博客 / 詳情

返回

利用Amazon Bedrock構建智能報告生成Agent

本文介紹通過Amazon Bedrock構建報告生成Agent，用在ESG報告生成場景。

背景

在全球可持續發展趨勢日益加強的背景下，環境、社會和公司治理(ESG)報告已從選擇性披露轉變為企業戰略必備要素。隨着全球主要金融市場監管機構和交易所逐步將ESG披露納入強制要求，企業面臨着前所未有的合規壓力與利益相關方期望。然而，高質量ESG報告的編制工作面臨兩大核心挑戰：

挑戰一：國際ESG框架的複雜生態系統

當前全球ESG披露格局呈現多元化趨勢，主流框架包括：

  • 全球報告倡議組織(GRI)：市場採用率最高的綜合性框架，包含近40個細分標準，涵蓋通用披露(GRI 1-3)、經濟(200系列)、環境(300系列)和社會(400系列)各維度
  • 可持續會計準則委員會(SASB)：77個行業特定標準，側重財務重要性評估
  • 氣候相關財務信息披露工作組(TCFD)：聚焦氣候風險治理、戰略、風險管理和指標目標四大支柱
  • 碳披露項目(CDP)、國際綜合報告委員會(IIRC)、聯合國全球契約(UNGC)和可持續發展目標(SDGs)：各具特色的專項框架

這些框架各自建立了複雜的指標體系和披露要求，給企業報告編制帶來巨大工作量。

挑戰二：全球交易所差異化監管要求

各主要資本市場對ESG披露要求存在顯著差異：

  • 香港交易所：實施”不遵守就解釋”原則，設立特定ESG報告指引
  • 新加坡交易所：強制要求披露但允許自選框架
  • 紐約證券交易所：SEC氣候披露規則依託TCFD框架
  • 倫敦證券交易所：高級上市公司需按TCFD要求披露氣候信息
  • 上海證券交易所：發佈本地ESG指引，鼓勵參考國際標準

企業需在多種標準中權衡選擇，且趨勢顯示需同時滿足多框架要求，這使報告編制過程複雜度呈指數級增長。面對如此複雜的ESG報告編制環境，生成式人工智能(GenAI)技術正逐漸成為企業的戰略性解決方案。以下是GenAI在ESG報告領域的關鍵價值:

  1. 多框架數據整合與映射能力，GenAI系統可以同時理解和處理多個ESG框架的複雜要求，建立不同框架間的映射關係。這使企業能夠一次數據收集，多框架報告生成，自動識別GRI、SASB、TCFD等框架間的重疊要求與獨特指標，減少70%以上的跨框架數據處理時間
  2. 監管合規性自動審核，隨着各國監管要求不斷演變，GenAI可以實時跟蹤全球各交易所ESG披露規則更新，對報告內容進行合規性預審，識別潛在披露缺口，提供基於地區的合規性建議，避免違規風險
  3. 行業基準與同業對標分析，GenAI能夠分析公開ESG報告，提取行業最佳實踐，建立動態的行業披露基準數據庫，自動生成同業對標分析報告，發現差距與機會
  4. 提升報告數據質量與一致性，ESG報告質量問題一直是投資者關注焦點。GenAI可以檢測數據異常與前後報告期不一致情況，自動驗證碳排放等計算數據的準確性，確保報告敍述與量化數據的邏輯一致性
  5. 資源效率與時間成本優化，傳統ESG報告編制往往耗時3-6個月，而GenAI能夠將報告初稿編制時間縮短至數週，減少50%以上的人力資源投入，實現報告內容的快速更新與迭代

在ESG報告要求日益嚴格、框架日益複雜的環境下，GenAI已不再是可選工具，而是企業適應新ESG時代的必備能力。通過GenAI技術，企業不僅能夠滿足合規要求，更能將ESG報告轉變為戰略決策的信息源泉和競爭優勢的展示平台。

📢限時插播：無需管理基礎設施，利用亞馬遜技術與生態，快速集成與部署生成式AI模型能力。

✨ 精心設計，旨在引導您深入探索Amazon Bedrock的模型選擇與調用、模型自動化評估以及安全圍欄(Guardrail)等重要功能。

⏩快快點擊進入《多模一站通 —— Amazon Bedrock 上的基礎模型初體驗》實驗構建無限, 探索啓程！

Amazon Bedrock賦能的智能報告生成Agent

當前，業界一直嘗試使用LLM輔助生成ESG報告，在實踐中遇到的問題有：

  1. ESG報告篇幅較長，因LLM有token的限制，難以同時生成一份完整的ESG的報告
  2. ESG報告標準較多，難以確保LLM生成的報告滿足設定的標準
  3. ESG報告生成需要參考多方面的資料，難以對多來源，多格式的參考資料進行統一管理

為解決以上的問題，我們設計了基於Amazon Bedrock的智能ESG報告生成Agent。主要技術亮點有：

  1. 使用Map-Reduce的範式，通過對報告的各個主題同時分別生成、最後彙總的方式，一方面解決了LLM的token限制問題，另一方面提升了報告生成的效率
  2. 在主題報告生成時，使用 “報告生成 – 質量評估 – 迭代優化” 的閉環流程，確保每個主題報告的質量
  3. 使用向量數據庫存儲各ESG報告框架標準、人工專家領域經驗和大量的過往ESG報告數據，在報告生成時通過語義搜索查找出相關的內容作為報告生成的上下文，統一參考材料的管理。

以上3部分工作全部通過Agent方式實現，利用LangGraph的Map-Reduce、循環圖和Tools調用等工作模式，結合亞馬遜雲科技的Bedrock, OpenSearch, Lambda, EC2等雲服務，實現了自動生成整份ESG報告，顯著提升ESG報告編制效率與質量。

方案的架構圖如下：

0fe2658c7e055f0efa14170faba4dd54.jpg

工作流程詳解

方案的總體工作流程如下：

image.png
image.png

系統運行流程分為四個主要階段：

1.初始化與參數配置

用户通過直觀界面選擇目標框架、細則項，並設定質量控制參數。系統支持模型切換，便於比較不同LLM在特定ESG主題上的表現差異。

image.png

2.數據輸入與上下文構建

系統接收用户提供的企業ESG相關定量與定性數據，同時通過OpenSearch檢索相關標準、最佳實踐和歷史報告片段，構建豐富的上下文環境。這一步驟確保生成內容符合行業規範且保持企業風格一致性。

image.png

用户數據輸入例子：

3.智能並行處理

用户數據輸入後，報告生成Agent進入conduct_report_prompts流程，根據用户選擇的多條具體細則，組建各個具體細則的報告生成Prompt, 然後利用LangGraph的Map-reduce功能，將多組Prompt並行發送到gen_topic_report_agent。

Map-reduce發送Prompt的代碼示例如下：

def continue_to_gen_report(state: State):
    return [Send("gen_topic_report_agent", {"topic": topic,"user_data": user_data, "gen_prompt": prompt}) for (topic,user_data,prompt) in zip(state["topics"],state['user_datas'],state["gen_prompts"])]

4.主題報告生成-評估流程

gen_topic_report_agent負責生成和評估各個細則報告，每個細則報告通過閉環評估系統確保質量達標：

  • 生成初始報告草稿
  • 基於專業ESG標準和人工專家經驗評估內容質量
  • 根據評估結果提供具體改進建議
  • 迭代優化直至達到預設質量閾值

image.png

LangGraph的流程示意圖如下：

代碼示例如下：

class GenTopicReportState(TypedDict):
    topic:str
    user_data:str
    gen_prompt: str
    topic_report: str
    eva_result: str
    eva_score: float

def gen_topic_report(state: GenTopicReportState):
        regen_prompt = ''
        if state['topic_report'] == '' and state['eva_result'] == '':
            regen_prompt = state['gen_prompt']
        else:
            regen_prompt_template = get_prompt_template(step='regen_report',topic=state['topic'])
            regen_prompt = regen_prompt_template.format(topic_report=state['topic_report'],eva_result=state['eva_result'])
        response = model.with_structured_output(TopicReport).invoke(regen_prompt)
        print('gen report response:',response.topic_report)
        return {"topic_report": response.topic_report}

def eva_topic_report(state: GenTopicReportState):
    eva_prompt_template = get_prompt_template(step='eva_report',topic=state['topic'])
    eva_prompt = eva_prompt_template.format(topic_report=state['topic_report'])
    response = model.with_structured_output(TopicEvaResult).invoke(eva_prompt)
    print('eva report response:',response)
    return {"eva_result": response.eva_result, "eva_score": response.eva_score}


def route_gen_report(state: GenTopicReportState):
    if float(state["eva_score"]) >= report_score:
        return "Accepted"
    elif float(state["eva_score"]) < report_score:
        return "Rejected + Feedback"


gen_topic_report_builder = StateGraph(GenTopicReportState)

gen_topic_report_builder.add_node("gen_topic_report", gen_topic_report)
gen_topic_report_builder.add_node("eva_topic_report", eva_topic_report)

gen_topic_report_builder.add_edge(START, "gen_topic_report")
gen_topic_report_builder.add_edge("gen_topic_report", "eva_topic_report")
gen_topic_report_builder.add_conditional_edges(
    "eva_topic_report",
    route_gen_report,
    {
        "Accepted": END,
        "Rejected + Feedback": "gen_topic_report",
    },
)

gen_topic_report_agent = gen_topic_report_builder.compile()

image.png

報告評估標準參考如下：

image.png

當設定閾值等於3.5，最終經多輪生成-評估流程後，topic報告評估的結果如下：

image.png

最終評估結果3.95分大於設定閾值，得到該topic報告，退出該topic報告的生成-評估流程。

5.報告整合與最終輸出

在所有的topic報告生成完成後，將彙總到generate_final_report節點，將各部分智能整合為結構一致、邏輯連貫的完整ESG報告，確保各章節間的銜接自然，數據引用一致，並保持整體風格統一。

image.png
image.png

報告節選參考如下：

應用價值與未來展望

通過整合生成式AI技術與雲服務，我們成功解決了傳統ESG報告編制中的核心挑戰，包括框架複雜性、規範多樣性及資源密集問題。Map-Reduce架構、閉環質量控制與語義搜索的結合，使系統能夠高效生成符合多元國際標準的高質量報告，同時保持企業特色與專業準確性。

這種智能化解決方案不僅大幅降低了ESG報告編制的時間成本與人力投入，還提升了信息披露的質量與一致性，使企業能夠在日益嚴格的ESG監管環境中從容應對各方需求，將合規壓力轉化為可持續發展戰略優勢。

關鍵啓示

  1. 技術與專業知識融合至關重要
    成功的AI輔助ESG報告需要在技術實現與ESG專業知識間取得平衡。單純依靠技術無法理解披露背後的實質意義，而缺乏先進技術架構又無法實現規模化應用。
  2. 質量控制機制是核心
    自動化不應以犧牲質量為代價。閉環評估體系確保了AI生成內容的準確性、合規性與專業性，這是贏得利益相關方信任的基礎。
  3. 靈活可擴展的架構帶來持久價值
    ESG披露要求持續演變，基於Amazon Bedrock的模塊化架構使系統能夠快速適應新標準、新框架與新要求，保障了投資回報的長期性。
  4. 上下文豐富度決定輸出質量
    向量數據庫對專業內容的整合使AI能夠基於更豐富的上下文生成報告，這一點對於專業性極高的ESG領域尤為重要。

實施難點與解決策略

  1. 數據質量與標準化挑戰
    難點：企業ESG數據往往分散在多個系統中，格式不一，質量參差不齊。
    策略：建立數據預處理流水線，開發標準化模板，利用ML模型進行數據異常檢測和修正。
  2. 行業特性適配
    難點：不同行業ESG重要性議題差異顯著，通用模型難以捕捉行業特性。
    策略：按行業構建專用知識庫，利用few-shot學習針對特定行業進行模型微調。
  3. 專家知識與LLM融合
    難點：ESG專家經驗難以完全編碼到提示工程中。
    策略：採用人機協作模式，系統生成初稿後由專家審核，並將反饋循環納入訓練數據，持續改進模型表現。
  4. 多框架銜接的複雜性
    難點：不同ESG框架間的指標映射存在模糊區域，需要專業判斷。
    策略：構建框架映射矩陣，標註確定性與模糊區域，在模糊區域提供多方案選擇而非單一答案。
  5. 合規性與可審計性保障
    難點：AI生成內容需要確保可追溯性，以應對監管審查。
    策略：實現完整的決策鏈跟蹤，記錄生成過程中的數據來源、推理步驟和參考依據。

未來，隨着大模型技術與ESG實踐的深度融合，我們預見AI輔助ESG報告將向更智能、更個性化、更前瞻性方向發展，不僅實現合規披露，更能提供深度ESG洞察，推動企業可持續發展戰略的優化與實施。Amazon Bedrock提供的可定製化雲服務平台，為這一願景的實現提供了堅實技術基礎。

*前述特定亞馬遜雲科技生成式人工智能相關的服務目前在亞馬遜雲科技海外區域可用。亞馬遜雲科技中國區域相關雲服務由西雲數據和光環新網運營，具體信息以中國區域官網為準。

本篇作者

image.png

本期最新實驗《多模一站通 —— Amazon Bedrock 上的基礎模型初體驗》

✨ 精心設計，旨在引導您深入探索Amazon Bedrock的模型選擇與調用、模型自動化評估以及安全圍欄(Guardrail)等重要功能。無需管理基礎設施，利用亞馬遜技術與生態，快速集成與部署生成式AI模型能力。

⏩️[點擊進入實驗] 即刻開啓 AI 開發之旅

構建無限, 探索啓程！

人工智能
user avatar
0 位用戶收藏了這個故事！

發佈 評論

Some HTML is okay.