--- id: "KM3VQZKjpiY" title: "用智能体处理长周期金融工作——Aman Singh，Arca" channel: "Latent Space" host: ["Richard MacManus"] guests: ["Aman Singh"] date: "2026-10-31" updated: "2026-11-01" duration: "26:05" duration_seconds: 1565 source_type: "youtube" youtube: "https://www.youtube.com/watch?v=KM3VQZKjpiY" canonical: "https://pod-exp.pages.dev/KM3VQZKjpiY/" transcript_jsonl: "https://pod-exp.pages.dev/KM3VQZKjpiY/transcript.jsonl" language: "zh-CN" translation: true translated_from: "en" timestamp_precision: "block" topics: ["AI 智能体","人工智能","金融基础设施"] series: ["AI 基础设施"] --- # 用智能体处理长周期金融工作——Aman Singh，Arca > 中文译文，由英文原音字幕翻译整理，不是官方逐字稿；引用原话请核对英文原视频。说话人标签由整理者依上下文标注，带「未确认 / 未标注 / 不确定」等字样的标签不可靠。时间戳一般为块级（所在时间块的起点），不是逐句时间；正文自带 [hh:mm:ss] 的段落除外。 **内容提要：** Arca 将自己定位为 AI 原生财富管理机构，而不是向其他金融公司出售软件。公司用自建、模型无关的运行框架，把前沿模型按任务复杂度分配到财务规划、税务分析和后台工作中；智能体持续追踪客户状态、来往信号、责任人和待办事项，使跨越多日的服务能够接续运行。安全设计通过确定性权限、写入核验、提示注入检测、数据外发检查及人工审批控制资金操作和客户沟通。智能体生成财务方案后还要经过事实、隐私和合规核验。Arca 将员工反馈与智能体轨迹关联，用夜间分析提出改进建议，但由工程师把关提示词变更。访谈最后以客户案例说明，智能体能发现未披露费用，并主动跟踪截止日期和退休账户分配要求。 ## [0:01] 介绍 Arca 的 AI 原生财富管理公司 · YouTube **Aman Singh：** 我们其实不是一家 SaaS 公司，我们自己就是这家金融服务机构。智能体主动向人提问的次数，比人向智能体提问还多；它为客户提供的是一种全天候、主动式服务。 **Richard MacManus：** 我们现在在 2026 年 AI Engineer 纽约大会现场，我身边是 Arca 的 Aman Singh。Arca 最近为一家 AI 原生财富管理公司融资 6400 万美元。首先，Aman，能介绍一下你在 Arca 的职责、公司提供哪些金融服务，以及你们如何用 AI 智能体来运营吗？ **Aman Singh：** 当然，感谢邀请。我在 Arca 负责 AI 平台团队。我们正在搭建底层运行框架和相关能力，最终目标是用 AI 来运营这家公司。 我们为客户提供的金融服务范围很广，包括财务建议、资产规划，以及随着财富增长所需的税务、保险和遗产规划。比如，有人刚卖掉一家公司，牵涉到很多合作方和复杂事项，我们可以帮他梳理。我们的客户也包括大型科技公司的高管，他们想认真规划如何提前退休；还有希望买下第一套房子的小家庭。 ## [1:40] AI 如何辅助人类财务顾问 · YouTube **Richard MacManus：** 你们目前的客户需要你们解释如何使用智能体、为什么使用，以及背后的技术吗？ **Aman Singh：** Arca 用 AI 不是为了取代顾问，而是取代顾问周围那些繁琐工作。客户其实不会直接和 AI 打交道，他们感受到的是这个行业过去难以提供的服务水平，而服务仍由有人情味、会关心客户的顾问交付。 我们为每位客户搭建一套持续运转的系统，不断思考市场正在发生什么、会怎样影响 Richard，也留意客户生活中还有哪些事情会影响财务。借助 AI 处理后台工作，我们就能更主动、更及时地响应，提供更好的客户服务。 ## [2:41] 用内部基准挑选模型 · YouTube **Richard MacManus：** 说说技术细节吧。你们用哪些模型驱动智能体？又如何判断哪种模型适合哪类任务？ **Aman Singh：** 目前我们用的是 Anthropic、OpenAI 等前沿实验室的前沿模型。Claude 一直是我们的主力模型，不过这些年我们换过好几轮：很早以前用过 Gemini，后来用 OpenAI，再到 Anthropic。决定模型选择的是我们针对自家通用运行框架各项能力建立的内部基准，这些能力都要支持我们实际运营业务。 举个最近的例子，外部基准对 Luna 的评价很好，但它在我们这里的表现没有预期那么好：速度太慢，成本也很高。所以我们根据内部基准来选模型。我们的原则是保持模型无关，不依赖某一家供应商或某个实验室的运行框架，把选择空间留在自己手里。 ## [4:01] 自建运行框架并按任务分配模型 · YouTube **Richard MacManus：** 你刚才提到运行框架。你们会根据所用模型换不同的框架吗？ **Aman Singh：** 不会，我们内部自建了一套模型无关的框架。 **Richard MacManus：** 比如财务顾问在做税务报告时，框架会自动决定使用哪个模型吗？ **Aman Singh：** 会。我们按任务复杂度划分模型档位。税务规划或税务分析会用最强的一档，档内选择也比较灵活，可以用 Opus 档、Sonic 档或强力的 GPT 模型。智能体还会做很多后台工作，复杂度较低的任务就用低一档的模型。我们大致就是这样决定每项任务由哪个模型处理。 **Richard MacManus：** 所以顾问在使用产品时会自己做这个决定吗？ **Aman Singh：** 不会。他们甚至不会注意到这件事。我们把模型选择完全藏在后台，顾问照常使用产品，具体决策由我们内部完成。 ## [5:25] 处理 10 万美元税款：智能体分析与人工审批 · YouTube **Richard MacManus：** 你今天在大会演讲里讲了一个税单案例。能否带我们走一遍：从发现需要调整客户投资组合，到重新平衡甚至执行交易，智能体和人类顾问分别负责哪些环节？ **Aman Singh：** 就像我演讲里说的，这件事会持续十天。最终交付结果由智能体负责，但有些事情它们能做，有些不能。比如客户把整张税单发给我们后，智能体会分析客户目前如何配置资金，以及怎样以最合适的方式变现一部分资产，凑出 10 万美元。 **Richard MacManus：** 这部分交给智能体分析。 **Aman Singh：** 对，就是这样分析。 **Richard MacManus：** 那智能体有权限限制吗？比如不能自行按正确金额执行交易？ **Aman Singh：** 分析环节是全自动的，但智能体不能自动转移资金或清算资产。我们和托管机构深度集成，对方确实提供了能执行这些操作的 API；不过，只要涉及资金转移、资产清算，甚至直接联系客户，我们都有严格的人工介入护栏，因为我们对服务水准和质量有要求。内部分析都由智能体完成；需要执行交易时，它们会找合适的人来处理，并给出个人财务方案供对方审阅和调整，再继续推进。 ## [7:20] 长周期任务中的智能体记忆 · YouTube **Richard MacManus：** 你提到这些流程会持续十天，比现在很多智能体任务都长。智能体几天后恢复任务时，怎样重新找回上下文，并确认计划仍符合客户需求？ **Aman Singh：** 这个问题很有意思。正如我演讲里说的，我们会接收到大量信号。比如一条邮件线不断有新回复，负责读取并处理这条邮件线的智能体就能继续响应。但如果中间发生了一通电话，它是一个全新的信号，并没有挂在任何正在进行的流程上。这时就会有一个新智能体启动，弄清楚这代表什么。 它理解当前情况，靠的是我们的内部记忆系统。我们会持续记录每位客户目前发生了什么、正在为他处理什么、谁负责什么、此前发生了什么、接下来要跟进什么；哪些事情需要在未来几天内马上处理，哪些属于长期跟进；以及每项行动由谁负责。这些信息都由记忆系统跟踪，智能体也会不断补充。 此外还有一种类似“做梦”的整理过程，会回顾与客户有关的现实状况，并更新记忆，让长周期任务得以持续推进。收到新信号的智能体很快就能补齐背景：知道我们正在处理一笔大额税款，就能判断新信号和这笔税款有关，并把信息补充到整个事件的状态记录里。 ## [9:22] 安全护栏与提示注入防护 · YouTube **Richard MacManus：** 能谈谈产品或运行框架中的安全设计吗？你们怎样确保过程中不会发生资金损失？ **Aman Singh：** 所有安全限制都是确定性的，会把决策权从智能体手里拿走。某些工具允许智能体直接执行，比如简单的记录工具。但每次工具写入数据时，我们都会再运行基于大语言模型的验证：用快速模型检查每一次数据库写入，作为额外一层核验。 我们还会接收大量外部信息，包括邮件、文件和电话内容，这些都可能成为提示注入的载体。因此我们在输入边界进行检测，识别特定类型的提示注入。 任何数据要离开系统时也会检查。最明显的例子是网页搜索，也包括给 Richard 发日历邀请。我们会用确定性规则检查是否包含已知的个人身份信息（PII），同时让多个小模型达成共识，确保没有人在尝试窃取数据。框架里还有很多这样的护栏。原则是在能力边界处拦截，而不是更早就限制智能体。 ## [11:02] 合规与审计能力默认内建 · YouTube **Richard MacManus：** 你们处在金融行业，有没有一些技术层面必须遵守的规定？还是监管主要关注结果以及你们如何服务客户？ **Aman Singh：** 这个行业关注结果，合规部门关注可审计性。所以我们的系统从设计之初就内建了审计能力。智能体每做一项操作，都会生成变更日志，记录改了什么、谁改的、通过系统的哪个部分改的，以及发生时间。 这不只适用于智能体，也适用于人。比如有人在界面里做了会影响客户的修改，我们也会记录下来。这样既能默认满足审计要求，也能支持智能体工作流：系统追踪到的界面变更，同样可以用来告知智能体发生了什么。 **Richard MacManus：** 明白。 **Aman Singh：** 审计能力一直是我们方案的重要部分，既是为了满足监管合规，也是为了支撑智能体工作流。 ## [12:14] “智能体向人提问，比人向智能体提问更多” · YouTube **Richard MacManus：** 你演讲里有句话很妙：“智能体向人提问，比人向智能体提问更多。”智能体怎样判断该找谁参与？又该给对方多少背景信息，才能让他完成需要做的事？ **Aman Singh：** 这和我们这个行业里人类的工作方式很像。一个流程可能持续十天，涉及多个参与者。到了第七步才需要介入的人，前面可能还不必了解情况；系统会在合适的时候把他找进来。 智能体依靠长期记忆，以及每天对当前情况的回顾，判断事情进展到哪一步。当出现某个信号，表明该让某个人参与时，它们就会在那时找到合适的人。这些能力来自我们把行业的实际运作方式转化成了流程；也包括 Arca 希望事情如何运作，以及我们认为什么样的原则应当指导这个行业。 这也是我们不只是 SaaS 公司的优势。我们自己就是这家金融服务机构，所以能把工作的流程标准化，让智能体按统一方式参与其中。 ## [13:48] Arca 为什么要自建智能体基础设施 · YouTube **Richard MacManus：** 今天大会早些时候，Anthropic 办了一场关于托管式智能体基础设施的工作坊，其中很多环节、甚至编排过程，都在变得更加自动化。你们会考虑使用这类功能吗？它显然也带来风险，因为人不一定总在流程中。你们有没有考虑过用这类技术把更多流程自动化？ **Aman Singh：** 我们非常看好 Anthropic 和 OpenAI 等实验室的模型，但不太愿意依赖托管式智能体这样的产品。托管式智能体的一个关键能力，是让模型持续积累记忆、跟踪现实情况，并掌握成功运作所需的业务知识。把这部分业务交给外部产品掌管，会有风险。 掌握智能，就掌握了影响业务的能力。如果把智能交给另一家供应商，我们就会失去一部分控制力，也更难打造真正独特、并且高度贴合自身业务的系统，才能真正影响业务。 ## [15:05] AI 原生公司与使用 AI 工具的公司 · YouTube **Richard MacManus：** 说到 Anthropic，他们最近也推出了金融服务，和不少公司展开合作。你觉得他们做的事情会和你们形成竞争吗？还是说这是不同的方向？ **Aman Singh：** Anthropic 进入我们这个行业，说明这个行业很有前景。但我认为，能使用 AI 工具的服务公司，和从一开始就为 AI 原生而构建的公司，是很不一样的。 使用 AI 工具的公司，需要用户主动向智能体提问，才能让它产出成果、完成工作。但在 Arca，正如我前面说的，智能体主动向人提问的次数，比人向智能体提问还多。我们提供的是全天候主动服务，按我们期望的标准来运营业务，达到我们追求的服务水平。这和一家拥有 AI 工具的公司 ## [16:09] 沙箱与财务方案核验 · YouTube **Aman Singh：** ……差别就很大。 **Richard MacManus：** 是，是。再多问一点安全方面的问题：你们的流程里，哪些部分会在沙箱中运行？在任何人采取行动之前，你们如何核验财务方案的变更？ **Aman Singh：** 沙箱是我们运行框架的一个组件，智能体本身并不在沙箱里。它会把计算任务交给沙箱处理。我们也建了安全机制，让沙箱内的代码能够访问数据：系统会把智能体写出的代码转换成我们预期的严格格式，丢弃原始代码，并在数据到达后端之前，对转换后的格式加上护栏。 这样智能体就可以用代码查询数据、汇总和处理数据，并按需要生成财务方案。它们也会在同一个沙箱里生成精心制作的客户材料，例如一份 PDF，说明客户的财务规划方案，以及我们打算如何帮助客户安排生活中的财务问题。 方案生成后，我们才运行核验。沙箱会输出特定格式的材料，我们随即进行多种检查。有些是确定性的，比如检查材料里是否出现不该出现的原始账户号码。我们也会用快速的小模型（比如 Jev）检查可能导致材料不合规的内容。例如，材料不应该承诺投资回报；在将它标记为可发布之前，我们会先检查这一点。 最后，这种做法实际上让合规检查比人工处理更到位，因为 AI 不会疲倦，能找出文本里哪怕最细微的不合规表述。我们会继续投入这方面的能力，并在智能体能力的边界处设置约束。 ## [18:40] 决策模型与金融事实核查 · YouTube **Richard MacManus：** 你刚才提到了 Jev。你们已经把决策模型纳入流程了，除了 Jev 之外，还在关注哪些产品？ **Aman Singh：** 我们注意到，模型处理金融数据或回答需要金融知识的问题时，对自己掌握的知识往往非常自信。举个小例子：模型可能会直接拿 2025 年的税率档位做分析，然后说“就是这样”，但这显然不对。 所以，我们在运行框架里使用决策模型，在模型即将给出财务建议或采取任何需要严谨金融判断的行动时进行识别，并引导它使用我们知识库中经过核实、且对当下仍然有效的事实，或者通过网页搜索查证。这也说明了自建并掌握运行框架的价值：它能帮助模型在关键问题上给出准确结果。 ## [19:51] 交易执行仍由人类专家负责 · YouTube **Richard MacManus：** 比如交易执行失败需要恢复时，你们会用决策模型吗？还是会通过其他路径让智能体回到正轨？ **Aman Singh：** 目前我们还没有探索这个用例。 **Richard MacManus：** 明白。如果某一步交易失败，现在流程里智能体会怎样恢复？ **Aman Singh：** 目前我们不会让智能体自主交易。智能体会提出交易建议，是否应该进行这笔交易、是否执行，完全由我们的专家判断。 ## [20:33] 把员工反馈变成评测与改进 · YouTube **Richard MacManus：** 延续刚才的话题，你的幻灯片上说，每次员工编辑或取消操作都会附上一条原因，并变成一项评测。这些反馈怎样回到系统里，转化成可衡量的改进？ **Aman Singh：** 我们作为实际经营业务的公司，而不是 SaaS 公司，有一个优势：可以要求员工给我们反馈。反馈会进入一个数据存储系统，并和产生相关结果的智能体执行轨迹关联起来。我们把轨迹和反馈放在一起，每晚收集真实环境中智能体的执行记录，再让一个元智能体分析，并提出运行框架的修改建议。比如某些工具会误导智能体、操作出错，或者知识库里缺少信息；它会把这些问题找出来，帮助我们改进。 目前，真正发布提示词修改之前，仍然会有一位人类工程师把关。 **Richard MacManus：** 是。我注意到，如果让智能体自己改提示词，它们可能会改得很糟：每个小修补最后都变成整个提示词；它们也很难站在更高层面，把某个修复提炼成能泛化的提示词。不过，我们确实把产品反馈直接做成一等功能，用来收集评测并推动改进。 ## [22:23] 把运营知识转化为智能体上下文 · YouTube **Richard MacManus：** 你演讲里还提到，要把公司如何运作的知识转化成智能体的上下文。这也是很多前线部署工程师在做的事：把组织内部知识变成智能体能采取行动的内容。你们公司具体怎么实现？又如何保持更新？ **Aman Singh：** 我们有一个以文件形式组织的知识库。我们把它交给内部专家整理和更新，因此它是产品中的一项核心功能。产品左侧有一个“知识”页签，里面包含智能体使用的完整运营背景。 智能体工作时可以引用这些知识，这就形成了一个反馈循环：如果我们发现知识有误，问题会在执行轨迹分析中显现出来。由于知识库本身就是产品的一部分，员工可以直接进去编辑相关技能。这大致就是它的运作方式。 **Richard MacManus：** 好，明白了。 ## [23:41] 客户案例：发现隐性费用与主动服务 · YouTube **Richard MacManus：** 你们已经通过公司里的财务顾问为客户提供这些服务了吧？能不能举个客户例子，说明智能体如何让他的投资、税务或其他方面获得了可衡量的改善？也请说说智能体架构中的哪些部分帮到了他、带来了怎样的好结果。 **Aman Singh：** 我讲一个最近的例子。这位当时还不是客户，但已经到了准备成为客户的阶段。我们拿到了他的所有文件、账单和当前投资等资料。他当时已经有一位财务顾问。见面时，他告诉我们，现任顾问向他收取 1500 美元服务费，而且回复不太及时，所以他才来和我们聊。 我们的智能体读完这些文件并做了分析，也分析了客户自己陈述的目标，以及现任顾问的账单和收费情况。结果发现，对方还收取了一些客户原本不知道的费用。智能体把这些费用指出来，让客户知道自己被多收了钱，也发现那位顾问并非受托人（fiduciary），没有义务以客户利益为先。 这体现了智能体分析整体财务状况时带来的细致程度；如果没有这些智能体，这种程度的分析恐怕做不到。还有很多主动服务的例子：比如有人即将错过截止日期，或者可能错过最低强制分配（RMD）。人类很难大规模追踪这些事情，但在 Arca，这正是智能体的默认行为。 **Richard MacManus：** 很好，这里正好可以收尾。Aman，非常感谢你来参加。 **Aman Singh：** 谢谢邀请我。