AWS 用 Bedrock AgentCore 搭「自学习」文档处理：8 个智能体协同，20 分钟内可部署

AWS 在 2026 年 10 月 14 日的官方机器学习博客发布了一篇技术范式文，演示如何用 Amazon Bedrock AgentCore 搭建会自我学习的智能体文档处理系统。文中给出一套由 8 个专业智能体在 AgentCore 上协同的方案，声称常可在 20 分钟内部署，支持 Amazon Nova 与 Anthropic 的 Claude 系列模型，自动完成分类、抽取、校验并从每一次纠错中学习。Bedrock AgentCore 本身是已正式可用（GA）的平台，本文属于官方教程/参考架构，不是新服务发布。

这次发布的是什么

AWS 在 2026 年 10 月 14 日发布了一篇官方机器学习博客，讲的是怎么用 Amazon Bedrock AgentCore 搭一套会自我学习的文档处理系统。要先说清一点：这不是 AWS 新开了一个服务，而是一篇官方教程与参考架构，主角是已经正式可用的 Bedrock AgentCore 平台。

传统智能文档处理（IDP）方案要为每个文档格式预先配模板、配抽取规则、配校验逻辑，一旦供应商换了个版式就失效。这篇博客给出的替代做法是：用一组 AI 智能体分析每个文档、生成抽取指令、校验结果，并从人工纠错里自动学习，让系统对相似文档越处理越顺手。对经常处理几百家供应商发票、采购单这类版式多变文档的团队，这个思路直接对应了他们的痛点。

文中把方案落到具体数字：8 个专业智能体跨两张图式工作流运行在 AgentCore 上，声称常可在 20 分钟内完成部署，支持 Amazon Nova 与 Anthropic 的 Claude 模型。

可用性与限制

• 平台状态：Amazon Bedrock AgentCore 本身是已正式可用（GA）的平台，本文是在其上搭方案，不是新开服务。
• 前置条件：需要一个 AWS 账号，并开通 Amazon Bedrock 上对 Amazon Nova 与 Anthropic（Claude）模型的访问权限，且所在区域要支持 AgentCore 相关能力。
• 模型依赖：文中方案用了 Amazon Nova 与 Claude，是否可换其他模型以官方文档为准。
• 部署时间：官方称常可在 20 分钟内部署，实际耗时取决于账号、区域与已有基础设施，不是硬保证。
• 数据合规：文档经 Textract、S3 Vectors、Aurora DSQL 等组件处理，涉及业务数据上传与存储，需按自身合规要求确认。
• 区域可用性：AgentCore、S3 Vectors、Aurora DSQL 等能力并非所有区域都支持，以官方区域表为准。
• 价格随官方调整变动，本文不转述任何费用信息。

主要功能

• 自动分类与识别：智能体用 Textract 抽取文本并判断文档类型与来源
• 相似文档匹配：用 S3 Vectors 的向量相似度查找历史文档格式
• 抽取指令生成：遇到新类型时由指令智能体生成抽取提示
• 结构化抽取：抽取智能体输出结构化数据
• 规则校验：校验智能体对照 schema 与业务规则核查结果
• 从纠错中学习：验证失败后由指令修正智能体改提示并重试，成功后保存指令复用
• 监控可观测：通过 AgentCore Observability 与 CloudWatch 看智能体表现

技术原理

这篇博客能确认的技术信息主要有四层。

第一层是架构形态。它不是单智能体，而是 8 个专业智能体分两条图式工作流跑在 AgentCore 上：一条负责识别未知文档类型，一条负责处理已知类型。识别流里包含分析、匹配、指令生成、抽取、校验与指令修正、指令保存；自动化流里则对已知类型直接复用已有指令，校验失败时由排障智能体直接修数据而不动指令。

第二层是学习机制。系统把每一次成功纠错的抽取指令存进知识库，下次遇到同类文档就直接走抽取，不必重新学习。这是它相对传统模板方案的核心差别：模板方案的错误会在相似文档上反复出现，而这套方案让系统积累格式经验。

第三层是接入方式。业务文档通过 Amazon SES 或直传 S3 进入，EventBridge 触发 Lambda 建任务并调用 AgentCore runtime；智能体通过 AgentCore Gateway 的 MCP 接口把 Lambda 变成可用工具，用机器对机器的凭证访问 AWS 资源。

第四层是校验边界。官方强调验证失败时的修正对象是数据还是指令分两条路：已知类型只修数据，未知类型才改指令。这个区分决定了系统什么时候在学、什么时候只在干活。

需要提醒的是，官方给出的「20 分钟部署」「90 天降 90% 关键暴露」这类数字来自厂商自述与案例，第三方独立复现尚未出现；把它当成架构参考更稳妥。

实际体验

按下面几步，用你自己的 AWS 账号就能核对方案是否可落地，不需要现成业务数据：

1. 打开 AWS 官方博客，确认页内日期为 14 OCT 2026，并确认文中针对的是 AgentCore 这套已 GA 的平台，而非新服务。
2. 在 Bedrock 控制台确认你的区域已支持 AgentCore、S3 Vectors 与 Aurora DSQL，并为 Nova 与 Claude 启用模型访问。
3. 按官方架构图先搭最小版：一个分类智能体加一个抽取智能体，用一种你常处理的文档试跑。
4. 故意喂一份版式不同的新文档，观察系统是否进入「未知类型」流并生成新指令。
5. 对同一文档做一次人工纠错，再喂一份同类文档，确认是否复用已保存的指令、不再重学。
6. 若计划上生产，去官方文档核对区域、凭证、数据落点与计费口径。

任何一步与上文描述不符，先确认所用区域与模型访问是否一致，再回到官方文档核对。

项目地址与获取方式

AWS 官方技术博客：https://aws.amazon.com/blogs/machine-learning/build-self-improving-document-processing-using-amazon-bedrock-agentcore/

参考架构与部署说明以 AWS 官方文档为准。请通过 AWS 官方渠道开通相关服务；区域、模型访问与计费以官方页面为准，本文不转述任何费用。

适合谁用

• 处理成百上千家供应商文档、版式多变的团队：这是官方点名的典型场景，模板方案在这里维护成本最高。
• 已经用 Amazon Bedrock 的团队：不需要换平台，直接在 AgentCore 上搭这套工作流。
• 想减少人工数据录入错误的运营与财务团队：自动抽取加规则校验能直接对接这类需求。
• 完全没有 AWS 基础的团队：要先过账号、区域与模型访问三道门槛，学习曲线不低。
• 要求数据完全本地化、不出云的团队：本方案依赖 AWS 一系列托管服务，需自行评估合规边界。

常见问题

这是 AWS 新发布的服务吗？

不是。Amazon Bedrock AgentCore 本身已正式可用，本文是 AWS 在其上演示的一套官方参考架构与教程，主角不是新服务。

能换模型吗？

文中方案用了 Amazon Nova 与 Anthropic 的 Claude 系列模型。是否支持其他模型以 AWS 官方文档为准，本文不替官方下结论。

真的能自我学习吗？

按官方描述，系统会把成功纠错的抽取指令保存复用，对同类文档不再重新学习；但这是「积累格式经验」而非「理解语义」，新类型仍需触发学习流。

多久能部署好？

官方称常见情况下可在 20 分钟内部署，实际取决于你的账号、区域与已有基础设施，不是硬保证。

需要哪些 AWS 服务？

文中涉及 AgentCore、Textract、S3 Vectors、Aurora DSQL、Lambda、EventBridge、CloudWatch 等组件；各能力的区域可用性以官方区域表为准。

相关工具与内容

• 分类：AI 智能体、AI 编程
• 工具页：Claude、ChatGPT、Dify
• 同题材快讯：Grok 4.7 上 Amazon Bedrock
• 延伸阅读：Zread 评测（读代码库产出中文手册）