Система, которая обслуживает ипотечные запросы без перерывов, уже в продакшене. LendingTree, один из крупнейших онлайн-посредников ипотечных кредитов в США, построил мульти-агентный помощник на базе Amazon Bedrock, объединив три специализированных агента, LangGraph и Model Context Protocol. Ниже разбор того, как всё работает, какие детали важны для разработчиков и какие уроки можно вынести.
Как устроена архитектура из трёх агентов
Три агента в системе, это не просто копии одного и того же LLM, а отдельные модели, каждая из которых отвечает за конкретный блок диалога:
- Агент 1 собирает вводные данные клиента (желаемая сумма, срок, доход).
- Агент 2 вычисляет варианты платежей, учитывая текущие ставки и региональные ограничения.
- Агент 3 проверяет соответствие выбранного продукта банковским правилам и формирует финальное предложение.
Связь между ними обеспечивает Model Context Protocol: после того как агент 1 закончил, он передаёт «контекст» (структурированные данные) агенту 2, а тот, агенту 3. Протокол гарантирует, что каждый последующий агент получает полный набор параметров без необходимости повторного запроса к пользователю. Это экономит время и уменьшает риск ошибок, связанных с потерей информации.
Почему выбран Amazon Nova и как работают guardrails
Для всех трёх агентов использованы модели из серии Amazon Nova. Nova, это семейство моделей, оптимизированных под задачи генерации текста с низкой задержкой и встроенными системами контроля (guardrails). Guardrails автоматически проверяют, не выходит ли ответ за пределы допустимого содержания, например, не предлагает ли небезопасные финансовые условия или не раскрывает конфиденциальные данные.
Эти ограничения особенно важны в финансовом секторе, где любой отклонённый от регуляций ответ может привести к штрафам. В отличие от обычных LLM, где проверка compliance делается вручную или отдельным скриптом, Nova интегрирует её в процесс генерации, что упрощает соблюдение требований к данным.
Как LangGraph упрощает оркестрацию процессов
LangGraph, это библиотека, позволяющая описать рабочий процесс в виде графа узлов (агентов) и ребр (передача контекста). В случае LendingTree граф выглядит линейным: Input → Agent 1 → Agent 2 → Agent 3 → Output.
Преимущество LangGraph в том, что он автоматически обрабатывает ошибки: если агент 2 не смог вычислить платежи (например, из-за отсутствия актуальных ставок), система возвращает запрос к агенту 1 для уточнения данных. Такой «обратный цикл» делает процесс более надёжным, а не просто «поток один-раз» как в классических чат-ботах.
Что меняет 24/7 доступность и какие есть ограничения
Запуск помощника в режиме 24 часов 7 дней решает две основные боли:
- Скорость отклика. Пользователи получают ответ за секунды, а не ждут звонка от консультанта.
- Нагрузка. Система способна обслуживать тысячи одновременных запросов без деградации, благодаря масштабируемости Bedrock.
Тем не менее, автоматизация пока ограничена лишь предквалификацией. Финальное одобрение всё ещё требует участия человека-банковского специалиста, потому что некоторые документы (например, подтверждение дохода) необходимо проверять вручную. Поэтому текущий помощник лучше рассматривать как «умный фильтр», а не как полностью автономный кредитный процессор.
Практический вывод: кто может внедрить подобное уже сегодня
- FinTech-стартапы могут быстро собрать прототип, используя готовый шаблон из AWS Marketplace и подключив свои бизнес-правила к Model Context Protocol.
- Банки получат возможность автоматизировать начальные этапы заявки, снизив нагрузку на колл-центры и сократив время до первого предложения.
- Разработчики найдут в LangGraph удобный способ добавить новые шаги (например, проверку кредитной истории) без переписывания всей логики.
В итоге, мульти-агентный подход на Amazon Bedrock демонстрирует, как современные LLM-модели могут работать в паре с регулятивными требованиями, предоставляя клиентам быстрый и безопасный сервис.
Итог: три специализированных агента, соединённые Model Context Protocol, и guardrails в модели Nova позволяют LendingTree предлагать круглосуточный ипотечный помощник, который сохраняет юридическую чистоту и масштабируется под любой поток запросов. Это пример того, как инфраструктура облачных провайдеров может ускорять внедрение сложных AI-решений в финансовый сектор без компромисса в безопасности.