--- id: "oP2WLFpMoDY" title: "深入了解 Arca 那些运营业务的长周期智能体——Aman Singh，Arca" channel: "AI Engineer" host: [] guests: ["Aman Singh"] date: "2026-10-23" updated: "2026-11-01" duration: "13:15" duration_seconds: 795 source_type: "youtube" youtube: "https://www.youtube.com/watch?v=oP2WLFpMoDY" canonical: "https://pod-exp.pages.dev/oP2WLFpMoDY/" transcript_jsonl: "https://pod-exp.pages.dev/oP2WLFpMoDY/transcript.jsonl" language: "zh-CN" translation: true translated_from: "en" timestamp_precision: "block" topics: ["AI 智能体","金融基础设施","人工智能"] series: [] --- # 深入了解 Arca 那些运营业务的长周期智能体——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：** Aman Singh 介绍 Arca 如何让 AI 智能体端到端推进金融服务中的长周期工作。以客户缴税为例，智能体读取邮件、账户与市场信号，结合客户记忆、运营背景和执行工具拟定方案，再通过协作空间把员工拉入关键环节。系统持续观察外部事件和员工在产品里的操作，更新任务、记忆与计划，并在适当时机分派工作。经过六个月的打磨，Arca 希望从“员工提示智能体”转向“智能体主动提示员工”，最终通过设定智能体目标来引导业务目标。 ## [0:14] Arca：一家 AI 原生服务公司 · YouTube **Aman Singh：** 我叫 Aman，在 Arca 负责 AI。今天我想聊聊 Arca 那些能够长期推进、并实际运营我们业务的智能体。 **Aman Singh：** Arca 是一家 AI 原生服务公司，为客户提供财务规划、税务规划、资产管理和投资建议等服务。我们的客户类型很多：有积累了大量财富、需要认真规划提前退休的科技公司高管；也有新罕布什尔州的一户家庭，他们刚赚到人生第一个一百万美元，终于想买下那套房子。 **Aman Singh：** 如今“AI 原生”有很多种定义，这个词也被用得太多了。我们所说的 AI 原生，是指智能体在运营我们的业务，而不是躲在某个副驾驶角落里给业务打下手。它们会执行那些塑造客户最终结果的决策。 ## [1:21] 长周期工作与长时间连续运行的区别 · YouTube **Aman Singh：** 了解金融服务行业的工作形态很有意思。在这个行业，工作更像是长周期推进，而不是让智能体连续运行很久。也就是说，不是让智能体一连几个小时甚至几天不停地消耗 token；更像是围绕一个客户目标，跨越十天断断续续地推进。中间会有很多参与者、很多决策点，也会有很多次交接。最终，这个目标在十天后落地。这就是我们正在处理的工作。 ## [1:54] 案例：为客户筹钱缴税 · YouTube **Aman Singh：** 举个例子。Jane 是我们的客户，资产相当可观，但有一笔很大的税款要缴，缴款日是 4 月 15 日。我们要帮 Jane 找到税务上最合算的筹资方式。 **Aman Singh：** 顾问会分析账户结单，研究怎样安排才能最节税；交易员会实际卖出资产。资产卖出后，结算本身要花几天，之后运营人员再发起 ACH 转账，而这一步到账也要几天。这就是这个行业里的典型工作：每一步都可能要几天才能结算。 **Aman Singh：** 如果要为好几位客户大规模做这类事，整家公司花在这些工作的时间就会呈指数级增长。 ## [2:51] 让智能体端到端负责结果 · YouTube **Aman Singh：** 所以 Arca 采取了不同的做法。先说明一点：Arca 不是一家 SaaS 公司，我们不向其他企业或公司卖软件。我们自己就是这家公司。我们是一家应用 AI 公司，只不过恰好在这个行业经营服务业务。 **Aman Singh：** 我们的做法是：让智能体从头到尾负责整个长周期目标。为此，我们给了它们几个关键组件，简单介绍一下。我们把外部世界的信号交给它们，让它们持续了解正在发生什么；比如由智能体读取那封邮件。我们还提供运营背景，告诉它们这封邮件该怎么处理、遇到这种税务情况行业里通常该怎么做。 **Aman Singh：** 我们给了它们一个 harness，里面有执行工作所需的工具和护栏；更重要的是，在漫长的工作周期中，它们有持久记忆，能够把事情一直推进下去。当然，我们也让它们能够和人协作。 **Aman Singh：** 这样一来，工作周期就大幅缩短了，因为我们把人从关键路径上移开了。没人需要连续几天守着这个目标；智能体会一直跟进。在这场演讲里，我想具体讲讲我们是怎么做到的。 ## [4:24] 跟踪一个信号：一封邮件的旅程 · YouTube **Aman Singh：** Jane 发来邮件，说她欠着 10 万美元的税款。这封邮件和平台里的许多其他信号一样，会由后台智能体读取。信号还包括公司打出的电话、收到的文件、举行的会议、托管机构传来的事件，以及市场波动。后台智能体会持续评估这些信号，推动工作往前走。这封邮件就是其中一个信号。 **Aman Singh：** 智能体收到信号后，就会开始处理工作。我们的 harness 提供了所需的行业知识，让智能体知道该怎么做；它们还有深入的客户记忆，因此知道“Jane 的苹果股票仓位千万别动”，因为她大约八个月前在一次通话里提过这一点。我们也提供沙盒，供它们完成分析所需的各类财务计算。 **Aman Singh：** 不过，我觉得如今各种 harness 正逐渐形成相似的标准形态。更有意思的是 harness 之外会发生什么。智能体完成工作后，会产出一份计划。 ## [5:28] Spaces：智能体把人拉进协作的地方 · YouTube **Aman Singh：** 光有计划还不够，人必须参与执行。因此，我们的产品里有一个 space，由智能体创建，把计划放在那里。大家可以在里面和智能体聊天，了解计划进展；也可以有好几个人同时和智能体交流。 **Aman Singh：** 更重要的是，智能体需要人来执行某些工作时，会把相关人员拉进这个 space。这个案例里，我们会在这里批准计划，以及发给 Jane 的邮件。接下来还有一连串需要处理的问题：Jane 回复了吗？她的回复对原计划意味着什么？在整个长周期工作中，还有其他问题也需要逐一回答…… ## [6:08] 智能体盯着外部变化，人就不用守着 · YouTube **Aman Singh：** ……这些都是长周期工作里需要回答的问题。在 Arca，我们当然不打算让人一直守着进度，所以让智能体去观察外部世界，人就不用盯着了。 **Aman Singh：** 我们给智能体工具，让它们可以登记自己关心的事情：比如“Jane 回复时告诉我”“ACH 到账时告诉我”。后台的信号系统会把信号路由给关注它的智能体。 **Aman Singh：** 如果信号一直没有出现，智能体也可以按计划自行唤醒，继续跟踪这项工作。 ## [6:54] 应对混乱的现实世界 · YouTube **Aman Singh：** 当然，现实世界很混乱。大家都在等 Jane 回邮件，可她一直没回。假设我们后来当面见到她，得知了一些会影响计划的新情况，员工就可以把这些信息录入我们的界面。 **Aman Singh：** 但录入信息、在界面里完成工作，本身也是一种会唤醒智能体的信号。员工在产品里操作也会产生信号：比如他们改了日历活动的时间，这就是信号；把任务标记为完成，也是信号。 **Aman Singh：** 这套系统让我们既能感知外部世界发生的一切，也能了解内部工作进展，让智能体参与其中。智能体之间也会互相沟通：后台智能体读到信号后，会通知另一个智能体，由它更新 space，说明“现在只需要 8 万美元，不是 10 万美元了”。信号一变，工作内容也随之调整。 **Aman Singh：** 故事的最后一环是，智能体能在恰当的时候把合适的人拉进来。左边的智能体读过运营背景后，会判断：“下一步该找负责交易这些资产的人。”于是那个人会收到一项任务，被拉进来参与这项长周期工作。 ## [8:25] 长周期工作的基础能力 · YouTube **Aman Singh：** 总体来看，我们给了智能体推进长周期工作的基础能力。人在工作中需要知道正在发生什么，所以我们为智能体建了一套很强的信号系统，让它们保持感知；它们还需要知道下一步做什么，因此我们提供了完整的运营背景。 **Aman Singh：** 它们需要实际完成工作，所以 harness 让它们能够执行并跟踪工作。它们还需要能长期保存状态的记忆系统；也需要在恰当的时候把合适的人拉进来。 ## [9:03] 涌现的复杂性，以及过去六个月的工作 · YouTube **Aman Singh：** 这个想法表面上很简单，但会涌现出很多复杂情况。你可以想象，任何时候都可能有数百个信号涌进来；任务不断加到员工的待办里，员工被拉进来协作，后台智能体之间也在互相沟通。 **Aman Singh：** 过去六个月，我们一直在努力把这套系统打磨好。我们在弥合各种上下文缺口，让智能体充分了解情况；也在提高任务分配的准确性，确保在合适的时间找对人。需要以后跟进的工作，会记进智能体的记忆；现在就能做的工作，则会变成一项任务。 **Aman Singh：** 我们也一直在提升系统跨越长周期保持状态的能力。因为我们自己就是这家公司，而不只是一家 SaaS 公司，所以我们一直在改变并规范公司内部的工作方式，再把这些运营背景转化为智能体的状态。 **Aman Singh：** 使用我们产品的同事也是我们的团队伙伴。我们会从他们那里收集丰富的推理过程，并把这些材料转化成评测，帮助系统持续改进。 ## [10:13] 为什么要这么做？让智能体运营业务 · YouTube **Aman Singh：** 这里自然会有人问：为什么要做这件事？它能带来什么？我们想表达的核心观点是，我们希望平台足够 AI 原生，让智能体来推动业务。智能体运营业务，做出那些会塑造业务结果的决策。 **Aman Singh：** 在 Arca，员工登录后，看到的是智能体已经为他们准备好的任务。智能体已经读过那封邮件、看过收到的文件，也完成了 90% 的工作；只有轮到员工采取行动时，才会把他们拉进来。 **Aman Singh：** 打造这套系统，能让我们做到：在 Arca，智能体主动提示人的次数多于人提示智能体。这样，智能体就能推动公司的工作；既然智能体在推动公司做的事，它们也就能推动业务本身。 ## [11:15] 通过引导智能体来引导业务 · YouTube **Aman Singh：** 我再举个例子。还记得 Jane 发来的那封邮件吗？这其实说明我们没做好，因为我们本来就应该主动处理这件事，不该等 Jane 发邮件。 **Aman Singh：** 假设在我们的 AI 原生业务里，我们设定了一个新目标：主动服务。每年一月，提前准备好每位客户的税务情况，并在客户开口之前主动联系他们。这就是公司要推动的新业务目标。 **Aman Singh：** 在 AI 原生公司里，我们只需要把这个目标纳入智能体的目标集合。因为它们已经具备通过员工推动业务的基础能力，就会开始推进这个目标。这样一来，一月份就会完成分析，每位客户的完整方案也会出现在员工面前，附上一封只需点击一次即可批准的邮件。智能体的目标与主动服务保持一致，员工就能一键批准，推动业务走向这个新结果。 ## [12:31] 使用 AI 工具与成为 AI 原生公司的区别 · YouTube **Aman Singh：** 我觉得这就是“使用 AI 工具的公司”和“AI 原生公司”之间的关键区别。当你能够通过引导智能体来引导业务时，就知道自己已经建成了一家 AI 原生公司。 **Aman Singh：** 这也是我们在 Arca 的目标，而且我们正在招聘。欢迎访问我们的网站；如果你也想解决这类问题，欢迎联系我。谢谢大家收听。