Amazon Bedrock 以向量提示結合多代理 AI，提升保險文件分類精準度
核心重點
AWS 於 Amazon Bedrock 上推出的「向量提示」分類技術，結合 Strands Agents SDK 的多代理架構，成功協助保險公司每日處理上千份保單、背書、宣誓書與法規表單等文件。透過 Claude Haiku 4.5（Anthropic）與 Titan 多模態嵌入（Amazon）兩大基礎模型，實現文字推理與版面圖形辨識的雙重驗證，大幅降低人工標記的時間與錯誤率。
背景與挑戰
保險業務每日必須對大量文件進行 合規、理賠 與 客服 三大流程的分類。傳統的手動分類耗時且易出錯；而僅依賴單一模型的自動化方案，往往在文字相似但用途不同的文件上失誤。例如，保單背書（endorsement）與法規宣誓書（affidavit）常使用相同術語，若被誤判，可能導致合規違規或理賠延遲。
多代理解決方案的技術構成
-
文件分析代理（Document Analysis Agent）
- 使用 Claude Haiku 4.5 進行深度文字推理，解析文件語意與上下文。
-
向量相似度搜尋代理（Vector Similarity Search Agent）
- 以 Titan 多模態嵌入將文件版面轉換為向量，辨識排版與圖形模式，捕捉僅靠文字難以區分的差異。
-
驗證代理（Validation Agent）
- 作為 Orchestrator（協調者），呼叫前兩個專家代理，對其分類結果進行比對、衝突解決與品質保證，無需自行撰寫複雜的協調程式碼。
此三層結構將分類任務拆解為 專業子任務，每個代理只聚焦於自身最擅長的領域，最終由驗證代理整合輸出，克服單模型在邊緣案例上的局限。
影響與未來展望
測試結果顯示，單一模型在處理需同時考量文字與版面資訊的複雜文件時，正確率明顯低於多代理方案。透過向量提示（vector‑prompt）技術，系統能即時比對文件向量與已標註樣本，提升相似度判斷的敏感度。未來，隨著 Bedrock 上更多基礎模型的加入，企業可自行組合不同模型與工具，打造更彈性的 AI 工作流，不僅限於保險領域，也能應用於金融、醫療與法律等高合規需求的文件處理。
對於關注 AI 文件自動化的讀者而言，這代表 從單一模型向多代理協同 的轉變已成為提升分類準確度與降低營運風險的關鍵路徑。企業若能善用 Amazon Bedrock 的向量提示與 Strands Agents SDK，將在數位轉型的競賽中取得顯著先機。