在智能文档处理（IDP）中，从文档提取信息前需要为每个文档类定义模式（schema）。但当面对数千份未知类型的文档时，手动创建模式变得极其耗时。亚马逊云科技推出的多文档发现功能解决了这一难题，它作为IDP加速器的预处理步骤，能够自动分析未知文档、按类型聚类，并生成可直接使用的模式。
该功能的核心流程包括嵌入生成、文档聚类、代理模式生成和模式分析。首先，利用Amazon Bedrock上的嵌入模型（默认使用Cohere Embed v4）将每份文档转换为向量嵌入，仅处理多页文档的第一页。视觉嵌入能够捕捉布局、格式和结构特征，即使文本内容相似也能有效区分文档类型。嵌入步骤自动处理图像压缩、重试逻辑和速率限制等常见问题。
接下来，使用k-means聚类算法对文档进行分组。系统通过轮廓系数自动评估最佳聚类数（k值），默认在2到20之间搜索，选择轮廓系数最高的分组。每个聚类至少需包含两份文档，否则会动态调整k的上限。在包含293份文档、9种类型的基准测试中，轮廓系数在k=9时达到最高，完美匹配真实文档类型数，调整兰德指数和归一化互信息均为1.0，实现了100%的聚类纯度。
聚类完成后，每个聚类由一个Strands Agents代理负责分析。代理配备聚类分析工具和文档查看工具，能够策略性地抽样查看聚类中心、边缘和中间位置的文档，以充分了解变异性。代理根据系统提示生成符合JSON Schema和IDP加速器配置要求的模式，包括类型定义、描述及特定注解（如x-aws-idp-document-type）。模式分析阶段会评估各聚类模式的差异性和重叠，生成质量报告并提出合并或细化建议。
用户可通过IDP加速器控制台运行多文档发现工作流。首先创建空白配置，然后在发现部分选择“多文档”选项，配置文档来源（S3路径或ZIP上传），启动发现作业。作业完成后，自动生成的质量报告显示聚类详情和模式，模式直接集成到IDP加速器配置文件中。最佳实践包括确保输入为单文档PDF，并仔细审查质量报告以避免聚类重叠或分布不均。该功能大幅降低了IDP项目的启动门槛，使处理未标注文档集合更加高效。