亚马逊Quick结合Adjudicated Query模式批量核查公寓租约合规
AWS博客介绍一种设计模式：亚马逊Quick聊天界面负责自然语言交互，合规判定仍由确定性规则引擎完成，每次扫描生成可核验的完整性收据，官方判定不经过大模型。
AI解读：博客举例显示，一次针对得克萨斯州租约的扫描输出 10,111 条违规、689 条模糊和 20 条不可读记录，但这些数字来自合成数据，不能据此推断真实租约市场。
博客描述模型在交付路径上出现过三类问题：剥除ILLUSTRATIVE引用标签、把虚构引用呈现为法条、从 20 行样本外推全量范围，因此作者用括号式不可剥离后缀和多层模式标签降低改写风险。
AWS机器学习博客发布文章，介绍一种名为Adjudicated Query的设计模式，用于大规模检查公寓租约是否符合不断变化的州房东-租客法规，并提供可端到端运行的参考实现。文章作者为Anand Komandooru。
该模式将业务人员使用的亚马逊Quick聊天界面与确定性（非AI）规则引擎配对：大模型只把自然语言问题翻译成对固定类型操作的调用，并转述返回结果；不写查询、不确定总体范围、不做判定。
文章给出的场景中，一家运营商持有 50,000 份租约，分布在多个州。每个州按立法时间表发布房东-租客法规，更新节奏不受运营商控制。博客称在此规模下，靠律师逐份阅读不再可行，而把工作交给软件后会出现“屏幕上有一个没人能独立核验的数字”的问题。
Adjudicated Query的组成与边界
文章把该模式描述为有边界的会话层加确定性规则引擎。规则是带版本的数据而非代码，引擎只包含通用比较运算符（gte、lte、equals、exists），不含以司法辖区或主题命名的分支；法律变动是编辑规则手册中的一行，不是代码部署。
博客说明，任何自然语言都不到达查询层，运算符只能选择由人工编写、审核和测试过的固定SQL模板，规则值作为参数绑定。
每次合规扫描都会产生“完整性收据”：compliant + in-breach + ambiguous + unreadable必须等于scanned这一不变量由计数计算得出，并在结果持久化之前断言。无法说明总体构成的运行不会完成，记录不会被静默跳过。
- 会话界面承载计数、完整性收据和带标签的样本；完整结果集放在读取同一数据存储的仪表板，可逐条下钻，模型不会在总结中省略保证。
- 文章将RAG的相似度检索列为“结构上无法达到完整性”，将text-to-SQL列为存在静默缩小总体的类别级风险，规则引擎加BI的方案则被列为完整性与可辩护性均可满足。
参考架构与有界操作面
参考架构中，合规人员使用亚马逊Quick的两个界面：用于提问的聊天代理和用于浏览完整结果集的亚马逊Quick Sight仪表板。
聊天代理先从Amazon Cognito获取OAuth令牌，再通过Amazon API Gateway HTTP API发送MCP请求，由该API在转发到AWS Lambda前验证令牌。Lambda承载MCP服务器和规则引擎，通过RDS Data API读写Amazon Aurora Serverless v2，只有在探索性子句搜索路径中才调用Amazon Bedrock。Quick Sight仪表板通过VPC连接直接读取同一个Aurora存储。
MCP服务器只暴露六个工具：sweep_compliance（对待定生效日期的规则做穷尽式总体扫描，写入判定）、simulate_rule_change（把一个规则测试为建议值，仅返回方向性计数、不记录）、explore_clauses（在过滤后的总体内按语义相似度取前K）、get_finding（单条判定的完整证据链）、list_rules（某日期生效的规则手册及版本、引用、审批人）、check_connection（存活检查，不接触数据）。
- 模型只能从固定操作集合中选择，因此无法自行组合出错误的总体范围。
- 文章称，确定性引擎负责合规逻辑；Aurora Serverless v2（Postgres加pgvector）在单一关系存储中保存规则手册、租约记录、提取状态、判定和运行记录，使完整性收据成为一个SQL计数。
- Amazon Bedrock只服务探索路径：使用Amazon Titan Text Embeddings V2（amazon.titan-embed-text-v2:0）做语义相似度排序，通过跨区域推理配置调用Anthropic Claude Sonnet 5做定性条款评估，不参与官方合规判定。
- 文章提示Amazon Bedrock模型可用性因AWS区域而异，部署前需确认所在区域已开放这两个模型。
文章列出的设计规则
文章列出若干被其称为不可协商的设计规则，用于说明该模式与生成式查询方案的差异。
- 规则是数据；法律变化是规则手册中的一行，引擎不含司法辖区专属分支。
- 自然语言不到达SQL；运算符选择固定模板，规则值作为参数绑定。
- 先确定性后AI；数值比较给出扫描结果，判定不咨询模型。
- 完整性使用精确过滤，向量只用于排序；相似度永不决定成员资格。
- 收据由计算得出，不是手写；不变量在扫描提交前断言。
- 不可读文档被具名列出而非丢弃；每份租约恰好落入一个分类。
- 判定记录只追加；代码库中不存在对判定记录的UPDATE或DELETE。
模型改写风险与部署步骤
文章专门用一节讨论交付路径上的风险：把模型排除在决策路径之外，却又放回交付路径，会在链路末端引入风险。作者称在实践中观察到，模型曾剥除一个警示前缀、在转述中移除ILLUSTRATIVE引用标签并把虚构引用呈现为法条，还曾从 20 行预览样本推断出数据中不存在的总体范围。
文章给出三种应对：把警示写成不可剥离的括号式后缀并在多个载荷层级重复，而不是写成看起来可移除的开头标签；向模型提供真实数据，让它不必从样本猜测；在字段、字符串、摘要等多个结构层级重复模式标签，使至少一个能在改写后存留。
参考实现托管在GitHub，附带合成数据（不含真实客户租约数据）、确定性语料生成和针对已部署栈的验收测试。文章列出的前提包括：一个启用了Amazon Titan Text Embeddings V2和Anthropic Claude Sonnet 5模型访问权限的AWS账户（美国东部弗吉尼亚北部区域us-east-1）、配置好凭证的AWS CLI v2、Python 3.12、用于AWS CDK CLI的Node.js 24。
部署步骤为：克隆仓库并创建Python虚拟环境；引导并部署CDK栈（CDK版本固定为 2.261.0，Aurora预置通常约 11 分钟）；依次运行迁移、语料生成、摄取、Quick Sight配置和验收脚本。文章称语料是确定性的，重建栈会复现相同结果。
- 栈将部署Amazon Cognito（2LO客户端）、带JWT授权器的Amazon API Gateway、AWS Lambda（MCP服务器加规则引擎）、Amazon Aurora Serverless v2和Amazon Quick Sight网络配置。
- 在亚马逊Quick中注册MCP集成时，亚马逊Quick会在注册时对工具列表做快照，若不删除并重建集成，就不会识别新增或改名的工具；部署Lambda本身不够。
- 验收脚本包含 28 项针对已部署栈的检查，另有show_payload.py check_connection用于确认传输存活。
- 文章给出的示例提问为“Which Texas leases violate the late fee cap? Use rules effective 01/01/2026”，回应包含非合规发现样本、以计数呈现的完整性收据、合成数据警示和打开完整仪表板的链接；文中该例计数为 10,111 条违规、689 条模糊、20 条不可读，且刻意不渲染全部 10,111 行。
- 另有路由测试提问：“Find Texas clauses that read like liability waivers.”应调用explore_clauses；“What if the Texas late fee cap dropped to 3%?”应调用simulate_rule_change。
- 清理时用npx [email protected] destroy；示例有意设置非零最小容量，因为暂停的集群会给会话首个问题增加恢复延迟，可改为serverless_v2_min_capacity=0 启用缩容到零与自动暂停。