أبحاث IDC توضح أن التحديات المتعلقة بالمستندات تكلف المؤسسات 19,732 دولارًا لكل عامل معلومات سنويًا وتقلل الإنتاجية بنسبة 21.3 في المئة. المؤسسات التي تتلقى فواتير من مئات الموردين غالبًا ما تواجه تخطيطات تختلف حسب الجهة المصدرة وتتغير دون إشعار. الأنظمة المعتمدة على القوالب تتطلب صيانة مستمرة بهذا الحجم. يمكن للموظفين قضاء ما يصل إلى 30 في المئة من وقتهم في المهام المتعلقة بالمستندات، وتتراوح معدلات الأخطاء في الإدخال اليدوي للبيانات بين 1–4 في المئة. تعالج حلول معالجة المستندات الذكية (IDP) التقليدية بعض هذه الأعباء، لكنها تتطلب تكوينًا مسبقًا واسع النطاق لكل تنسيق مستند وتتعطل عندما تختلف التخطيطات بين الموردين.
في هذه المقالة، ستتعلم كيفية بناء نظام IDP وكيلي باستخدام Amazon Bedrock AgentCore يصنّف ويستخرج ويتحقق ويتعلم من مستندات الأعمال بأدنى تدخل بشري. Amazon Bedrock AgentCore هو منصة لبناء وربط وتحسين الوكلاء على نطاق واسع، مع أي إطار عمل أو نموذج. يتعامل وكلاؤك تلقائيًا مع تنسيقات المستندات الجديدة، مثل فواتير الموردين وأوامر الشراء ومطالبات التأمين وطلبات القروض. بنهاية هذه المقالة، يمكنك:
- نشر نظام IDP متعدد الوكلاء، غالبًا في أقل من 20 دقيقة.
- معالجة أنواع المستندات الجديدة دون تكوين قوالب يدوي.
- السماح للوكلاء بتدريب أنفسهم على كل تنسيق مستند جديد وإعادة استخدام ما يتعلمونه، بحيث تنتقل المستندات اللاحقة من ذلك النوع مباشرة إلى الاستخراج دون إعادة تدريب.
تحديات المعالجة القائمة على القواعد للمستندات
تتطلب العديد من خطوط أنابيب IDP منك تحديد القوالب وقواعد الاستخراج ومنطق التحقق لكل تنسيق مستند مسبقًا. عندما يرسل مورد جديد أمر شراء بتخطيط مختلف، يتعطل خط الأنابيب. يؤدي هذا إلى ثلاثة تحديات أساسية:
- صلابة القوالب: يتطلب كل تنسيق مستند جديد تكوينًا يدويًا، وحتى التغييرات الطفيفة في التخطيط يمكن أن تسبب فشلًا في الاستخراج.
- غياب التعلم: تتكرر نفس أخطاء الاستخراج عبر مستندات متشابهة لأن النظام لا يحتفظ بالمعرفة من التصحيحات السابقة.
- عبء التوسع: يضاعف كل مورد جديد أو نسخة مستند من جهود الصيانة، وتواجه المؤسسات التي تعالج مستندات من مئات المصادر تكاليف تشغيلية مستمرة.
يعالج النهج الوكيلي هذه التحديات. فبدلاً من القوالب الثابتة، يقوم وكلاء الذكاء الاصطناعي بتحليل كل مستند، وإنشاء تعليمات الاستخراج، والتحقق من النتائج، والتعلم من التصحيحات تلقائيًا. بمرور الوقت، يبني نظامك قاعدة معرفة بتنسيقات المستندات، بحيث تعالج المستندات المتشابهة بأدنى تكوين إضافي.
نظرة عامة على الحل
في هذا الحل، يتعاون ثمانية وكلاء متخصصين عبر سيري عمل قائمين على الرسم البياني يعملان على Amazon Bedrock AgentCore.
يوضح المخطط التالي رسم بياني لسير عمل متعدد الوكلاء مبني باستخدام Strands Agents، وهي حزمة تطوير برمجيات مفتوحة المصدر لبناء وكلاء الذكاء الاصطناعي.
الشكل 1: رسم بياني لتنسيق سير العمل متعدد الوكلاء
- سير عمل التحديد: يستخرج وكيل Analyzer النصوص باستخدام Amazon Textract ويحدد نوع المستند والمرسل. يبحث وكيل Matcher عن مستندات مشابهة باستخدام التشابه المتجهي في Amazon S3 Vectors، وهي إمكانية ضمن خدمة Amazon Simple Storage Service (Amazon S3).
- سير عمل التدريب (أنواع مستندات جديدة): عندما لا يتم العثور على تطابق، يقوم وكيل Instructions بإنشاء مطالبات الاستخراج، ويستخرج وكيل Extractor البيانات المهيكلة، ويتحقق وكيل Validator من النتائج مقابل المخططات وقواعد الأعمال في Amazon Aurora DSQL. إذا فشل التحقق، يقوم وكيل Instructions Fixer بتحسين المطالبات وإعادة المحاولة. عند النجاح، يحفظ وكيل Save Instructions التعليمات لإعادة استخدامها.
- سير عمل الأتمتة (أنواع المستندات المعروفة): عندما يتم العثور على تطابق، يستخدم وكيل Extractor التعليمات الموجودة. إذا فشل التحقق، يقوم وكيل Troubleshooter بإصلاح البيانات المستخرجة مباشرة دون تعديل التعليمات.
كيفية العمل
يوضح المخطط التالي بنية البنية التحتية للحل.
الشكل 2: بنية البنية التحتية لوكيلات IDP على AWS
- تصل المستندات التجارية إلى Amazon Simple Email Service (Amazon SES) أو عبر رفع مباشر إلى Amazon S3.
- Amazon EventBridge يشغّل دالة AWS Lambda تنشئ مهمة تتبع في Amazon DynamoDB وتستدعي AgentCore runtime، وهي إمكانية ضمن Amazon Bedrock AgentCore.
- يقوم AgentCore runtime بتنسيق معالجة المستندات عبر Strands Agents.
- يصل عملاؤك بشكل آمن إلى موارد AWS من خلال بيانات اعتماد من جهاز إلى ج устройство تديرها AgentCore Identity، وهي إمكانية من Amazon Bedrock AgentCore، و Amazon Cognito.
- تصبح دوال Lambda لديك أدوات متوافقة مع الوكلاء من خلال واجهة Model Context Protocol (MCP) في AgentCore Gateway، وهي إحدى إمكانات Amazon Bedrock AgentCore.
- يستخرج الوكلاء النص باستخدام Amazon Textract، ويصنّفون المستندات باستخدام التضمينات المتجهية في S3 Vectors، ويتحققون من البيانات مقابل قواعد العمل في Aurora DSQL.
- يصل الوكلاء إلى بيانات المؤسسة من خلال خوادم MCP للتحقق من صحة المحتوى المستخرج مقابل قواعد الأعمال.
- تراقب الحالة وتستكشف مشكلات المشاكل من خلال لوحة تحكم تدعم الدردشة مستضافة على أمازون إيلاستيك كونتينر سيرفيس (Amazon Elastic Container Service) (Amazon ECS).
- يمكنك الحصول على رؤية حول أداء الوكلاء من خلال AgentCore Observability، وهي إحدى إمكانات Amazon Bedrock AgentCore، كما Amazon CloudWatch القياس عن بعد.
نشر الحل
اتبع هذه الخطوات لنشر حل البنية التحتية وواجهة المستخدم على الويب إلى حسابك في AWS.
المتطلبات الأساسية
لنشر هذا الحل، يجب أن تتوفر لديك:
- واحد حساب AWS.
- الوصول إلى Amazon Bedrock مع تمكين نماذج Amazon Nova و Anthropic (Claude). لمعرفة توفر النماذج حسب منطقة AWS، راجع النماذج المدعومة حسب منطقة AWS في Amazon Bedrock.
- الوصول إلى Amazon Bedrock AgentCore (Runtime، Gateway، Identity) وS3 Vectors وAmazon Aurora DSQL في المنطقة المدعومة.
- مجموعة تطوير سحابة AWS (AWS CDK) الإصدار v2 مثبت.
- Docker مُثبّت ويعمل (مطلوب لبنانصور الحاويات ونشرها).
- بايثون 3.11+ و Node.js 18+.
- خدمة AWS لإدارة الهوية والوصول (AWS Identity and Access Management) أذونات (IAM) لإنشاء حاويات S3، ودوال Lambda، وجداول DynamoDB، ومجموعات مستخدمي Cognito، ومستودعات Amazon Elastic Container Registry (Amazon ECR)، وخدمات Amazon ECS.
- استنسخ مستودع وإعداد البيئة:
git clone https://github.com/aws-samples/agenticidp-guidance.git cd agenticidp-guidance uv venv source .venv/bin/activate uv pip install -r requirements.txt cd ui/orchestrator npm install cd ../.. - انشر الحزم (stacks):
uv run deploy.py --admin-email your-email@example.com
هذا ينشر ستة حزم من نوع AWS CloudFormation وهي: Core (S3 و Cognito و DynamoDB)، و Gateway (أدوات Lambda و AgentCore Gateway)، و Aurora (Amazon Aurora DSQL)، و Agent (بيئة تشغيل AgentCore والحاويات)، و UI Orchestrator (نقاط نهاية API)، و Modern UI (تطبيق React على Amazon CloudFront). تستغرق عملية النشر حوالي 15–20 دقيقة.
- تحقق من عملية النشر بالتأكد من أن كل حزمة تُظهر
CREATE_COMPLETEفي وحدة تحكم CloudFormation.
معالجة الملفات ومراجعة النتائج
بعد النشر، ستتلقى بريدًا إلكترونيًا يحتوي على رابط CloudFront واسم المستخدم وكلمة المرور المؤقتة.
معالجة مستند
- قم بتسجيل الدخول إلى واجهة الويب واختر Process Document.
- قم بتحميل نموذج أمر شراء من
infrastructure/sample_data/purchase_orders/training/. - يدخل المستند في سير عمل الوكيل:
- يستخرج وكيل Analyzer النص ويحدد المرسل ونوع المستند.
- يبحث وكيل Matcher عن مستندات مماثلة في مخزن المتجهات.
- بالنسبة لنوع مستند جديد، ينشئ سير عمل التدريب تعليمات الاستخراج، ويستخرج البيانات، ويتحقق من صحتها، ويحفظ التعليمات للاستخدام المستقبلي.
- بالنسبة لنوع مستند معروف، يستخرج سير عمل الأتمتة البيانات باستخدام التعليمات الموجودة ويتحقق من صحتها.
- راجع النتائج في علامة التبويب Review Jobs and Instructions للتحقق من البيانات المستخرجة ونتائج التحقق والتعليمات المُنشأة.
مثال: نوع مستند جديد (سير عمل التدريب)
لنفترض أنك ترفع أول أمر شراء من متجر تجزئة جديد هو Two Wheel Store. يبحث وكيل Matcher في مخزن المتجهات، فلا يجد مستندًا مشابهًا، ويوجه المهمة عبر سير عمل التدريب.
يستخدم وكيل Analyzer أداة Amazon Textract لاستخراج نص المستند الخام:
# PURCHASE ORDER
FROM: Two Wheel Store
Order #: PO-2026-0102-2584
Date: 2026-01-02
## Items Ordered
AC-021 Advanced Computer Qty: 1 $75.61
Colors: cr4321 @ $75.61
...
SB-004 Folding Classic Qty: 8 $9634.32
Colors: cb8901 I Sizes: S @ $1204.29
TOTAL: $14931.54يُنشئ وكيل Instructions مطالبات الاستخراج من المخطط، ويُنتج وكيل Extractor بيانات JSON منظمة:
{
"po_number": "PO-2026-0102-2584",
"retailer_name": "Two Wheel Store",
"order_date": "2026-01-02T00:00:00Z",
"line_items": [
{ "sku": "AC-021", "product_name": "Advanced Computer", "quantity": 1, "unit_price": 75.61, "line_total": 75.61 },
{ "sku": "SB-004", "product_name": "Folding Classic", "quantity": 8, "unit_price": 1204.29, "line_total": 9634.32 }
],
"order_total": 14931.54
}يتحقق وكيل Validator من النتيجة مقابل المخطط و يفشل:
validation_status: INVALID
error: 'SB-004' does not match '^AB-[A-Z]{2}-\d{3}$'تنسيق SKU الخاص بالمورّد (SB-004) لا يطابق التنسيق الداخلي لشركة Acme Bikes (AB-SB-004). يشخّص وكيل Instructions Fixer عدم التطابق ويضيف قاعدة صريحة لتحويل SKU إلى مطالبة الاستخراج: إضافة بادئة إلى رموز SKU الخاصة بالمورّد بـ AB-. في التمريرة الثانية، تتحقق بنجاح السلع السبعة، ويحفظ وكيل Save Instructions المطالبة المُحسَّنة في مخزن المتجهات. الوقت الكامل من البداية إلى النهاية لهذا التشغيل الأول: 3 دقائق و49 ثانية.
مثال: نوع مستند معروف (سير عمل الأتمتة)
عند وصول أمر شراء ثانٍ من Two Wheel Store، يجد وكيل Matcher التعليمات المخزنة من التشغيل الأول بدرجة ثقة 3.946 (الحد الأدنى: 3.7) ويوجه المهمة عبر سير عمل الأتمتة:
- يطبّق وكيل Extractor التعليمات المخزنة مباشرة، لذا يتخطى المنسّق توليد المطالبة. تُطبَّق قاعدة تحويل SKU التي تعلّمها النظام أثناء التدريب تلقائيًا (
EL-002→AB-EL-002,HB-071→AB-HB-071,PD-002→AB-PD-002). - تتحقق السلع الثلاث في التمريرة الأولى بإجمالي طلب قدره $5,979.19.
- تكتمل المعالجة من البداية إلى النهاية في 1 دقيقة و30 ثانية، بانخفاض عن 3 دقائق و49 ثانية في التشغيل الأول.
استخدم الدردشة التفاعلية
تتضمن لوحة التحكم واجهة دردشة لاستكشاف الأخطاء وإصلاحها:
- اسأل
what tools do you haveلرؤية قدرات الوكلاء المتاحة. - اسأل
list instructionsلعرض تعليمات الاستخراج المخزنة. - اسأل
what is the status of job XXXXللتحقق من تقدم المعالجة. - اسأل
what went wrong with job XXXX, how can we update the instructions?لتشخيص الإخفاقات.
افهم كيف تتحسن الدقة بمرور الوقت
يتحسن النظام بمرور الوقت من خلال حلقتي تغذية راجعة:
- حلقة التدريب: عندما يُحسّن وكيل Instructions Fixer مطالبات الاستخراج بعد إخفاقات التحقق، تُحفظ التعليمات المُحسَّنة وتُعاد استخدامها للمستندات المشابهة.
- حلقة المعالجة: عندما يصلح وكيل Troubleshooter أخطاء الاستخراج، فإنه يقدم تحليلًا تفصيليًا يساعد في تحديد الأنماط في اختلافات تنسيق المستندات.
عند تغيير النماذج، استخدم AgentCore Evaluations، وهي إمكانية من Amazon Bedrock AgentCore، للتأكد من أن جودة الاستخراج تظل مقبولة. يستخدم الحل بالفعل AgentCore Observability، لذا فهو يمتلك الأجهزة المطلوبة.
التكلفة التقديرية
تدفع فقط مقابل ما تستخدمه، لأن الحل يعمل على موارد بلا خادم وعند الطلب دون تكاليف خمول. بالنسبة لعبء عمل يضم 10 مستندات تدريب و1,000 مستند معالج شهريًا في US East (N. Virginia)، تبلغ التكلفة التقديرية حوالي 58 دولارًا شهريًا. يمثل استدلال النموذج الأساسي (FM) عبر Amazon Bedrock حوالي 85 بالمائة من إجمالي التكلفة، بمقدار تقريبي 0.055 دولار لكل مستند. تعتمد التكلفة الفعلية إلى حد كبير على النماذج المخصصة لكل وكيل. اختيارات النماذج مركزية في agents/orchestratorgraph/utils/config.py، لذا يمكنك استخدام نماذج أقل تكلفة للمهام الأبسط ونماذج أقوى عند الحاجة. للحصول على تفاصيل الأسعار، راجع صفحة أسعار Amazon Bedrock .
خصص الحل لحالة الاستخدام الخاصة بك
تحصل على حالة استخدام لمعالجة أوامر الشراء تتضمن مجموعة بيانات شركة دراجات اصطناعية، ومخطط JSON جاهزًا مسبقًا، ودالة Lambda للتحقق تتحقق من البيانات المستخرجة مقابل سجلات المنتجات والموردين في قاعدة بيانات ERP وهمية. لمعالجة مستنداتك الخاصة، يجب عليك استبدال المخططات ومنطق التحقق المضمّنة بمخططاتك ومنطقك الخاص.
حدد مخطط مستنداتك
أنشئ مخطط JSON يحدد الحقول التي تريد استخراجها لكل نوع من المستندات. يوفر مخطط أمر الشراء النموذجي في agents/orchestratorgraph/doc_schema/purchase_order_schema.json مرجعًا لذلك. يجب أن يحدد المخطط الخاص بك أسماء الحقول وأنواع البيانات وما إذا كان كل حقل مذكورًا صراحةً في المستند أو مستنتجًا من السياق.
ابنِ عملية التحقق الخاصة بك
يتحقق المدقق المضمّن من بيانات أمر الشراء مقابل جداول الموردين والمنتجات الاصطناعية في Aurora DSQL. يتطلب تنفيذك في بيئة الإنتاج عملية تحقق مصممة وفقًا لقواعد عملك. على سبيل المثال:
- قد يتحقق مدقق الفواتير من معرفات الموردين مقابل نظام الحسابات الدائنة لديك ويتأكد من أن إجماليات بنود المطابقة تتوافق مع إجمالي الفاتورة.
- قد يتحقق مدقق العقود من أن المستند يحتوي على البنود المطلوبة وأن التواريخ وأسماء الأطراف تتطابق مع سجلاتك.
- قد يتحقق مُصادِق المطالبات من أرقام الوثائق وحدود التغطية ومعلومات صاحب المطالبة مقابل نظام إدارة الوثائق لديك.
لإضافة مُصادِق جديد، أنشئ دالة Lambda تقبل JSON المستخرج وتعيد نتيجة نجاح/فشل مع رسائل خطأ مفصلة، ثم سجّلها كأداة في AgentCore Gateway. راجع gateway/tools/po_validator_tool/ للحصول على نمط التنفيذ.
تحديث مطالبات الوكيل
تستخدم مطالبات الوكيل في agents/orchestratorgraph/prompts/ مصطلحات أوامر الشراء. حدّث هذه المطالبات لتعكس أنواع مستنداتك ومتطلبات الاستخراج الخاصة بك. يحتوي كلٌّ من وكيل المنسّق (Orchestrator) ووكيل المصادقة (Validator) ووكيل التعليمات (Instructions) على صياغات خاصة بنوع المستند ينبغي عليك تكييفها.
أفضل الممارسات
ضع هذه التوصيات في اعتبارك أثناء تدريب نظام IDP الوكيلي وتشغيله.
- ابدأ بعينات ممثلة: ارفع من 5 إلى 10 مستندات لكل نوع أثناء التدريب، بما في ذلك الحالات الحدّية ذات الاختلافات في التنسيق، لبناء تعليمات استخراج موثوقة.
- استخدم التحقق من قواعد الأعمال: اربط المُصادِقات ببياناتك المرجعية (قوائم الموردين، فهارس المنتجات) في Aurora DSQL لاكتشاف أخطاء الاستخراج مبكرًا.
- راقب أداء الوكلاء: استخدم AgentCore Observability وCloudWatch لتتبع مسارات التنفيذ وتحديد الاختناقات وقياس دقة الاستخراج بمرور الوقت.
- أضف أنواع المستندات تدريجيًا: أنشئ مخطط JSON لكل نوع مستند جديد ودالة تحقق Lambda المقابلة له. يتولى الوكلاء بقية العمل.
- أضف ضوابط حماية للإنتاج: طبّق Amazon Bedrock Guardrails لفرض تصفية المحتوى وفحوصات التأسيس على مخرجات الوكلاء. هذا مهم بشكل خاص عند معالجة أنواع مستندات حساسة مثل مطالبات التأمين أو طلبات القروض.
- راجع قائمة OWASP Top 10 لنماذج LLM: استشر OWASP Top 10 for LLMs and Generative AI Apps للاطلاع على اعتبارات الأمان عند بناء تطبيقات تستخدم نماذج اللغة الكبيرة (LLMs).
التنظيف
هام: قبل تشغيل التنظيف، صدّر البيانات التي تريد الاحتفاظ بها. يعمل destroy.py السكربت على حذف المستندات المعالجة (S3) وسجل المهام (DynamoDB) وبيانات المصادقة (Aurora DSQL) وتعليمات الاستخراج المتعلمة (مخزن المتجهات) نهائيًا.
لتجنب الرسوم المستمرة، أزِل الموارد المنشورة:
uv run destroy.pyتحقق من أن حزم CloudFormation الست قد حُذفت في وحدة التحكم: AgenticIDP-Core-Dev وAgenticIDP-Gateway-Dev وAgenticIDP-Aurora-Dev وAgenticIDP-Agent-Dev وAgenticIDP-UIOrchestr-Dev وAgenticIDP-ModernUI-Dev.
الخلاصة
في هذه التدوينة، تعلمت كيفية بناء نظام معالجة مستندات ذاتي التحسين باستخدام Amazon Bedrock AgentCore، حيث تتعاون وكلاء ذكاء اصطناعي متخصصون لتصنيف المستندات التجارية واستخراج بياناتها ومصادقتها والتعلم منها. يكيّف هذا النهج الوكيلي نفسه تلقائيًا مع تنسيقات المستندات الجديدة ويحسّن الدقة بمرور الوقت من خلال حلقات التغذية الراجعة، ليحل التعلم الذاتي محل التهيئة اليدوية للقوالب.
كخطوات تالية:
- انشر حل نموذجي واختبر باستخدام نماذج أوامر الشراء المرفقة.
- أضف أنواع مستندات خاصة بك عن طريق إنشاء مخططات JSON وقواعد تحقق.
- استكشف كيفية دمج البيانات المستخرجة مع الأنظمة اللاحقة مثل ERP أو CRM أو أدوات إدارة المحتوى.
لمعرفة المزيد عن الخدمات والأنماط المستخدمة في هذه التدوينة، راجع الموارد التالية:
- للاطلاع المتعمق على إطار الوكلاء المستخدم في هذا الحل، راجع Strands Agents SDK: استكشاف تقني معمق لهندات الوكلاء وقابلية المراقبة.
- لفهم كيفية تحويل AgentCore Gateway لواجهات برمجة التطبيقات إلى أدوات متوافقة مع الوكلاء، راجع تقديم Amazon Bedrock AgentCore Gateway: تحويل تطوير أدوات وكلاء الذكاء الاصطناعي للمؤسسات.
- للحصول على خلفية عن بروتوكول Model Context Protocol وكيفية تكامله مع خدمات AWS، راجع Unlocking the power of Model Context Protocol (MCP) on AWS.
- لتعلم كيف يمكن للوكلاء الاحتفاظ بالسياق عبر الجلسات، راجع Amazon Bedrock AgentCore Memory: Building context-aware agents.
- للحصول على تفاصيل حول قدرات Amazon Bedrock AgentCore، راجع وثائق Amazon Bedrock AgentCore.
للحصول على إرشادات خبيرة حول بناء حلول معالجة المستندات، AWS Professional Services و شركاء AWS يمكنهم المساعدة.