearch Serverless 向量存储。请参阅 Metadata and filtering 并确认运算符支持情况。

如果过滤器返回空文档，请检查空结果并返回明确的消息，例如"没有符合条件的理赔"，而不是生成一个答案。

我们在 30 份文档的合成语料库上使用 Retrieve 和 RetrieveAndGenerate 进行了测量，而非 AgenticRetrieveStream。请将结果视为该语料库和元数据模式的基准，而非 AI 智能体检索的性能基准。

这 40 道题的测试套件包括直接查询、比较、别名、已替代记录、已逆转付款以及类似指令的文档文本。自动化基础模型评分使事实级结果具有方向性指导意义。

预期来源检索召回率衡量所需文档被找到的比例。引用召回率衡量所需文档被引用的比例。两者均按文档级计算每道题的平均值，不衡量分块精度。

下表展示了整体结果。

来源：此处描述的 40 道题评估套件和基础模型评分器。

在 20 道对抗性问题上，检索召回率为 96.7%，引用召回率为 90.2%。模型将名称相似的公司区分开来，将指控保留为指控，并忽略了附件内类似指令的文本。

图 4 比较了完整套件和对抗性子集的预期来源检索与引用召回率。这些测量使用 Retrieve 和 RetrieveAndGenerate。

图 4：预期来源检索与引用召回率，完整套件与对抗性子集对比

狭窄的特定理赔问题表现最佳。宽泛的未过滤清单问题产生了最弱的三个结果。

引用覆盖率不能保证答案完整性，因此在需要时应单独测量完整性。

这些结果使用合成文档和自动化评分。在向保单持有人开放助手之前，在你自己的语料库上进行人工审核。

添加安全与治理

理赔助手需要访问控制和有依据的响应。

范围过滤至认证用户

将元数据过滤器视为访问边界。从认证会话中获取 region 或 customer_id，使用 andAll 将其与查询过滤器组合，切勿从用户文本中接受边界。userContext 字段也支持访问控制过滤。

仅授予智能体检索、知识库访问、模型流式输出和护栏操作所需的权限：

{
    "Version": "2012-10-17",
    "Statement": [
        {
            "Effect": "Allow",
            "Action": "bedrock:AgenticRetrieveStream",
            "Resource": "*"
        },
        {
            "Effect": "Allow",
            "Action": [
                "bedrock:Retrieve",
                "bedrock:GetDocumentContent"
            ],
            "Resource": "arn:aws:bedrock:us-west-2:111122223333:knowledge-base/*"
        },
        {
            "Effect": "Allow",
            "Action": "bedrock:InvokeModelWithResponseStream",
            "Resource": "*"
        },
        {
            "Effect": "Allow",
            "Action": [
                "bedrock:GetGuardrail",
                "bedrock:ApplyGuardrail"
            ],
            "Resource": "*"
        }
    ]
}

AWS CloudTrail 记录对 Amazon Bedrock 的调用以供审计。

Amazon S3 默认对对象进行静态加密。参阅配置默认加密。你可以为存储桶和托管向量存储使用客户管理的 AWS KMS 密钥。API 流量使用传输层安全（TLS）。

使用 Amazon Bedrock Guardrails 进行上下文 grounding

添加 Amazon Bedrock Guardrails 上下文 grounding 检查，以阻止低于配置 grounding 或相关性阈值的响应：

• Grounding：与检索到的理赔文档的一致性。
• Relevance：与用户问题的对齐度。

使用 bedrock 客户端创建护栏。参阅 CreateGuardrail 了解所有策略类型，并为理赔选择较高的 grounding 阈值：

bedrock = boto3.client("bedrock", region_name="us-west-2")

guardrail = bedrock.create_guardrail(
    name="claims-assistant-guardrail",
    description="Contextual grounding for the claims assistant",
    contextualGroundingPolicyConfig={
        "filtersConfig": [
            {"type": "GROUNDING", "threshold": 0.85},
            {"type": "RELEVANCE", "threshold": 0.75},
        ]
    },
    blockedInputMessaging="I can't help with that request.",
    blockedOutputsMessaging="I can only answer questions using the claim records.",
)
guardrail_id = guardrail["guardrailId"]
guardrail_version = bedrock.create_guardrail_version(
    guardrailIdentifier=guardrail_id
)["version"]

更高的阈值会阻止更多响应。在理赔工作流中，拒绝回答比生成不支持的内容更安全。在 policyConfiguration 中传递护栏 ID 和版本：

response = bedrock_agent_runtime.agentic_retrieve_stream(
    messages=[
        {"role": "user", "content": {"text": "What is the status of claim CLM-100482?"}}
    ],
    retrievers=[
        {"configuration": {"knowledgeBase": {"knowledgeBaseId": kb_id}}}
    ],
    agenticRetrieveConfiguration={"foundationModelType": "MANAGED"},
    policyConfiguration={
        "bedrockGuardrailConfiguration": {
            "guardrailId": guardrail_id,
            "guardrailVersion": guardrail_version,
        }
    },
    generateResponse=True,
)

智能体检索支持 BLOCK 操作。失败的 grounding 检查会阻止响应，追踪事件记录该干预。

让人保持在循环中审查引用的证据并做出最终理赔决定。

完成后删除资源以避免未来产生费用：

删除知识库。这也会删除托管向量存储：bedrock_agent.delete_knowledge_base(knowledgeBaseId=kb_id)

bedrock_agent.delete_knowledge_base(knowledgeBaseId=kb_id)

删除护栏：bedrock.delete_guardrail(guardrailIdentifier=guardrail_id)

bedrock.delete_guardrail(guardrailIdentifier=guardrail_id)

清空并删除 S3 存储桶。

删除知识库 IAM 角色和策略。

你使用 Amazon Bedrock Knowledge Bases 和 Amazon S3 中的合成文档构建了一个理赔助手。

AgenticRetrieveStream 处理多部分问题、对话历史、元数据过滤器、grounding 检查、流式回答和引用。

同样的模式适用于核保和保单服务文档。在 Amazon Bedrock Knowledge Bases 和使用智能体检索查询知识库中了解更多。