用 Amazon Bedrock AgentCore 加速并购尽职调查

#用 Amazon Bedrock AgentCore 加速并购尽职调查

并购（Mergers and acquisitions, M&A）团队面临一个持续存在的难题：要在多个收购目标上做彻底的尽职调查，同时还得保住速度和分析的严谨性。团队常常要花数周手工审阅目标，才能找出可行的机会。Amazon Bedrock AgentCore 是一个用来大规模构建、连接和优化智能体（Agent）的平台，不限定框架或模型。它可以编排智能体，在既定护栏内自主完成数据收集、分析和合规检查，从而加快这一过程。

在本文中，我们说明如何在 Amazon Bedrock AgentCore 上构建一套多智能体尽职调查系统。我们给出一套把智能体编排、知识检索和治理控制结合起来的参考架构，然后用一个完整的示例仓库，走一遍部署和运行该方案的过程。

并购尽职调查的难题

以运输和物流为例，分析师要从财务数据库、市场研究应用、监管申报文件和内部知识库里拉取数据，再手工核对。这个过程慢，而且耗费资源。

团队重复劳动时，问题会加重。行业研究、估值模型与竞争分析会为每一笔新交易重新做一遍，而不是建立在以往交易积累的机构知识之上。与此同时，治理方面的顾虑拖慢了人工智能（AI）的采用，因为法务和合规团队需要确信：人工智能生成的洞察是准确的、可追溯的，并且有来源引用支撑。

这四重压力（周期慢、数据碎片化、工作重复、治理要求）让智能体有机会从根本上改变尽职调查的运作方式。

智能体如何改变尽职调查

智能体通过自主收集数据、智能路由、持久记忆和内建可审计性的组合，分别应对这些难题。

在数据收集方面，智能体自主查询多个来源（财务数据库、知识库、市场数据应用程序接口（API）），并把结果综合成初步评估。在我们的测试中，以往需要分析师花费数周的工作在数小时内完成，因为智能体在没有人工介入的情况下处理重复的搜索与摘要循环。

在优先级排序方面，智能体对照战略标准评估机会，并把高优先级交易路由给合适的专业人员。系统不是按顺序审阅每一个目标，而是先把最有希望的候选对象呈现出来，并标出需要更深入分析的具体维度（财务表现、战略契合度、合规风险）。

智能体还会随时间积累机构知识。每一次完成的分析都会丰富共享记忆层，使后续交易受益于先前的研究、估值假设和整合经验。团队不再从零重建上下文。

治理从一开始就做进智能体工作流，而不是事后补上。系统被配置成：智能体发出的每一项断言都有引用作为依据，并由引用检查评估器校验。每一次智能体调用都会产生审计轨迹，护栏在运行时执行组织政策。合规团队可以把每一条被引用的主张追溯到其来源文档。

架构决策：集成套件还是定制构建

我们给出两条实施路径，各自适合不同的组织需要。

方案 1：Amazon Quick（集成方案）

Amazon Quick 提供面向商业智能和研究工作流、开箱即用的人工智能能力。如果你的需求与标准分析模式一致，它是一条通往生产的快速路径。Amazon Quick Research 生成专业的、可导出的深度报告。Amazon Quick Flows 用预置工作流自动化重复任务。Amazon Quick Index 在已连接的数据源上提供统一搜索。

如果你希望快速部署、工作流与标准商业智能模式一致，并且更倾向于全托管服务而不是定制开发，就选择 Amazon Quick。更多信息和参考架构见发布 Amazon Quick。

你也可以用定制的 Amazon Bedrock AgentCore 智能体扩展 Quick，以满足专门需求，例如专有估值模型或战略契合框架。这一模式的一个实际例子见用 Quick 与 AgentCore 构建智能合同管理。那篇文章演示了 Amazon Quick 如何处理文档管理和用户界面，而 Amazon Bedrock AgentCore 如何驱动专门的智能体协作。

方案 2：使用 Amazon Bedrock AgentCore 的定制架构

Amazon Bedrock AgentCore 让你对智能体行为、记忆和协调做细粒度控制。这种方法适合这样的并购团队：拥有专有方法论、复杂的多智能体协调要求、需要与专门的内部系统集成，或者需要对智能体行为和模型选择拥有完整控制。

本文其余部分以运输与物流尽职调查场景为背景，详细探讨这一定制架构。我们部署一套可运行的多智能体系统，针对合成目标调用它，并通过自动化的引用检查评估器校验输出。

参考架构

对于选择定制路径的并购团队，下面的参考架构展示这些部分如何端到端地拼在一起。

图 1：使用 Amazon Bedrock AgentCore 的多智能体并购尽职调查架构

该架构使用 Amazon Bedrock AgentCore 编排多智能体尽职调查工作流。一个主管智能体协调四个专业智能体，每个专业智能体负责尽职调查过程中的一个不同阶段。用户通过 Jupyter notebook 或终端界面交互，而 AgentCore 运行时管理智能体的执行与协作。系统把检索增强生成（Retrieval Augmented Generation, RAG）、结构化财务分析、外部工具集成、记忆和基于策略的治理组合起来，以支持可投入生产的尽职调查工作流。

智能体编排层

Amazon Bedrock AgentCore 运行时通过 Strands Agents SDK 协调多个专业化智能体。主管智能体使用“智能体即工具”（agents-as-tools）模式，按任务要求把请求路由到特定领域的专业智能体。

目标筛选智能体（Target Screening Agent） 把自然语言查询转换成 SQL 并针对 Amazon Aurora PostgreSQL 执行，从而识别收购候选对象。当分析师要求“收入在 1 亿美元到 5 亿美元之间、息税折旧摊销前利润（EBITDA）利润率高于 12% 的中型物流公司”时，智能体把它翻译成参数化查询。然后它取回匹配的行，并用知识库中的叙述性上下文丰富这些结果。

财务分析智能体（Financial Analysis Agent） 使用结构化和非结构化数据源做估值分析。它应用标准估值方法，包括折现现金流（discounted cash flow, DCF）分析和可比公司分析，并通过一个由 AgentCore Gateway 支持的工具拉取市场倍数。智能体生成初步估值，并在行内记录支撑假设，同时标出与历史表现偏离的管理层预测。

战略契合智能体（Strategic Fit Agent） 评估整合风险、协同效应和组织对齐。它从存储在 AgentCore 记忆中的以往交易里检索上下文（使用专用的 prior_deals 命名空间）。然后它把当前目标的画像与已完成的收购相比较，并识别整合风险，同时引用来源备忘录。

合规校验智能体（Compliance Validation Agent） 对照并购治理检查清单审计响应。它调用一个定制的引用检查评估器（实现为 AWS Lambda 函数），该评估器检查响应中的每一条事实性主张，并标出缺少来源引用支撑的断言。

关键架构组件

该架构把结构化和非结构化的企业数据结合起来，使智能体响应立足于已核验的来源。

• Amazon Aurora PostgreSQL Serverless v2 存储结构化的财务和运营数据集。目标筛选智能体从自然语言生成 SQL，并通过 RDS Data API 执行查询，让分析师不必自己写 SQL，就能快速访问目标公司指标。

• Amazon Bedrock Knowledge Bases 是 Amazon Bedrock 中全托管的 RAG 能力，为尽职调查文档建立索引，包括保密信息备忘录（confidential information memorandum, CIM）、财务报表、新闻资料包和内部治理检查清单。智能体检索相关段落并在行内引用。

• AgentCore Gateway 是 Amazon Bedrock AgentCore 的一项能力，让智能体通过与模型上下文协议（Model Context Protocol, MCP）兼容的集成，安全地与外部工具和服务交互。在本架构中，智能体通过该网关调用一个基于 AWS Lambda 的市场数据服务，并用 Cedar 策略对工具使用和智能体交互实施确定性的访问控制。

• AgentCore 记忆 在多次交互之间维护上下文状态和可复用的机构知识。会话记忆保持对话连续性，而长期的 prior_deals 命名空间存储已完成收购中的经验，供后续分析使用。

• AgentCore Evaluations 是 Amazon Bedrock AgentCore 的一项能力，使用基于 Lambda 的评估器自动校验输出质量、引用准确性和特定领域标准。引用检查评估器返回结构化的通过/失败结果，并给出有支撑和无支撑主张的计数。

• Amazon Bedrock Guardrails 在整个工作流中实施安全与响应控制，施加在主管层，使专业智能体的输出经过组织政策检查。

每一次调用都会产生一条 Amazon CloudWatch 日志流和一条 AWS X-Ray 追踪，捕获从主管到专业智能体再到工具调用的完整层级，从而提供端到端可观测性。

安全

并购尽职调查涉及公司所处理的一些最敏感数据：未发布的财务数据、交易条款和整合计划。因此安全是架构中的一等部分。智能体可以调用的每一项 IAM 权限都被限定到特定的亚马逊资源名称（Amazon Resource Name, ARN），而不是通配符。AgentCore Gateway 的市场数据工具更进一步，用 Cedar 策略引擎实施默认拒绝的、基于属性的授权。只有当请求的行业代码匹配已批准的垂直领域时，该工具才会运行。其余一切在运行前就被拒绝。数据库层位于私有的、与互联网隔离的子网中，前面是虚拟私有云（virtual private cloud, VPC）端点。数据存储使用 KMS 进行静态加密，Amazon Bedrock Guardrails 筛查每一条主管响应中的有害内容和个性化财务建议。这一由 IAM、Cedar、网络隔离和加密组成的分层模型，覆盖了处理机密交易数据的系统的不同失效模式。

部署并运行示例

完整的参考实现位于 并购尽职调查多智能体示例 仓库。它附带合成数据（没有真实公司、财务数据或个人可识别信息），支持一条命令部署，并有 Jupyter notebook 演练。一次完整的部署、运行、清理周期的估算费用低于 5.00 美元。

先决条件

部署之前，确认你具备：

• 一个已为 Anthropic Claude 和 Amazon Nova 启用 Amazon Bedrock 模型访问的 AWS 账户。关于按 AWS 区域划分的模型可用性，参阅 Amazon Bedrock 中按 AWS 区域支持的模型。

• AWS Command Line Interface (AWS CLI) v2.15 或更高版本。

• Python 3.11 或更高版本。

• Node.js 20 或更高版本。

• AWS Cloud Development Kit (AWS CDK) v2（npm install -g aws-cdk）。

• 你不需要在本地安装 Docker。智能体容器镜像在 AWS CodeBuild 上构建。

部署到受支持的区域之一：us-east-1、us-west-2、ap-southeast-2 或 eu-central-1。

步骤 1：部署堆栈

克隆仓库并运行部署脚本。首次部署需要 20–25 分钟。

# macOS / Linux
git clone https://github.com/aws-samples/sample-ma-due-diligence-agentcore.git
cd sample-ma-due-diligence-agentcore
./deploy.sh

# Windows
git clone https://github.com/aws-samples/sample-ma-due-diligence-agentcore.git
cd sample-ma-due-diligence-agentcore
.\deploy.ps1

部署脚本核验你的区域和模型访问，创建虚拟环境，运行 cdk deploy --all，灌入合成数据，并执行部署后的冒烟测试。它还会以可编辑模式安装该项目，从而注册 mna 命令行工具，你在下一步用它来调用智能体。

步骤 2：调用智能体

使用 mna CLI，把提示发送给单个专业智能体，或让主管体在它们之间路由：

# Let the supervisor orchestrate across specialists
mna invoke supervisor "Screen the mid-market logistics targets with revenue 100M-500M, then run a DCF on the top hit." --session-id walkthrough-session-00000000-0001

# Target Screening: text-to-SQL on Aurora + KB narrative enrichment
mna invoke target_screening "Screen the target pipeline for transportation companies with revenue between 100M and 500M USD, EBITDA margin above 12%, and fleet size above 200. Surface the top three and tell me what the CIM says about the leader's growth trajectory." --session-id walkthrough-session-00000000-0001

# Financial Analysis: KB retrieval + Gateway-backed market data tool
mna invoke financial_analysis "Run a DCF on Example Corp using the CIM in the knowledge base. Flag any management projection that diverges from historical performance by more than 20% and pull comparable multiples for transportation-logistics mid-market." --session-id walkthrough-session-00000000-0001

# Strategic Fit: AgentCore Memory long-term retrieval
mna invoke strategic_fit "Compare Example Corp' integration profile against our three most recent completed acquisitions. Identify the top three integration risks and cite the source memos." --session-id walkthrough-session-00000000-0001

每一次调用都会在页脚打印一个 trace_id。使用 mna trace <trace_id> 检查该次调用的完整 X-Ray 追踪。

步骤 3：用评估器校验输出

mna evaluate 子命令针对专业智能体的输出运行引用检查评估器：

# Capture a response in JSON format
mna --json invoke financial_analysis "Run a DCF on Example Corp using the CIM." --session-id blog-demo-session-00000000-000002 > run.json

# --session-id accepts any string between 33 and 256 characters --- AgentCore Runtime enforces this length range for runtimeSessionId. The value above is just an example; use a unique string per session (a UUID works well) if you want to keep invocations isolated or omit --session-id entirely to let the client generate one for you.

# Extract response text and citations
python -c "import json,pathlib;d=json.loads(pathlib.Path('run.json').read_text());pathlib.Path('response.txt').write_text(d['text'])"

python -c "import json,pathlib;
d=json.loads(pathlib.Path('run.json').read_text());
pathlib.Path('citations.json').write_text(json.dumps(d['citations']))"

# Run the citation-check evaluator
mna evaluate --response-file response.txt --citations-file citations.json

评估器返回一个结构化结果，标明通过或失败，并给出主张总数、有支撑的主张数，以及任何无支撑的断言。退出码在通过时为 0，失败时为 1，因此可以组合进持续集成（CI）流水线。

步骤 4：查看 notebook

若要按单元格、有引导地走一遍同一工作流：

jupyter lab notebooks/walkthrough.ipynb

该 notebook 依次走过环境校验、数据概览、每个专业智能体一个单元格（带渲染后的响应和引用），以及追踪检查。

清理

为避免持续计费，探索结束后立即销毁全部已部署资源：

# macOS / Linux
./cleanup.sh

# Windows
.\cleanup.ps1

清理脚本运行 cdk destroy --all --force，按依赖关系的相反顺序拆除每一个堆栈。然后它执行一次核验扫描，查找孤立资源：

• 名称匹配 mna-* 的 S3 存储桶。

• 名称匹配 mna-* 的 ECR 仓库。

• 名称中含 mna 的 Amazon Bedrock Knowledge Bases。

• AgentCore 运行时、记忆和网关。

• 名称以 Mna 开头的 AWS CloudFormation 堆栈。

核验脚本会为它找到的资源打印可复制粘贴的命令，以便你确认最终是零成本状态。如果每一次扫描的脚本输出都为空，则所有可计费资源都已移除。关于 CDK 资源清理的更多细节，见 AWS CDK 文档。

后续步骤

我们鼓励你为自己的用例扩展这一架构。下面是几条前进路径：

• 增加生产前端。 AgentCore 全栈入门模板（FAST） 提供基于 React 的用户界面、Amazon Cognito 身份验证，以及可直接与 AgentCore 运行时集成的 Amazon CloudFront 分发。

• 构建更多专业智能体。 示例的 CONTRIBUTING.md 记录了文件布局、Strands 模式，以及注册新智能体的主管体注册过程（例如监管申报智能体或 ESG 评分智能体）。

• 探索高级编排。 Strands Agents SDK 支持多种协调方式，包括智能体即工具、群体（swarms）和智能体图。 多智能体协作模式文档 详细介绍每一种方式。

• 连接更多数据源。 AgentCore Gateway 支持 HTTP API、MCP 服务器，以及 Amazon API Gateway 目标，不限于这里演示的单个 Lambda 工具。

结论

在本文中，我们说明了如何在 Amazon Bedrock AgentCore 上构建一套多智能体系统，以自动化运输和物流领域的并购尽职调查。我们走过了协调专业智能体的架构，这些智能体分别负责目标筛选、财务分析、战略契合评估和合规校验。然后我们部署了可运行的示例，并针对合成收购目标调用了它。

该参考实现演示了每一个架构层（智能体编排、知识检索、结构化数据访问、机构记忆和自动化评估）如何共同构成一个既有能力又可审计的系统。这里展示的模式可以自然延伸到其他尽职调查领域，包括医疗、金融服务和技术收购。

要开始使用，请克隆示例仓库，在你的 AWS 账户中部署该堆栈，并试着修改一个专业智能体或增加一个新的。FAST 模板提供了从这一示例走到带有身份验证、可观测性和完善用户界面的托管应用的路径。

PRIMARY_SOURCE: https://aws.amazon.com/blogs/machine-learning/accelerating-ma-due-diligence-with-amazon-bedrock-agentcore