面向代理的软件工程 (AOSE)
金融服务行业正在经历一场深刻的变化，这是由人工智能推动的。今天的战略讨论已经从推测转向了实际应用，行业领导者专注于关键话题，如“量化与基本面结合”的投资兴起、生成式人工智能（GenAI）模型风险的复杂性以及大型语言模型（LLMs）在实时资产管理工作流中的部署。
随着生成式人工智能（GenAI）从一个有希望的前景转变为变革的实际催化剂，它正在重塑金融机构的架构。从高度个性化的银行到智能承保，潜力显而易见。但是什么能够让这种转型可靠且负责任地扩展？
答案在于 面向代理的软件工程（AOSE）。
想象一下传统的单体系统就像一个人，负责管理复杂过程的方方面面——聪明，但很快就会不堪重负。相比之下，AOSE构建了一支完美协调的专家团队。这是一种设计范式，它让我们从单体系统转向动态生态系统中的智能、基于角色的人工智能代理。这些代理——具有定义角色和技能的专业化人工智能工作者——是上下文感知的、目标导向的，并且能够自主协商工作流程以协作解决复杂问题。
本文探讨了金融领域生成式人工智能的当前趋势，识别了关键痛点，并提出了一个面向AOSE驱动协调的前瞻蓝图，以实现可持续的人工智能优势。
1、金融领域生成式AI的当前趋势
- 超个性化和财务健康代理
生成式人工智能使银行和金融科技公司能够生成实时、情境敏感的建议，这些建议根据客户行为、交易历史和生活事件量身定制。数字财务顾问正在演变为自主健康代理，它们会建议预算调整、投资重新分配，甚至识别欺诈模式——所有这些都是通过对话完成的。
- 基于生成式人工智能的文档智能
从KYC到贷款协议和监管披露，生成式人工智能被用于摘要、条款提取、风险检测和异常识别——并辅以检索增强生成（RAG）。这提高了合规准确性并加快了入职流程。
- 自动化承保和风险代理
当LLMs与结构化和非结构化数据管道结合时，可以更细致地评估贷款申请人。多代理承保管道正成为常态——其中代理分析信用风险、解释决策、检测欺诈，甚至动态生成上诉文件。
- 会话式银行和代理界面
“无应用银行”的趋势正在全面展开。生成式人工智能代理作为智能礼宾员跨渠道运作——文本、语音、移动和网络——融合了检索、推理和个人化。这些代理正在迅速集成到核心银行API和CRM中，以提供即时解决方案。
2、学术研究中的新兴模式
最近的学术研究强化了这一代理导向的方向，揭示了几种一致应用于金融领域的架构模式。这些模式为更广泛的趋势提供了技术基础。
- 模式1：分解与分派。 复杂的金融查询不是由单一的人工智能模型处理的。相反，一个主要的“协调者”代理将任务分解成更小、更易于管理的子任务。然后这些子任务被分派给一组专门的代理——例如数据检索代理或合规检查代理——它们并行工作以解决更大的问题。
- 模式2：工具增强代理。 金融代理的设计不仅作为推理引擎，还作为操作员，拥有访问各种外部工具的权限。这包括调用Python库进行定量分析、调用API获取实时市场数据以及访问内部知识库，使它们能够基于硬数据和实时数据进行分析。
- 模式3：高风险决策中的人类参与。 对于关键的金融操作，如最终交易执行或提交监管文件，一个重要的模式是“人类参与环路”设计。代理执行复杂的分析并生成明确的建议，但它被设计为在采取不可逆行动之前需要明确的人类确认，从而确保安全性和责任性。
3、案例研究：AOSE的实际应用
为了使这些模式具体化，考虑两个针对量化金融设计的实际应用。
3.1 Sentient——实时事件驱动的阿尔法信号生成
目标： 一家多策略对冲基金希望加速其利用未计划市场事件（如FDA公告、供应链中断）获利的能力，将从事件检测到交易信号生成的时间从数小时减少到几分钟。
架构在行动
- 意图检测与路由： 一个查询如“分析FAA停飞波音型号的影响”被分类并路由到“事件驱动阿尔法”代理团队。
- 协调： 中央代理管理新闻摄入、影响分析和定量建模之间的工作流程。
- 企业间通信： 一个代理使用标准化的A2A协议安全查询认证数据提供商的代理，获取实时供应链数据，创建更丰富的信号。
- 控制层： 最终输出不是一个交易，而是出现在投资组合经理仪表板上的高优先级警报，确保人工验证。
可量化结果： [样本结果] 将洞察时间从超过2小时缩短到不到3分钟。回测显示潜在夏普比率改善了0.4。
3.2 Guardian——实时交易对手风险和抵押品优化
目标： 一家投资银行需要从每日结束时的批量流程转向近乎实时的系统，主动管理风险并优化抵押品。
架构在行动
- 意图检测与路由： 交易对手的CDS价差扩大10个基点自动分类为“风险阈值突破”，并路由到“动态风险”代理团队。
- 协调： 协调器协调市场数据、法律文件分析（ISDA协议）、风险计算（VaR、PFE）和抵押品优化的代理。
- 企业间通信： 抵押品优化代理直接向交易对手的代理发送标准化的抵押品要求。使用安全的A2A协议，两个代理协商并同意最便宜可交付资产。
- 控制层： 自动谈判的结果呈现在风险官的仪表板上以供最终授权。
可量化结果： [样本结果] 将检测到行动的时间从过夜周期减少到不到5分钟，并将每日融资成本平均减少了8个基点。
4、参考架构：金融领域的AOSE
使用Google的代理开发套件（ADK）等框架，分层架构带来了模块化、可解释性和审计性进入复杂工作流。
5、未来愿景：2025-2028年的代理金融系统
📌 短期（12-18个月）
公司将从基于工具的GenAI演变为特定任务的代理。代理市场将出现，支持即插即用的风险或合规代理。
📌 中期（2-3年）
自我协调的代理“蜂群”将动态配置承保工作流。“监管CoPilot”代理将监控内部操作并自动生成报告。
📌 长期（3-5年）
机构将部署多代理机构“数字孪生”来模拟客户细分市场和市场趋势。金融生态系统将转向可互操作的、代理主导的生态系统，由可追溯合同治理。
6、挑战和战略建议
7、结束语
在生成智能的时代， 协调是新的基础设施。
金融领域的生成式人工智能革命不会由孤立的工具或一次性聊天机器人驱动。它将由嵌入弹性架构中的协作、负责和智能代理进行协调。面向代理的软件工程提供了必要的路线图。
展望未来，关键不在于仅仅构建代理，而在于设计金融公司为代理生态系统——价值由代理共同创造，由人类治理指导，并受人类目标启发。
原文链接：Agent-Oriented Software Engineering: Orchestrating the Future of AI in Financial Services
汇智网翻译整理，转载请标明出处