REXFLOW

Adjudicated Query — архитектурный паттерн, в котором чат-агент Amazon Quick работает поверх ограниченного MCP-сервера и детерминированного движка правил. Результат — проверяемо полные ответы по комплаенсу, которые можно воспроизвести и защитить перед аудитом. Паттерн решает главную проблему чистого LLM-агента в комплаенсе: недетерминированность, когда один и тот же вопрос даёт разные ответы.

Зачем комплаенсу детерминированный движок правил

Комплаенс — область, где цена ошибки измеряется не неудобным интерфейсом, а штрафами и проваленными аудитами. Классический сценарий с LLM-агентом выглядит так: пользователь задаёт вопрос, модель рассуждает и выдаёт вердикт. Проблема в том, что рассуждение большой языковой модели — вероятностный процесс.

Один и тот же запрос о договоре аренды может получить разные ответы в разные дни. Для внутренней аналитики это терпимо. Для регуляторной проверки — нет: аудитор требует результат, который воспроизводится байт в байт и опирается на явно сформулированные правила.

Именно эту слабость и устраняет паттерн Adjudicated Query. Искусственный интеллект в нём отвечает за то, в чём силён, — интерпретацию запроса и объяснение результата, — а решение принимает детерминированный rules engine.

Как устроена связка Amazon Quick и MCP

Архитектура состоит из трёх слоёв, и разделение ролей между ними — ключевой элемент паттерна.

Amazon Quick как интерфейс

Amazon Quick — чат-агент, принимающий вопросы на естественном языке. Пользователь не пишет SQL и не конфигурирует правила вручную: он формулирует задачу так, как сформулировал бы её коллеге. Quick переводит запрос в вызов инструментов.

Bounded MCP-сервер

MCP-сервер работает в ограниченном режиме (bounded). Это значит, что набор доступных инструментов и данных жёстко очерчен: агент не может выйти за пределы отведённого контура, «поэкспериментировать» с данными или вызвать произвольный код. Ограничение — не недостаток, а гарантия: поверхность атаки и пространство решений сужены до того, что можно проверить.

Детерминированный движок правил

Саму проверку выполняет rules engine. Его свойство — одинаковый вход всегда даёт одинаковый выход. Правила записаны явно, их можно прочитать, версионировать и показать аудиту. Движок не «рассуждает» — он применяет правила к данным.

Подробнее о том, почему такое разделение делает ответ защищаемым, — в разделе [о доказуемой полноте результатов](#доказуемая-полнота-ответа).

Доказуемая полнота ответа

Центральное понятие паттерна — provably complete, доказуемо полные ответы. Это означает, что по итогам проверки видно:

LLM в этой схеме не выносит вердикт. Она переводит вопрос пользователя в структурированный запрос к движку, а затем объясняет человеку, что вернула проверка. Решение всегда остаётся за детерминированным кодом.

Такая связка для бизнеса важнее, чем может показаться на первый взгляд: когда регулятор или внутренний аудитор спрашивает «на основании чего вы признали эти договоры нарушающими», ответ — не «модель так посчитала», а конкретный список правил и входных данных.

Сквозной пример: массовая проверка договоров аренды

Референсная реализация паттерна построена на комплаенсе договоров аренды. Сценарий: вместо ручного разбора тысяч лизов — автоматическая проверка всей массы по заданному набору правил.

Это показательный кейс, потому что арендные договоры сочетают три черты:

Ручной разбор здесь и медленный, и нестабильный: разные юристы трактуют граничные случаи по-разному. Rules engine даёт единообразие — каждый договор проходит через один и тот же набор проверок.

Query для бизнеса в этой схеме выглядит так: аналитик спрашивает у агента что-то вроде «какие договоры нарушают требования по сроку уведомления», Quick преобразует это в запрос, движок прогоняет правила по всей базе и возвращает детерминированный список нарушений с обоснованием по каждому пункту.

Развёртывание: AWS CDK и адаптация под свои правила

Паттерн не остаётся теорией — референсная архитектура сопровождается деплойбельным примером на AWS CDK. Это значит, что Amazon для бизнеса здесь не абстракция из презентации, а разворачиваемый стек: можно взять пример, задеплоить в собственное окружение и адаптировать правила под свою предметную область.

Практический путь внедрения:

1. Развернуть референсный пример через AWS CDK.

2. Заменить демонстрационные правила на собственные комплаенс-требования.

3. Подключить свои источники данных через ограниченный MCP-сервер.

4. Проверить воспроизводимость: одинаковый вход — одинаковый выход.

Adjudicated для бизнеса ценен именно этой адаптируемостью: паттерн не привязан к аренде, он применим к любой задаче, где правила формализуемы, а результат должен быть аудируемым — страхование, кредитные политики, внутренние регламенты, проверки контрагентов.

Когда LLM-агент, а когда связка с движком правил

Выбор архитектуры зависит от требований к ответу. Чистый агент уместен там, где допустима вариативность: исследовательские вопросы, черновые summaries, брейншторминг. Adjudicated Query — там, где нужен вердикт.

Простой критерий: если к ответу может прийти аудитор с вопросом «докажите», нужна детерминированная составляющая. Если вопрос звучит «какие есть варианты» — достаточно агента.

Смешивать роли — типичная ошибка. Когда LLM и интерпретирует запрос, и выносит решение, недетерминированность проникает в сам вердикт. Паттерн из [архитектуры Amazon Quick и MCP](#как-устроена-связка-amazon-quick-и-mcp) разрывает эту связку: интерпретация — вероятностная, решение — детерминированное.

Практические выводы

Главный урок паттерна формулируется одной фразой: LLM — интерфейс, а не судья.

Там, где нужен аудируемый результат, связка «агент + детерминированный движок» надёжнее чистого агента. Искусственный интеллект берёт на себя коммуникацию с человеком — понимание естественного языка и объяснение вердикта, — а правила и данные остаются под полным контролем.

Для команд, внедряющих автоматизацию бизнеса в регулируемых отраслях, это готовый ориентир: не пытаться выжать детерминизм из языковой модели, а разделить систему на слои с разными гарантиями. Ограниченный MCP-сервер очерчивает границы, движок правил обеспечивает воспроизводимость, Amazon Quick делает всё это доступным для нетехнических пользователей.

Результат — комплаенс-проверки, которые масштабируются на тысячи документов, не теряя при этом главного свойства: каждый вердикт можно воспроизвести и обосновать.

Источник: https://aws.amazon.com/blogs/machine-learning/sweep-thousands-of-leases-for-compliance-using-amazon-quick-and-the-adjudicated-query-pattern