📢 转载信息
原文作者：Satyanarayana Adimula, Madhu Pai, and Sunita Koppar
保险核保需要分析多个数据源、评估风险并做出符合监管要求的决策。核保人员面临三大核心挑战：
- 数据孤岛：数据分散在客户关系管理（CRM）系统、文档存储库和交易数据库中。
- 监管要求：要求决策具有可解释性和可审计性，而传统的黑盒AI难以满足。
- 一致性需求：需要在整个投资组合中实施一致的自动化核保规则，并进行主动的欺诈检测。
在本文中，我们将展示如何使用Amazon Nova 2 Lite构建一个企业级的核保解决方案，该方案可以统一数据源，并提供可审计的风险评估，从而克服这些挑战。
解决方案概述
该解决方案使用模型上下文协议（MCP）工具来进行保险欺诈检测、申请人风险评估和核保决策。当根据用户查询调用工具时，该工具会从所需的数据源（如Amazon Simple Storage Service (Amazon S3)的文档存储库和Amazon DynamoDB等数据库）获取数据，并调用Amazon Nova 2 Lite大语言模型（LLM）进行分析和决策。在检索到相关的系统提示和提供的上下文后，LLM会返回工具期望的结构化响应。MCP服务器部署在Amazon Bedrock AgentCore运行时中，并使用OAuth 2.0进行入站授权。Amazon Quick Suite的MCP客户端使用服务身份验证进行配置，以允许到MCP服务器的入站连接。用户通过自然语言与Quick Suite的聊天代理进行交互。代理调用所需的MCP工具，并与用户进行多轮对话。
下图说明了解决方案的架构。
图 1：架构和数据流
工作流程包括以下步骤：
- 经过身份验证的Quick Suite用户访问Quick Suite聊天代理，并通过助手聊天界面提交提示。例如：“获取申请人APP-0900的风险情况。”
- 聊天代理与Amazon Quick Suite MCP操作集成集成，以在部署于AgentCore Runtime中的MCP服务器上调用操作。代理分析提示以理解意图，识别关键实体（如申请人ID和索赔编号），并决定调用哪些MCP工具。
- Quick Suite MCP客户端使用OAuth客户端凭证从Amazon Cognito请求访问令牌。Amazon Cognito验证凭证并颁发一个短期访问令牌。Quick Suite将此令牌包含在发往AgentCore Runtime的请求中，后者会根据Amazon Cognito验证该令牌。
- AgentCore Runtime具有内置的翻译功能，可将传入的请求转换为MCP JSON-RPC 2.0格式，并在MCP服务器上调用适当的工具。可以在AgentCore Runtime上启用日志记录，以便在Amazon CloudWatch中记录事件。
- MCP服务器执行工具逻辑，以从DynamoDB和Amazon S3检索数据，并通过Amazon Bedrock Converse API调用Amazon Nova 2 Lite，生成包含详细推理过程的响应。
- 最终响应会转换回以匹配Quick Suite的传入请求协议，然后通过基于聊天代理的助手界面将响应返回给用户。
Amazon Nova 2 Lite可以请求工具并理解工具架构。它会根据用户查询进行推理，以确定所需的工具。然后，它会生成带有经验证参数的工具请求，由MCP服务器执行。解决方案的部署包括以下高层步骤：
- 在Amazon Bedrock AgentCore上托管MCP服务器。
- 将Quick Suite与MCP服务器集成。
- 测试集成。
- 创建并启动Quick Suite聊天代理。
先决条件
部署此解决方案需要满足以下先决条件：
- 一个AWS 账户
- 已设置Author Pro订阅的Quick Suite
- 创建AWS身份和访问管理（IAM）角色和策略以及AWS资源（包括DynamoDB表、S3存储桶、Amazon Cognito用户池和AgentCore Runtime）的权限
- 可以访问安装了AWS SDK和Python的命令行环境
在Amazon Bedrock AgentCore上托管MCP服务器
按照以下步骤在Amazon Bedrock AgentCore上托管MCP服务器：
- 克隆代码仓库。
git clone https://github.com/aws-samples/sample-quicksuite-chatagent-insurance-underwriting.git- 编辑配置文件
config/enterprise_config.yaml，提供MCP服务器名称、Amazon Cognito用户池、包含申请人和索赔的DynamoDB表以及用于医疗记录的S3存储桶的名称。 - 设置虚拟环境：
python -m venv smart_insurance_agent_venv
source smart_insurance_agent_venv/bin/activate
pip install -r deployment/requirements.txt- （可选）生成合成申请人、医疗记录和索赔。如果您不需要合成数据生成，可以跳过此步骤。
python deployment/load_data.py合成数据生成使用faker库生成申请人记录和索赔记录，这些记录以JSON格式持久化到DynamoDB和Amazon S3中的医疗记录中。您可以通过自定义load_data.py来修改记录架构或格式，以生成满足您需求的数据。
- 将MCP服务器部署到Amazon Bedrock AgentCore。
./deployment/deploy.sh此步骤会创建一个Amazon Cognito用户池，构建一个Docker镜像，将其部署到Amazon Bedrock AgentCore，配置IAM权限，并生成docs/QUICK_SUITE_INTEGRATION.md文件，其中包含用于与Quick Suite集成的MCP服务器端点URL和OAuth配置。
- 测试MCP工具的功能：
python tests/test_mcp_functionality.py成功执行此测试脚本后，将显示如下屏幕截图所示的输出。
图 2：在控制台中成功部署和测试MCP服务器的输出
将Quick Suite与MCP服务器集成
接下来，设置从Quick Suite到Amazon Bedrock AgentCore端点的服务到服务OAuth连接。这允许您的Quick Suite聊天代理调用MCP服务器操作来满足用户请求。
- 使用具有Quick Suite Author Pro角色的凭证登录Quick Suite。
- 在Quick Suite控制台中，选择导航窗格中的Integrations（集成）。
- 在Model Context Protocol旁边选择加号图标，以创建新的集成。
图 3：创建MCP集成
- 在Connect（连接）页面上，输入您在Amazon Bedrock AgentCore上托管的MCP服务器的集成详细信息：
- 对于Name（名称），输入一个名称（例如，Insurance Underwriting Expert）。
- 对于Description（描述），输入可选的描述（例如，Integration with Insurance Underwriting MCP Server hosted in Bedrock AgentCore Runtime）。
- 对于MCP server endpoint（MCP服务器端点），输入MCP服务器的URL。
- 选择Next（下一步）。
图 4：MCP端点配置
- 在Authenticate（身份验证）页面上，提供以下信息：
- 对于Authentication settings（身份验证设置），选择Service authentication（服务身份验证）。
- 对于Authentication type（身份验证类型），选择Service-to-service OAuth（服务到服务OAuth）。
- 对于Client ID（客户端ID），输入您的OAuth客户端ID。
- 对于Client secret（客户端密钥），输入您的OAuth客户端密钥。
- 对于Token URL（令牌URL），输入您的OAuth令牌URL。
- 选择Create and continue（创建并继续）。
图 5：身份验证配置
- 在Review（审阅）页面上，审阅集成详细信息，然后选择Next（下一步）。
图 6：审阅所有配置
- 在Share integration（共享集成）页面上，选择Next（下一步）。
图 7：完成集成设置
您可以将此集成共享给组织中可能使用聊天代理进行核保应用程序的用户和组。
测试集成
要测试集成，请完成以下步骤：
- 在Quick Suite控制台中，选择导航窗格中的Integrations（集成）。
- 选择Actions（操作）。
您将看到您创建的集成为Available（可用）状态。
- 选择集成 Insurance Underwriting Expert。
- 选择Test action APIs（测试操作API）。
- 在Actions（操作）下拉菜单中选择要测试的操作。
- 选择Submit（提交）以查看API响应。
创建并启动Quick Suite聊天代理
在本节中，您将在Quick Suite中创建一个自定义聊天代理。完成以下步骤：
- 在Quick Suite控制台中，选择导航窗格中的Chat agents（聊天代理）。
- 选择Create chat agent（创建聊天代理）。
- 在Agent creator（代理创建器）页面上，选择Skip（跳过）。
- 为您的自定义聊天代理添加一个名称。这是聊天代理的标识名称。
- 为您的自定义聊天代理添加一个可选描述，以帮助用户了解其用途。
- 在Configure chat agent（配置聊天代理）页面上，提供以下信息：
- 对于Agent identity（代理身份），定义聊天代理的身份。例如：您是Nova，一个由AI驱动的保险核保分析师，在可解释的风险评估和欺诈检测方面拥有深厚专业知识。您可以通过高级推理能力访问企业保险数据，包括1000多个申请人简介、医疗记录和索赔历史。
- 对于Persona instructions（角色说明），输入有关聊天代理在聊天过程中如何与用户交互的说明。例如：您的透明度和推理能力是关键差异点。始终解释您对建议的信心程度，并承认局限性。将复杂的保险决策分解为清晰、合乎逻辑的步骤。在适当的情况下引用具体的申请人简介、医疗记录和索赔。提供附带详细解释的风险评分。在所有建议中包含监管合规性考虑因素和业务影响。酌情提供后续问题以深化分析。
- 在Actions（操作）下，选择Link actions（链接操作），选择您创建的操作连接器，然后选择Link（链接）。
- 选择Launch chat agent（启动聊天代理）以创建您的自定义聊天代理。您将看到进度“Launching chat agent…”，几分钟后，您将看到“Successfully launched chat agent”。
- 在导航窗格中选择Chat agents（聊天代理），然后选择您创建的聊天代理。
- 选择Chat（聊天）以开始与您的聊天代理聊天。
您现在可以针对特定用例与代理进行聊天。以下截图显示了一个示例。首先询问聊天代理进行特定的风险评估，然后选择发送图标。
请求操作审查几个需要附加信息的操作。确认每个操作所需的附加信息，然后选择Submit（提交）。
代理开始处理查询。
代理返回风险评估。
出于本文目的，我们隐藏了与申请人相关的个人身份信息（PII）和其他详细信息。但是，应用程序的授权用户将能够查看Amazon Nova 2 Lite执行的分析。现在，您可以在不到30分钟内启动并运行一个可用的保险核保代理了！
清理
要清理资源，请使用以下脚本删除您创建的AWS资源：
# Remove all AWS resources to avoid charges
python ./deployment/cleanup.py结论
此解决方案解决了三个核心核保挑战：分散在各个系统中的数据、对可解释决策的监管要求，以及跨投资组合检测欺诈的需求。我们通过结合三个关键组件构建了此解决方案：Amazon Nova 2 Lite为每次核保决策生成透明的分步推理；Amazon Bedrock AgentCore提供带有OAuth 2.0身份验证和自动扩展的托管MCP服务器基础架构；以及Quick Suite提供带有自然语言查询和多轮对话上下文的功能。该架构通过无状态组件（用于水平扩展）统一了来自DynamoDB和Amazon S3的数据，并通过CloudWatch维护完整的审计跟踪以确保监管合规性。借助此解决方案，核保人员可以提出诸如“评估申请人APP-0900的风险”之类的查询，并立即获得详细分析。调查人员可以查询“显示保单生效后30天内提交的所有索赔”，以识别潜在的不信任活动。业务领导者可以通过自然语言交互获得实时的投资组合情报。
要尝试此解决方案，请克隆GitHub 仓库并遵循实施步骤。
作者简介
Satyanarayana Adimula是AWS GenAI调用中心的资深构建者。他在数据和分析领域拥有超过20年的经验，并在生成式AI方面拥有深厚的专业知识，帮助组织实现可衡量的业务成果。他构建了代理AI系统，以自动化工作流程、加速决策制定、降低成本、提高生产力并创造新的收入机会。他的工作涵盖了包括零售、银行、金融服务、保险、医疗保健、媒体和娱乐以及专业服务在内的各个行业的众多大型企业客户。
Sunita Koppar是AWS生成式AI和机器学习领域的资深专家解决方案架构师，她与不同行业的客户合作设计解决方案、构建概念验证并推动可衡量的业务成果。除了她的专业角色外，她还对学习和教授梵语充满热情，积极参与学生社区，帮助他们提升技能和成长。
Madhu Pai，博士，是AWS生成式AI和机器学习领域的首席专家解决方案架构师。他领导战略性AI/ML计划，通过识别客户需求和构建有影响力的解决方案，在不同行业中实现可扩展的影响。此前在AWS任职期间，Madhu曾担任制造业的全球合作伙伴技术负责人，为工业制造业客户提供了推动战略成果的引人注目的合作伙伴解决方案。他在利用数据、AI和ML交付可衡量的业务成果方面拥有超过18年的跨行业经验。
🚀 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