了解 MongoDB 和 LangGraph 如何帮助保险公司简化索赔处理并提供更好的客户体验。
产品： MongoDB Atlas，MongoDB Atlas Vector Search
合作伙伴： Anthropic、AWS、Cohere、LangChain
解决方案概述
Agentic AI正在改变保险业，使自主系统能够独立感知、推理和行动。AI助手具有自主性，因此能够以目标为导向，无需精确指令即可运行。保险公司正在对这些技术进行大量投资，以克服原有系统的限制，提供个性化的客户体验，并充分利用 2032 预测的价值 80 十亿美元的AI保险市场。
在现代化保险行业中，高效的理赔处理至关重要。NLP、图像分类和向量嵌入等 AI 工具帮助保险公司执行以下任务：
生成精确的灾难影响评估。
通过更丰富的元数据加速索赔路由。
通过更好的分析防止诉讼。
通过使用更准确的风险评估，最大限度地减少财务损失。
然而，将 AI 应用于生产场景时，在平衡可靠性和灵活性方面可能会面临挑战。过多的自治性可能导致不可预测的结果，而过于严格的限制可能会降低代理的自治性。
为了克服这些挑战，本解决方案展示了 AI 代理如何通过多步骤理赔处理工作流程帮助您简化索赔操作并提高客户满意度。在此工作流中，代理处理事故照片、评估损坏，并验证保险覆盖。LLMs 分析从 MongoDB Atlas Vector Search 中检索到的政策信息和相关文档。然后，结果存储在 MongoDB Atlas 数据库中。
参考架构
为了帮助代理了解其上下文，您在定义代理实例时应精心设计一个提示，描述其范围和目标。此解决方案使用以下提示：
“您是一家保险公司的理赔处理助理。”您的目标是帮助索赔处理人员了解当前索赔的范围，并提供相关信息以帮助他们做出明智的决定。特别是，根据事故说明，您需要获取并总结相关的保险指南，以便理赔人员确定覆盖并相应地处理索赔。以清晰且极其简洁的方式展示您的发现。
除了定义任务之外，您还需要指定代理可以使用哪些工具以及如何使用它们。该系统使用向量搜索并写入数据库，如下图所示。
图 1. 代理工作流的步骤
向量搜索将矢量化的图像说明映射到相关的矢量化策略，其中包括该类事故的覆盖说明。代理使用保单和相关覆盖来推荐下一个操作，并将工作订单分配给索赔处理人员。然后，它将信息写入数据库进行存储。
此外，该解决方案使用以下技术：
构建解决方案
要复制此解决方案，请按照此解决方案的Github存储库的 README 中的说明进行操作。该进程包括以下步骤：
登录 MongoDB Atlas 并创建您的数据库。
创建指定的集合。
设置您的 Vector Search 索引。
创建一个 AWS 帐户并设置您的 Bedrock 模型。
设置并运行后端。
设置并运行前端。
配置 Docker 容器。
完成这些步骤后，您就可以运行该应用程序。
关键要点
AI 代理简化理赔处理：AI 代理自动化查找保单和覆盖的过程，消除了浏览多个系统、阅读冗长 PDF 文件以及汇总信息的需要。
代理型 AI 可以推动变革：AI 代理具有前所未有的自主性，能够推理、感知和行动。保险公司必须勇于尝试，并将这些技术融入其系统和流程中，以保持竞争力。
MongoDB 灵活的 document model 可实现轻松的数据访问：代理可以通过使用 API 或 MongoDB MCP 服务器轻松访问存储在 MongoDB 中的结构化和非结构化数据。这使得代理能够处理复杂和上下文相关的交互。
作者
Luca Napoli，MongoDB