LoanPro 多智能体贷款服务助手:组合路由与 MCP 网关如何在受监管信贷场景中隔离工具访问
LoanPro 与 AWS 合作构建了一套多智能体贷款服务助手,用组合代理路由请求至专职代理、通过 AgentCore Gateway 以 MCP 协议暴露内部 API 为工具。该架构服务于需要实时综合约 1400 个账户字段的贷款服务场景,厂商报告通话时间缩短最高 15%、账户摘要生成低于 15 秒。
贷款服务代理在接听借款人电话时,需要在几十秒内从八个 API 端点综合约 1400 个账户字段——支付历史、贷款条款、未结工单、可用工作流动作——才能给出有意义的回应。LoanPro 与 AWS 生成式 AI 创新中心及合作伙伴 AllCloud 共同构建的多智能体助手,核心设计决策不是让一个大模型处理所有任务,而是用组合代理将请求路由到专职代理,再通过 MCP 网关隔离工具访问。
架构分为三层协作。组合代理接收请求并判断应交给哪个专职代理:一个负责数据检索与账户摘要,另一个负责行动选择与工作流推荐。专职代理通过 AgentCore Gateway 以 Model Context Protocol 调用 LoanPro 内部 API,网关在目录中查找工具、处理认证、管理连接。选择这种分离而非单体模型的理由是可评估性:每个专职代理可以独立测试、调优和扩展,不必因为修改一个功能而重新部署整个系统。
安全边界是受监管场景的关键约束。AgentCore Gateway 将 LoanPro 的 API 隔离在托管边界之后,Lambda 函数验证调用者签名与单点登录服务的一致性,角色权限控制在每次请求时校验,所有 AI 操作写入审计日志并归属到具名责任人。团队选择网关加 Lambda 而非直接集成,基于三个理由:认证集中到托管入口、内部 API 被隔离在托管边界后、新工具加入无需重新部署代理。
评估流程方面,团队用 150 个由领域专家标注的账户建立基准,衡量代理在数据检索、摘要生成和行动选择上的表现,设定 99% 准确率目标并达标。这套框架延续到生产环境作为持续衡量手段。
厂商报告的结果包括:在早期合作伙伴的 800 余名服务代理中,代理此前每次通话有 18%–20%(1–2.5 分钟、5–7 次点击)用于账户定位,助手将其压缩为一次点击;账户摘要在 15 秒内生成,此前需要 3–5 分钟手动导航;内部工单量下降近 8%。这些数据来自 AllCloud 案例研究和 LoanPro 内部基准,未经独立验证。
该架构的适用条件是:内部 API 已存在且可被工具化、合规要求需要审计追踪和权限隔离、多个专职任务需要独立演进。它不解决模型能力本身的问题——如果底层模型无法准确综合 1400 个字段,路由和网关不会改变这一点。