LendingTree基于Amazon Bedrock构建多智能体抵押贷款助手
问题
购房者面对复杂的抵押贷款选择（如贷款类型、期限、利率）和大量专业术语，感到迷茫；监管要求严格，需要准确信息、透明指导和PII保护；传统聊天机器人仅能处理基础问题，无法回答复杂问题并提供个性化匹配。
解决方案
LendingTree部署了三个独立AI智能体（主管、教育、匹配），使用LangGraph进行编排，通过MCP进行智能体间通信，并由Amazon Bedrock提供Amazon Nova Pro和Nova Lite基础模型。所有智能体运行在Amazon ECS with AWS Fargate上，使用Amazon Bedrock Guardrails进行内容过滤和PII编辑，教育智能体基于Amazon Bedrock Knowledge Bases进行RAG，匹配智能体调用内部API提供个性化选项。会话状态通过LangGraph PostgreSQL检查点存储在Amazon RDS上。
结果
该助手自2025年底起在生产环境中处理真实抵押贷款对话，截至2026年Q1统计约1,960次对话和12,100条消息。用户参与度高，活跃用户平均对话持续9分钟、超过10条消息。早期75%对话为教育性质，近期超过50%涉及利率比较、贷款匹配或预审。超过97%的对话无需人工升级端到端处理，仅约3%用户明确请求人工代理。
成本
成本信息待确认。
案例分析
使用场景：多智能体抵押贷款咨询与匹配助手
实施证据：该助手自2025年底以来一直在生产环境中处理真实的抵押贷款对话（The assistant has been handling real mortgage conversations in production since late 2025）。
指标：约1,960次对话；12,100条消息；平均每次对话6.2条消息；活跃用户平均10+条消息、持续9分钟；早期75%对话为教育性质；近期超过50%对话涉及利率比较、贷款匹配或预审；超过97%的对话无需人工升级端到端处理；仅约3%用户明确请求人工代理
经验：语义分块可显著提高知识库检索质量；多知识库冲突可通过域过滤和源优先级解决；智能体间传递完整对话历史与意图摘要可提高相关响应；使用对话历史对短用户响应进行查询重写可改善检索；护栏调优需基于真实对话数据持续进行；基于任务复杂度路由模型（Nova Pro/Nova Lite）可平衡成本与效果；统一PostgreSQL检查点可解决智能体交接时上下文丢失；并行安全检查在不增加延迟的前提下增强防护；独立智能体扩展需手写ECS基础设施，评估AgentCore以简化运维