AWS发布使用Textract预处理复杂账单文档的Bedrock知识库定制方案
该方案将Textract的高精度文本提取与Bedrock生成式AI结合，帮助客服团队从PDF和图片等格式的公用事业账单中自动提取信息并回答查询，解决原始文档直接输入大模型时的信息遗漏和幻觉问题。
AI解读：这条新闻的实用价值在于：客服团队如果直接把PDF、图片等格式的账单塞给大模型做检索增强生成（RAG），常常会漏掉到期日、金额、账号等关键信息，甚至让模型一本正经地编造答案。AWS给出的解决思路是先用Textract做一次预处理——它能把PDF、Word、Excel、图片里的文字和表格干净地提取出来，并标好上下文；Bedrock知识库只接收经过清洗和标签化的文本，再回答用户的提问。这样相当于给大模型配了一个更可靠的“资料员”，降低幻觉发生的概率。受益最直接的是那些每个月要处理几千张格式不一的账单的企业，比如公用事业公司的客服或后台运营。部署不需要写代码，GitHub上有现成脚本，一条命令创建CloudFormation堆栈，自动生成Lambda、S3、OpenSearch Serverless和Bedrock知识库等资源。不过文章没有给出任何质量测评数据，比如错误率下降多少、响应提速多少，所以只能把它视为一种AWS官方推荐的最佳实践，而不是经过验证的基准测试。如果团队现在正被多格式文档的问答准确性困扰，可以考虑按这篇文章的框架做一次技术验证，用自己手头的账单样本对比一下预处理前后的回答质量，再决定是否投入生产。
AWS在机器学习博客发布一篇新方案文章，介绍如何用Amazon Textract预处理PDF、图片等格式的公用事业账单，再结合Amazon Bedrock知识库构建检索问答系统（RAG），以解决原始文档直接输入大模型时信息提取不全、产生幻觉的问题。
方案解决的问题
作者Rushabh Lokhande等人称，客户服务团队每月处理数千份格式不一致、表格密集的公用事业账单时，手动解析容易导致响应延迟和计费错误。客户最初尝试直接把账单原始文件放进RAG模型，但遇到了三类问题：LLM常遗漏到期日、付款金额、账号等关键信息；模型偶尔生成错误或无关内容，产生幻觉；PDF、DOCX、TXT、HTML、XLSX等不同格式导致模型表现不一致。
支持的文件类型与处理架构
文章称，该方案目前支持PDF、DOCX、TXT、HTML、XLSX和PNG六种文件类型。Amazon Textract负责从多页PDF（含复杂版式和嵌入图片）、Word文档（含表格和嵌入对象）、纯文本、HTML结构化内容、Excel单元格和表格、PNG图片中提取文本。
处理管线为：文件上传到S3桶的raw_files文件夹后触发document-parser Lambda函数，启动Textract任务；处理后的文件保存到parsed_files文件夹，再由另一个Lambda转换为TXT格式，最终输出到parsed_kb_documents文件夹，供Bedrock知识库同步和查询。
部署方式与测试配置
部署通过GitHub仓库中的shell脚本（custom_kb_deployment_setup.sh）完成，脚本创建CloudFormation堆栈，自动生成Lambda执行角色、两个Lambda函数、一个S3桶、一个OpenSearch Serverless集群、Bedrock知识库及对应IAM角色。
部署后需在S3桶中创建raw_files文件夹并上传示例账单。测试阶段，文章建议在Bedrock控制台选择文本知识库，并选用Amazon Nova Micro模型（需参考按区域可用模型列表）。
关于生产环境，作者建议启用Bedrock Guardrails过滤有害内容、屏蔽拒绝主题、编辑敏感信息，并通过接地验证（grounding validation）检测减少幻觉。