📢 转载信息
原文作者：Nick Biso, Jeff Chen, Jundong Qiao, and Michael Massey
传统的业务报告流程通常耗时且效率低下。协作者每月花费大约 2 小时准备报告，而管理者每月花费多达 10 小时来汇总、审查和格式化提交的内容。这种手动方法常常导致格式和质量上的不一致，需要经过多个审查周期。此外，报告分散在各种系统中，使得整合和分析更具挑战性。
生成式人工智能（AI）为这些报告挑战提供了一个引人注目的解决方案。根据 Gartner 的一项调查，生成式 AI 已成为组织中最广泛采用的 AI 技术，其中 29% 的组织已将其投入实际使用。
本文介绍了生成式 AI 引导的业务报告（重点是撰写关于您业务的成就和挑战），提供了一个智能、实用的解决方案，有助于简化和加速内部沟通和报告。该解决方案遵循 Amazon Web Services (AWS) 的最佳实践构建，使用它您将花费更少的时间撰写报告，而将更多时间专注于推动业务成果。该解决方案解决了三个实际挑战：
- 从海量数据中发掘有价值的见解
- 管理与 AI 实施相关的风险
- 通过提高效率和决策能力推动增长
完整的解决方案代码可在我们的 GitHub 仓库中找到，允许您在自己的 AWS 环境中部署和测试此解决方案。
生成式 AI 解决方案通过自动化增强了报告流程。通过利用大型语言模型（LLM）的处理能力，报告系统可以生成人类可读的报告、回答后续问题，并使非技术利益相关者更容易获取见解。这种自动化降低了成本和对大量人力资源的需求，同时最大限度地减少了人为错误和偏见。结果是达到了手动流程难以实现的准确性和客观性水平，最终带来了更高效、更有效的业务报告。
解决方案概述
这款生成式 AI 驱动的企业撰写助手展示了一种现代化的、无服务器的架构，它利用 AWS 强大的服务套件来提供智能撰写解决方案。该系统在设计时考虑了可扩展性和安全性，结合了 AWS Lambda 函数、Amazon Bedrock 的 AI 功能以及各种 AWS 服务，以创建一个强大的、企业级的撰写助手，帮助组织精简内容创建流程，同时保持高质量和一致性的高标准。
该解决方案采用基于 AWS 服务的无服务器、可扩展设计。让我们探讨一下这些组件是如何协同工作的：
用户交互层
- 用户通过浏览器访问解决方案，该浏览器连接到托管在 Amazon S3 上并通过 Amazon CloudFront 全球分发的前端 Web 应用程序，以获得最佳性能
- Amazon Cognito 用户池负责身份验证和安全的用户管理
API 层
- Amazon API Gateway 中的两种 API 类型管理前端和后端之间的通信：
- WebSocket API 支持报告撰写和编辑的实时双向通信
- REST API 处理提交和检索报告等事务性操作
- Amazon CloudWatch 监控两个 API 的运行情况，以提供操作可见性
- 专用的 AWS Lambda 授权器通过验证用户凭据来保护两个 API
编排层
- 专门的 AWS Lambda 函数负责编排核心业务逻辑：
- 业务报告撰写 Lambda 处理报告起草和用户协助
- 释义 Lambda 提高报告的清晰度和专业性
- 提交 Lambda 处理最终报告提交
- 查看提交 Lambda 检索先前提交的报告
AI 和存储层
- Amazon Bedrock 为报告撰写和释义提供 LLM 功能
- 两个 Amazon DynamoDB 表存储不同类型的数据：
- 会话管理表在活动会话期间维护对话上下文
- 业务报告存储表永久存档已完成的报告
这种架构通过使用仅在运行时产生费用的无服务器组件，促进了高可用性、自动扩展和成本优化。组件之间的通信遵循 AWS 最佳实践进行保护。
您可以通过遵循 GitHub 仓库中的分步说明，在您自己的 AWS 账户中部署此架构。
实际工作流程：报告生成和释义
系统的流程始于通过分类过程分析和归类每个用户输入。此分类决定了系统如何处理和响应输入。系统根据三种不同的分类使用特定的处理路径：
- 问题或命令：当系统将输入分类为问题或命令时，它会激活 LLM 并使用适当的提示来生成相关响应。系统将这些交互存储在对话内存中，从而能够维护上下文以供将来的相关查询使用。这种上下文感知能力提供了连贯且一致的响应，建立在先前的交互之上。
- 验证提交：对于需要验证的输入，系统会启动其评估协议，为您提交的内容提供详细反馈。虽然系统会将这些交互存储在对话内存中，但在验证过程中会故意绕过内存检索。这种设计选择使得验证过程仅基于当前提交的优点，不受先前对话的影响。这种方法降低了系统延迟，并有助于获得更准确、更公正的验证结果。
- 超出范围：当输入超出系统定义的参数时，它会以标准化消息回复：“抱歉，我只能回答与撰写相关的问题。” 这保持了系统能力的明确界限，并有助于防止混淆或不当的响应。
这些分类支持高效处理，同时仅在必要时维护适当的上下文，从而优化了不同交互场景下的性能和准确性。
用户体验演练
在探讨了架构之后，让我们深入了解这款生成式 AI 驱动的企业撰写助手的用户体验。以下演练展示了该解决方案的实际操作，展示了 AWS 服务如何协同工作，为企业用户提供无缝、智能的撰写体验。
主页
主页提供两个视图：协作者（Associate）视图和管理者（Manager）视图。
协作者视图
在协作者视图中，您有三个选项：撰写成就（Write Achievement）、撰写挑战（Write Challenge）或查看我的提交（View Your Submissions）。在本文中，我们演练成就视图。挑战视图遵循相同的流程，但指南有所不同。
在成就视图中，系统提示您提出问题或进行提交。输入内容会经过生成式 AI 工作流程。
以下示例展示了一次不完整的提交以及系统的反馈。此反馈包括一个可视化摘要，突出显示缺失或已完成的部分。系统根据预定义的指南评估提交内容。用户可以在自己的解决方案中采用此方法。在此阶段，重点不应放在语法或格式上，而应放在整体概念上。
如果系统收到不相关的提问，它会拒绝回答，以避免滥用。
在整个对话过程中，您可以提出与撰写业务报告（成就或挑战）相关的问题。
一旦满足所有标准，系统就可以自动释义输入文本，以修复语法和格式问题。如果您需要对输入文本进行更改，可以点击上一步（Previous）按钮，该按钮会将您带回到可以修改提交的阶段。
释义后，系统会显示原始版本和释义版本，并突出显示差异。
系统还会自动提取客户名称元数据。
完成后，您可以保存或继续编辑输出。
管理者视图
在管理者视图中，您可以将来自直属下属的多个提交汇总到一份汇总报告中。下图显示了此界面的外观。
先决条件
要在您的 AWS 账户中部署此解决方案，需要满足以下条件：
- 一个具有管理访问权限的 AWS 账户
- 安装并配置了 AWS CLI (2.22.8)
- 可以访问 Amazon Bedrock 模型（Claude 或 Anthropic Claude）
- 用于前端组件的 Node.js (20.12.7)
- 用于克隆仓库的 Git
部署解决方案
生成式 AI 企业撰写助手使用 AWS CDK 来部署基础设施，使其易于在您的 AWS 环境中设置：
- 克隆 GitHub 仓库：
git clone https://github.com/aws-samples/sample-generative AI-enterprise-report-writing-assistant.git && cd sample-generative AI- enterprise-report-writing-assistant- 安装依赖项：
npm install- 将应用程序部署到 AWS：
cdk deploy- 部署完成后，等待 1-2 分钟让 AWS CodeBuild 过程完成。
- 使用 CDK/CloudFormation 输出中的
VueAppUrl访问应用程序。
部署将创建必要的资源，包括 Lambda 函数、API Gateway、DynamoDB 表以及托管在 S3 和 CloudFront 上的前端应用程序。
有关详细的配置选项和自定义设置，请参阅 GitHub 仓库中的 README。
清理资源
为避免产生额外费用，当不再需要本解决方案创建的资源时，请将其删除：
cdk destroy此命令将删除由 CDK 堆栈配置的 AWS 资源，包括：
- Lambda 函数
- API Gateway 端点
- DynamoDB 表
- S3 存储桶
- CloudFront 分配
- Cognito 用户池
请注意，某些资源（如包含部署工件的 S3 存储桶）在删除之前可能需要先清空。
结论
传统的业务报告既耗时又手动，导致各方面效率低下。这款生成式 AI 企业撰写助手代表了组织处理内部报告流程的一个重大飞跃。通过利用生成式 AI 技术，该解决方案解决了业务报告的传统痛点，同时引入了以前无法实现的功能。通过实时反馈的智能报告撰写协助、用于清晰度和专业性的自动化释义、简化的提交和审查流程以及强大的验证系统，该解决方案为现代业务报告需求提供了全面的支持。该架构有助于安全、高效的处理，在自动化和人工监督之间取得了重要的平衡。随着组织继续应对日益复杂的业务问题，快速生成清晰、准确和富有洞察力的报告的能力不仅是一种优势，更是一种必要。这款生成式 AI 企业撰写助手提供了一个可以随组织需求扩展的框架，同时在报告级别上保持一致性和质量。
我们鼓励您探索 GitHub 仓库，以下载并根据您的具体需求自定义此解决方案。您还可以通过提交拉取请求或提出问题来为项目做出贡献，以进行增强和错误修复。
有关 AWS 上生成式 AI 的更多信息，请参阅 AWS 生成式 AI 资源中心。
资源
关于作者
Nick Biso 是 AWS 专业服务部的机器学习工程师。他利用数据科学和工程技术解决复杂的组织和技术挑战。此外，他还在 AWS 云上构建和部署 AI/ML 模型。他对旅行和多元文化体验的热情也体现在他的工作中。
Michael Massey 是亚马逊网络服务（Amazon Web Services）的云应用架构师，专注于构建前端和后端云原生应用程序。他设计和实施可扩展、高可用的解决方案和架构，以帮助客户实现其业务目标。
Jeff Chen 是 AWS 专业服务部的首席顾问，专注于指导客户完成由生成式 AI 驱动的应用程序现代化和迁移项目。除了生成式 AI，他还横跨 DevOps、数据分析、基础设施预置和安全等多个领域提供业务价值，帮助组织实现其战略云目标。
Jundong Qiao 是 AWS 专业服务的高级机器学习工程师，专注于在各个行业实施和增强 AI/ML 功能。他的专业知识包括构建下一代 AI 解决方案，例如聊天机器人和推动效率与创新的预测模型。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区