金融智能体架构分离研究与业务执行
AI 总结
掘金·人工智能的文章提出一套金融智能体架构，将模型主导的研究与数据获取、确定性计算、访问权限、人工复核和业务执行明确分开。文章以合成基金组合案例说明，组合研究应保留基金份额、披露时期、可比性、计算口径和风险关注点，并可能由公开研究延伸至账户访问与操作提议。文中称，ETF Agent 当前的对话研究层不直接交易，订单、结算和机构审批属于未来接入业务系统时的目标分工。
深度见解
该文提供了一套面向落地的架构思路，说明金融智能体如何在不把模型回复同时当作研究意见、账户事实和操作授权的前提下连接研究与受控业务。
用户问：“我已经买了两只科技基金，再加一只，是增加分散，还是把同一种风险又买了一遍？”
模型可以解释分散投资，也可以调用工具查询基金、阅读持仓、计算重合。但这些动作做过一遍，并不意味着问题已经回答。系统还需要知道：读的是哪类基金份额，持仓属于哪一期，两份数据能不能比较，计算结果意味着什么，以及用户究竟在担心哪一种风险。
用户接着说：“那就按你说的调整。”事情又变了。前面是一项研究，现在可能涉及账户与资金。谁核对产品和金额？谁批准操作？没有收到明确结果时，应该查询，还是再提交一次？
金融 Agent 的全景，不是把更多模型、工具和审核模块放在一起，而是把研究与业务接好：模型可以灵活探索，数据、计算、权限和真实操作分别有人负责。 只追求自主性，会忽略行为后果；只追求控制，又可能让用户始终看不到有价值的结果。