LendingTree 如何在 Amazon Bedrock 上构建多智能体抵押贷款助手：架构与合规实践

一句话看懂

LendingTree 在 Amazon Bedrock 上构建了一个由三个智能体组成的抵押贷款助手，用 LangGraph 和 MCP 协调，兼顾个性化服务与金融合规。

详细发生了什么

LendingTree 是一家有 25 年以上历史的在线贷款撮合平台，帮消费者比较抵押贷款报价。最近，他们在 AWS 官方博客上分享了基于 Amazon Bedrock 构建的多智能体抵押贷款助手。这个助手负责教育借款人、理解他们的处境，并通过自然对话提供定制选项，覆盖购房或再融资、常规或政府支持贷款、15 年或 30 年期限、固定或浮动利率等复杂选择。

系统架构包含三个独立智能体：监督者（Supervisor）负责意图分析和任务路由，基于 LangGraph 状态机实现计划-执行模式；教育者（Education worker）通过 Amazon Bedrock Knowledge Bases 提供基于真实文档的抵押贷款概念解释；匹配者（Matching worker）调用内部 API 获取利率和资格数据，提供个性化贷款选项。所有智能体通过 Model Context Protocol (MCP) 通信，并运行在 Amazon ECS with Fargate 上。

安全与合规是核心考量。所有输入输出经过 Amazon Bedrock Guardrails 进行内容过滤和 PII 脱敏，同时一个基于 LLM 的安全分类器并行执行对话策略检查，且不增加延迟。系统还通过 PostgreSQL checkpointer 保存会话状态，支持跨轮次和重启的上下文保持。

中文圈视角

对中文用户和开发者来说，这个案例有几个值得关注的要点。首先，LendingTree 选择 Amazon Bedrock 而非自建模型，看重的是其多模型灵活性和 AWS 治理控制，这为国内金融科技公司提供了参考：在监管严格的环境下，平台级的安全和合规能力比模型性能更重要。国内类似场景（如蚂蚁集团、度小满的信贷助手）可能更倾向于使用阿里云百炼或华为云盘古，但 Bedrock 的 Guardrails 和 Knowledge Bases 的集成方式值得借鉴。

其次，多智能体架构中监督者模式对中文开发者有启发：通过 LangGraph 将复杂任务分解为教育、匹配等子任务，每个智能体独立扩展，这比单一模型处理所有请求更可控、更可审计。国内开发者可以尝试用类似模式构建客服或顾问系统，但需注意 MCP 的生态支持。

最后，合规方面，LendingTree 强调 PII 保护和内容过滤是“非协商”的，这与中国《个人信息保护法》和金融监管要求一致。中文开发者应关注如何将 Guardrails 类功能集成到自己的系统中，确保数据出境和内容安全合规。

几条值得记住的细节

• 监督者智能体使用 Amazon Nova Pro 进行复杂推理，用 Nova Lite 处理轻量对话，实现成本与性能的平衡。
• 教育智能体基于 Amazon Bedrock Knowledge Bases，使用 OpenSearch Service 作为向量存储，确保回答有据可依。
• 匹配智能体调用 LendingTree 内部 API，提供基于用户实际资格的个性化贷款选项。
• 所有智能体运行在 ECS with Fargate 上，每个智能体根据自身需求独立扩展，基础设施用 Terraform 管理。
• 系统通过 LangGraph PostgreSQL checkpointer 保存会话状态，用户可随时暂停和恢复对话。

一句话总结

多智能体架构在金融合规场景的落地范例，展示了如何平衡个性化服务与严格监管，对中文金融科技有借鉴意义。