本文介绍通过 Amazon Bedrock 构建报告生成 Agent，用在 ESG 报告生成场景。

背景

在全球可持续发展趋势日益加强的背景下，环境、社会和公司治理(ESG)报告已从选择性披露转变为企业战略必备要素。随着全球主要金融市场监管机构和交易所逐步将 ESG 披露纳入强制要求，企业面临着前所未有的合规压力与利益相关方期望。然而，高质量 ESG 报告的编制工作面临两大核心挑战：

挑战一：国际 ESG 框架的复杂生态系统

当前全球 ESG 披露格局呈现多元化趋势，主流框架包括：

• 全球报告倡议组织(GRI)：市场采用率最高的综合性框架，包含近 40 个细分标准，涵盖通用披露(GRI 1-3)、经济(200 系列)、环境(300 系列)和社会(400 系列)各维度

• 可持续会计准则委员会(SASB)：77 个行业特定标准，侧重财务重要性评估

• 气候相关财务信息披露工作组(TCFD)：聚焦气候风险治理、战略、风险管理和指标目标四大支柱

• 碳披露项目(CDP)、国际综合报告委员会(IIRC)、联合国全球契约(UNGC)和可持续发展目标(SDGs)：各具特色的专项框架

这些框架各自建立了复杂的指标体系和披露要求，给企业报告编制带来巨大工作量。

挑战二：全球交易所差异化监管要求

各主要资本市场对 ESG 披露要求存在显著差异：

• 香港交易所：实施”不遵守就解释”原则，设立特定 ESG 报告指引

• 新加坡交易所：强制要求披露但允许自选框架

• 纽约证券交易所：SEC 气候披露规则依托 TCFD 框架

• 伦敦证券交易所：高级上市公司需按 TCFD 要求披露气候信息

• 上海证券交易所：发布本地 ESG 指引，鼓励参考国际标准

企业需在多种标准中权衡选择，且趋势显示需同时满足多框架要求，这使报告编制过程复杂度呈指数级增长。面对如此复杂的 ESG 报告编制环境，生成式人工智能(GenAI)技术正逐渐成为企业的战略性解决方案。以下是 GenAI 在 ESG 报告领域的关键价值:

1. 多框架数据整合与映射能力，GenAI 系统可以同时理解和处理多个 ESG 框架的复杂要求，建立不同框架间的映射关系。这使企业能够一次数据收集，多框架报告生成，自动识别 GRI、SASB、TCFD 等框架间的重叠要求与独特指标，减少 70%以上的跨框架数据处理时间

2. 监管合规性自动审核，随着各国监管要求不断演变，GenAI 可以实时跟踪全球各交易所 ESG 披露规则更新，对报告内容进行合规性预审，识别潜在披露缺口，提供基于地区的合规性建议，避免违规风险

3. 行业基准与同业对标分析，GenAI 能够分析公开 ESG 报告，提取行业最佳实践，建立动态的行业披露基准数据库，自动生成同业对标分析报告，发现差距与机会

4. 提升报告数据质量与一致性，ESG 报告质量问题一直是投资者关注焦点。GenAI 可以检测数据异常与前后报告期不一致情况，自动验证碳排放等计算数据的准确性，确保报告叙述与量化数据的逻辑一致性

5. 资源效率与时间成本优化，传统 ESG 报告编制往往耗时 3-6 个月，而 GenAI 能够将报告初稿编制时间缩短至数周，减少 50%以上的人力资源投入，实现报告内容的快速更新与迭代

在 ESG 报告要求日益严格、框架日益复杂的环境下，GenAI 已不再是可选工具，而是企业适应新 ESG 时代的必备能力。通过 GenAI 技术，企业不仅能够满足合规要求，更能将 ESG 报告转变为战略决策的信息源泉和竞争优势的展示平台。

📢限时插播：无需管理基础设施，利用亚马逊技术与生态，快速集成与部署生成式 AI 模型能力。

✨ 精心设计，旨在引导您深入探索 Amazon Bedrock 的模型选择与调用、模型自动化评估以及安全围栏(Guardrail)等重要功能。

⏩快快点击进入《多模一站通 —— Amazon Bedrock 上的基础模型初体验》实验构建无限, 探索启程！

Amazon Bedrock 赋能的智能报告生成 Agent

当前，业界一直尝试使用 LLM 辅助生成 ESG 报告，在实践中遇到的问题有：

1. ESG 报告篇幅较长，因 LLM 有 token 的限制，难以同时生成一份完整的 ESG 的报告

2. ESG 报告标准较多，难以确保 LLM 生成的报告满足设定的标准

3. ESG 报告生成需要参考多方面的资料，难以对多来源，多格式的参考资料进行统一管理

为解决以上的问题，我们设计了基于 Amazon Bedrock 的智能 ESG 报告生成 Agent。主要技术亮点有：

1. 使用 Map-Reduce 的范式，通过对报告的各个主题同时分别生成、最后汇总的方式，一方面解决了 LLM 的 token 限制问题，另一方面提升了报告生成的效率

2. 在主题报告生成时，使用 “报告生成 – 质量评估 – 迭代优化” 的闭环流程，确保每个主题报告的质量

3. 使用向量数据库存储各 ESG 报告框架标准、人工专家领域经验和大量的过往 ESG 报告数据，在报告生成时通过语义搜索查找出相关的内容作为报告生成的上下文，统一参考材料的管理。

以上 3 部分工作全部通过 Agent 方式实现，利用 LangGraph 的 Map-Reduce、循环图和 Tools 调用等工作模式，结合亚马逊云科技的 Bedrock, OpenSearch, Lambda, EC2 等云服务，实现了自动生成整份 ESG 报告，显著提升 ESG 报告编制效率与质量。

方案的架构图如下：

工作流程详解

方案的总体工作流程如下：

系统运行流程分为四个主要阶段：

1.初始化与参数配置

用户通过直观界面选择目标框架、细则项，并设定质量控制参数。系统支持模型切换，便于比较不同 LLM 在特定 ESG 主题上的表现差异。

2.数据输入与上下文构建

系统接收用户提供的企业 ESG 相关定量与定性数据，同时通过 OpenSearch 检索相关标准、最佳实践和历史报告片段，构建丰富的上下文环境。这一步骤确保生成内容符合行业规范且保持企业风格一致性。

用户数据输入例子：

3.智能并行处理

用户数据输入后，报告生成 Agent 进入 conduct_report_prompts 流程，根据用户选择的多条具体细则，组建各个具体细则的报告生成 Prompt, 然后利用 LangGraph 的 Map-reduce 功能，将多组 Prompt 并行发送到 gen_topic_report_agent。

Map-reduce 发送 Prompt 的代码示例如下：

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.主题报告生成-评估流程

gen_topic_report_agent 负责生成和评估各个细则报告，每个细则报告通过闭环评估系统确保质量达标：

• 生成初始报告草稿

• 基于专业 ESG 标准和人工专家经验评估内容质量

• 根据评估结果提供具体改进建议

• 迭代优化直至达到预设质量阈值

LangGraph 的流程示意图如下：

代码示例如下：

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()

报告评估标准参考如下：

当设定阈值等于 3.5，最终经多轮生成-评估流程后，topic 报告评估的结果如下：

最终评估结果 3.95 分大于设定阈值，得到该 topic 报告，退出该 topic 报告的生成-评估流程。

5.报告整合与最终输出

在所有的 topic 报告生成完成后，将汇总到 generate_final_report 节点，将各部分智能整合为结构一致、逻辑连贯的完整 ESG 报告，确保各章节间的衔接自然，数据引用一致，并保持整体风格统一。

报告节选参考如下：

应用价值与未来展望

通过整合生成式 AI 技术与云服务，我们成功解决了传统 ESG 报告编制中的核心挑战，包括框架复杂性、规范多样性及资源密集问题。Map-Reduce 架构、闭环质量控制与语义搜索的结合，使系统能够高效生成符合多元国际标准的高质量报告，同时保持企业特色与专业准确性。

这种智能化解决方案不仅大幅降低了 ESG 报告编制的时间成本与人力投入，还提升了信息披露的质量与一致性，使企业能够在日益严格的 ESG 监管环境中从容应对各方需求，将合规压力转化为可持续发展战略优势。

关键启示

1. 技术与专业知识融合至关重要成功的 AI 辅助 ESG 报告需要在技术实现与 ESG 专业知识间取得平衡。单纯依靠技术无法理解披露背后的实质意义，而缺乏先进技术架构又无法实现规模化应用。

2. 质量控制机制是核心

3. 自动化不应以牺牲质量为代价。闭环评估体系确保了 AI 生成内容的准确性、合规性与专业性，这是赢得利益相关方信任的基础。

4. 灵活可扩展的架构带来持久价值

5. ESG 披露要求持续演变，基于 Amazon Bedrock 的模块化架构使系统能够快速适应新标准、新框架与新要求，保障了投资回报的长期性。

6. 上下文丰富度决定输出质量向量数据库对专业内容的整合使 AI 能够基于更丰富的上下文生成报告，这一点对于专业性极高的 ESG 领域尤为重要。

实施难点与解决策略

1. 数据质量与标准化挑战难点：企业 ESG 数据往往分散在多个系统中，格式不一，质量参差不齐。

2. 策略：建立数据预处理流水线，开发标准化模板，利用 ML 模型进行数据异常检测和修正。

3. 行业特性适配

4. 难点：不同行业 ESG 重要性议题差异显著，通用模型难以捕捉行业特性。

5. 策略：按行业构建专用知识库，利用 few-shot 学习针对特定行业进行模型微调。

6. 专家知识与 LLM 融合难点：ESG 专家经验难以完全编码到提示工程中。

7. 策略：采用人机协作模式，系统生成初稿后由专家审核，并将反馈循环纳入训练数据，持续改进模型表现。

8. 多框架衔接的复杂性难点：不同 ESG 框架间的指标映射存在模糊区域，需要专业判断。

9. 策略：构建框架映射矩阵，标注确定性与模糊区域，在模糊区域提供多方案选择而非单一答案。

10. 合规性与可审计性保障

11. 难点：AI 生成内容需要确保可追溯性，以应对监管审查。

12. 策略：实现完整的决策链跟踪，记录生成过程中的数据来源、推理步骤和参考依据。

未来，随着大模型技术与 ESG 实践的深度融合，我们预见 AI 辅助 ESG 报告将向更智能、更个性化、更前瞻性方向发展，不仅实现合规披露，更能提供深度 ESG 洞察，推动企业可持续发展战略的优化与实施。Amazon Bedrock 提供的可定制化云服务平台，为这一愿景的实现提供了坚实技术基础。

*前述特定亚马逊云科技生成式人工智能相关的服务目前在亚马逊云科技海外区域可用。亚马逊云科技中国区域相关云服务由西云数据和光环新网运营，具体信息以中国区域官网为准。

本篇作者

本期最新实验《多模一站通 —— Amazon Bedrock 上的基础模型初体验》

✨ 精心设计，旨在引导您深入探索 Amazon Bedrock 的模型选择与调用、模型自动化评估以及安全围栏(Guardrail)等重要功能。无需管理基础设施，利用亚马逊技术与生态，快速集成与部署生成式 AI 模型能力。

⏩️[点击进入实验] 即刻开启 AI 开发之旅

构建无限, 探索启程！