裁决式查询模式：用Amazon Quick批量核查租赁合规

为什么合规问答需要"可证明的完整性"

在金融、地产、法务等高度监管的场景中，AI问答系统面临一个根本性挑战：答案不仅要"大概率正确"，还必须"可被证明是完整且可辩护的"。传统的大语言模型直接生成答案，哪怕准确率很高，也难以在审计、诉讼或监管审查时拿出确凿依据。

当需要对数千份租赁合同做合规扫描时，这个问题被放大到无法忽视的程度。漏掉一条违规条款，可能意味着真实的法律与财务风险。AWS 近期提出的 Adjudicated Query（裁决式查询）模式，正是针对这一痛点设计的解决方案。

裁决式查询模式的核心架构

该模式的关键在于三个组件的协同：Amazon Quick 聊天代理、受限的 MCP 服务器（bounded MCP server），以及背后的确定性规则引擎（deterministic rules engine）。

三层职责分离

按照官方描述，这套架构把"理解意图"和"做出判断"两件事彻底拆开：

• Amazon Quick 聊天代理负责对话交互，理解用户用自然语言提出的合规问题，并把结果以可读方式呈现；
• 受限 MCP 服务器作为中间层，约束了代理能够调用的能力边界，避免模型"自由发挥"而偏离既定规则；
• 确定性规则引擎才是真正做判断的地方。它按预定义规则对数据逐条求值，输出结果是可复现、可追溯的。

这种分离带来的直接好处是：答案的"判断逻辑"不由概率模型决定，而由确定性规则承担。模型只负责把问题翻译成规则引擎能处理的查询，以及把结果翻译回人话。

MCP（Model Context Protocol）是 Anthropic 于2024年底提出的开放协议，旨在标准化大语言模型与外部工具、数据源之间的交互方式。其核心思想是为模型定义一套结构化的"能力边界"，明确模型可以调用哪些函数、访问哪些资源，从而取代此前各家自行实现的零散工具调用方案。在本文的架构中，"受限 MCP 服务器"特指经过刻意裁剪的 MCP 实现——它只暴露规则引擎相关的接口，屏蔽了模型可能通过自由工具调用绕过规则的路径。这种"受限"设计是整个可辩护性保证的工程基础：模型即便想"自由发挥"，在协议层面也没有对应的工具可调用。

为什么这套设计能"可辩护"

传统 RAG 或纯 LLM 方案的问题在于，你很难向审计方解释"为什么系统认为这份合同合规"。而裁决式查询模式通过确定性规则引擎，使每一个结论都能追溯到具体的规则条目和数据输入。

原文强调的两个关键词值得细品——**provably complete（可证明的完整）**和 defensible（可辩护的）：

• 可证明的完整意味着系统能够遍历所有相关条款，而不是像向量检索那样"召回最相似的几条"后就停止。对于合规扫描，遗漏即风险，完整性是刚需。
• 可辩护意味着每个答案背后都有确定性的推理链条，可以在监管或法律场景中拿出来作为证据。

这正是用"受限 MCP"包裹规则引擎的意义：它把 LLM 从决策者降级为翻译官，既保留了自然语言交互的便利，又把准确性和完整性交给了可控的工程系统。

传统 RAG（检索增强生成）方案依赖向量相似度召回相关文档片段，再由 LLM 综合生成答案。这一流程存在两个固有缺陷：其一，向量检索按相似度排序后截断，本质上是"尽力而为"的近似匹配，对于"是否覆盖了所有适用条款"这类完整性问题无法给出确定性答案；其二，LLM 的最终推理过程是概率采样，同一输入在不同运行时可能产生措辞甚至逻辑略有差异的输出，难以在审计场景中作为可重现的证据。裁决式查询模式通过将判断逻辑外置到确定性规则引擎，从根本上规避了这两个问题：规则引擎对同一输入始终产生相同输出，且其执行路径可被完整记录和审查。

租赁合规的实际落地

原文以**租赁合规（lease compliance）**作为贯穿全文的示例。设想一家企业持有数千份租赁合同，需要定期核查它们是否符合某项新规或内部政策——人工逐份审阅成本高昂且容易出错。

借助这套模式，合规人员可以直接用自然语言发问，例如"哪些租约不满足某条新规要求"，系统通过规则引擎批量扫描全部合同，返回一份完整、可追溯的违规清单。关键在于"sweep thousands"（批量扫描数千份）的能力，使其具备规模化处理的价值。

可部署的参考实现

值得关注的是，AWS 并未止步于概念，而是提供了基于 **AWS CDK（Cloud Development Kit）**的可部署示例代码。这意味着开发者可以直接获取参考架构，在自己的环境中快速搭建原型，而不必从零设计整套系统。

CDK 以基础设施即代码的方式交付，降低了复现门槛，也让这套模式更容易被评估和定制。对想要验证"确定性 + LLM"混合架构的团队来说，这是一个相对低成本的起点。

AWS CDK（Cloud Development Kit）是 AWS 提供的基础设施即代码框架，支持用 TypeScript、Python、Java 等主流编程语言定义云资源，最终由 CDK 工具链将其合成为 CloudFormation 模板并完成部署。与直接编写 CloudFormation YAML 相比，CDK 的优势在于可以用真正的编程语言表达条件、循环和抽象，使复杂架构的复现和定制更加直观。对于希望评估裁决式查询模式的团队，CDK 示例意味着可以用少量命令在自己的 AWS 账户中拉起完整的参考环境，包括 Lambda 函数、API 网关、规则引擎服务等全套组件，而无需手动逐项配置。

这套模式的适用边界

裁决式查询模式并非万能。它最适合的是规则明确、需要完整性保证、结果需要可辩护的场景——合规审查、政策核查、合同筛查等。对于那些规则模糊、依赖主观判断或探索性的问答需求，确定性规则引擎反而会成为束缚。

换个角度看，这一模式反映了企业级 AI 应用的一个重要趋势：在高风险场景中，不再追求让 LLM 独立完成端到端的判断，而是把它嵌入到一个有明确边界、可审计的工程系统中。MCP 协议在这里扮演了"安全阀"的角色，约束模型的行为范围，让 AI 既好用又可控。

对于正在探索 AI 落地于监管密集行业的团队，这套"聊天代理 + 受限 MCP + 确定性规则引擎"的组合，提供了一个值得参考的工程范式。