2026年10月2日，AWS Machine Learning Blog 发布文章介绍 Adjudicated Query 模式，说明如何通过 Amazon Quick 对话界面提出合规问题。文章以租赁合同合规审查作为贯穿示例。设计的核心，是把人们提问时使用的自然语言，与执行预先定义规则的机制分开。

在文章描述的模式中，对话层承担受限的职责。模型将问题转换为对固定类型操作的调用，然后用语言转述操作返回的结果。模型不会编写查询，不会选择接受检查的对象总体，也不会自行判定某个案例是否合规。这个边界很关键：自然语言回答是规则工具结果的交互入口和说明方式，回答本身并不是合规判定。

判定由规则引擎负责

Adjudicated Query 将聊天界面与确定性规则引擎组合起来。用户可以用日常语言提出问题，系统则把问题映射到可用的、具有明确类型的操作之一。规则引擎返回结果，再由对话层进行说明。这样，人们可以用熟悉的方式提问，同时避免模型自行编造查询或独立评价租赁条款。

文章还介绍了完整性回执。在结果持久化之前，回执声明合规、违约、含糊和不可读取记录的数量之和等于扫描总数。因此，回执涉及的是已处理总体在这些类别中的计数分布。仅凭这一声明，不能证明规则正确、输入数据准确，也不能证明提交检查的总体涵盖了所有相关记录。

参考架构

在参考架构中，MCP 请求经由 Amazon API Gateway 和 AWS Lambda 传递到 Amazon Aurora Serverless v2。Amazon Quick Sight 通过 VPC 连接读取同一个 Aurora 存储。文章描述的系统因此既有供操作调用使用的请求路径，也有供结果仪表板读取的共享数据存储。

在这一设计说明中，Amazon Bedrock 的用途较为有限：它用于探索性地搜索合同条款，不参与正式的合规判定。规则评估与帮助查找相关文本的搜索由此保持区分。文章没有把 Bedrock 描述为裁决者，也没有把聊天输出称为独立的法律评估。

示例展示的内容

在说明性示例中，针对德克萨斯州滞纳金上限的扫描报告了10,111条违规记录、689条含糊记录和20条不可读取记录，同时提供完整性回执，并注明数据为合成数据。这些数字属于示例，并非对真实客户租赁合同的调查结果。文章说明，示例附带合成租赁数据以及占位规则和引用，因此不能把这些内容当作经过验证的法律指导。

文章还说明了仪表板上的结果如何呈现。每一行代表一个“租赁合同—规则”配对，并包含合同编号、触发的规则、提取出的值和预期值。某条发现的详细信息还会显示对应合同条款和规则信息。这些字段把结果关联到特定合同和检查项，为读者理解所展示的结果提供背景。

可能适用的领域

AWS以租赁合规作为主要示例，同时列出保险理赔裁定、制裁筛查和出口管制，作为该模式可能适用的其他领域。在这些场景中，这种方式可以让人通过自然语言问题访问预先定义的检查。不过，实际执行仍取决于系统中定义的操作、规则，以及提交检查的对象总体。

设计的主要思路是明确分工：对话帮助用户提出问题并理解结果，确定性机制负责评估固定规则。完整性回执表达的是对已扫描总体中各类别数量之和的检查，仪表板行则把合同、规则和值联系起来。因此，阅读结果时应结合特定检查的范围和假设。架构说明和示例数字不能保证现实世界中的正确性、法律合规性，也不能证明覆盖范围超出实际扫描的总体。