Natera 基于 Amazon Bedrock AgentCore 的智能语音预约调度案例
问题
Natera 希望改变患者体验，替代人工预约电话；原有系统使用第三方 AI 提供商进行语音交互和编排，存在准确性、可扩展性和对话参与度方面的改进空间。移动采血预约流程要求患者致电、完成身份验证、提供三个偏好日期和服务地点，再由人工团队协调确认，涉及复杂认证和多供应商系统集成。
解决方案
Natera 基于 Amazon Bedrock AgentCore 构建了自动化语音代理，允许患者通过对话预约移动采血服务。架构采用三大核心原则：双 WebSocket 桥接模式（分离电话流与模型推理）、事件驱动延迟掩蔽（并行生成上下文填充响应以掩盖后端延迟）、渐进信任模型（中期对话认证与内存会话转移）。团队将工作负载从 Amazon ECS 迁移到 AgentCore 完全托管的 serverless 运行时，集成 Twilio 进行电话连接、Amazon Bedrock 进行模型推理与知识库 RAG、AgentCore memory 进行跨会话持久化，并使用 Amazon Bedrock Guardrails 实现合规与安全控制。
结果
验证阶段在 500 次端到端呼叫模拟中实现 100% 工具调用准确率，感知延迟中位数 6.8 秒，每次完成通话成本低于 0.01 美元。系统已投入生产用于入站移动采血预约调度，生产四周期内共处理 4,744 通电话，比之前系统增加 5.5%；短呼叫率从 22% 降至 12%；NPS 反馈响应率从 1.09% 提升至 1.60%，上升 47%；验证完成率从 64% 略升至 66%，平均通话时长从 79 秒增至 101 秒。
成本
成本信息待确认。
案例分析
使用场景：移动采血预约的智能语音调度
实施证据：Natera 的语音代理已完成验证测试，现已投入生产用于入站移动采血预约调度；在四周报告窗口内，基于 AgentCore 的系统处理了 4,744 通电话。
指标：500 次端到端呼叫模拟中实现 100% 工具调用准确率，每次工具调用均正确解析参数；感知延迟中位数为 6.8 秒（端到端从患者输入到首次有意义响应），Bedrock 部分为 6.2 秒；每次完成通话成本低于 0.01 美元（包含模型推理、工具执行和内存操作）；生产启动后四周期内共处理 4,744 通电话，比之前系统增加 5.5%；短呼叫率（低于 30 秒的呼叫）从 22% 降至 12%；NPS 反馈响应率从 1.09% 提升至 1.60%，提升 47%；验证完成率从 64% 略升至 66%；已解决交互的平均通话时长从 79 秒增至 101 秒；整体响应准确率超过 90%（基于人工审定的预约结果基准）；基于 200 条代表性患者询问的内部测试中，知识库 RAG 回答准确率超过 90%
经验：延迟感知比原始速度更重要：早期演示中 3-5 秒沉默导致患者可能放弃，通过并行生成上下文填充响应缓解了死寂，无需加速后端调用。；多样输入测试早期暴露盲点：语音识别对不常见族裔姓名误识别，团队构建了低置信度时的字母拼名辅助工具。；每步可观测性揭示真正瓶颈：AgentCore 的 trace 分析显示 70% 的感知延迟来自单一供应商 API 而非 LLM，避免了错误优化。；端到端指标不足以诊断代理系统：必须为每个工具调用独立埋点，才能定位真实约束。；渐进认证需要预先设计：从哈希电话号码到已验证患者 ID 的内存交接模式需在编写代理逻辑前规划，否则改造难度大。