Aman Singh：Arca 如何用 AI 智能体处理长期金融工作

在 AI Engineer New York，Latent Space 编辑 Richard MacManus 采访了 Arca AI 平台团队负责人 Aman Singh。Singh 说，这家财富管理公司正在构建内部智能体运行框架以支持自身业务，而不是销售独立软件产品。

Arca 提供涵盖投资、税务、保险和遗产的财务建议与规划。Singh 说，客户包括出售企业的业主、计划提前退休的科技高管，以及准备购买第一套住房的家庭。

Singh 说，AI 旨在替代顾问周围的工作，而不是替代人类顾问。客户与顾问互动，智能体则在后台工作，以期提供更主动、更及时的服务。这是 Arca 所描述的运营模式，并非对财务结果的保证。

Arca 目前使用包括 Anthropic 和 OpenAI 在内的前沿模型，Claude 一直是主要模型。Singh 说，公司曾多次更换模型提供商，并通过覆盖自身运行框架所需能力的内部基准评估候选模型。

外部基准结果并不总能预测 Arca 的实际体验。Singh 描述了一个在公司内部测试中速度和成本不如预期的模型。他希望架构不依赖特定模型，以便保留选择提供商的余地。

公司构建了自己的模型无关运行框架。任务按复杂程度分配到不同模型层级：税务分析可能使用较强的模型，要求较低的后台活动则使用较低层级。顾问使用产品时不需要自己选择模型。

MacManus 询问一个客户需要支付 10 万美元税单的例子。Singh 说，整个工作流程可能持续十天。智能体可以分析客户资产的配置并提出筹款方案，但其他步骤需要人参与。

Singh 说，Arca 的智能体不会自主转移资金、清算资产或直接与终端客户沟通。尽管公司与托管机构集成的 API 可以支持交易，仍由人审核并可调整建议方案，在适当时执行交易。

对于数天后恢复的工作，系统会接收不同类型的信号。现有邮件线程的回复可以回到跟进它的智能体；新的电话则可能唤醒另一个智能体，判断它与正在进行的工作有何关系。

Arca 持续保存客户上下文：正在进行什么、已经发生什么、每项行动由谁负责，以及近期或长期需要关注什么。智能体会更新这些记忆，定期反思流程也会维护它，让新启动的智能体了解相关状态。

Singh 说，关键安全限制由确定性规则执行：智能体不能自行决定受保护的操作是否获准。普通记录工具可能直接开放；此外，公司还对数据库写入运行快速 LLM 检查，作为额外验证层。

收到的邮件、文档和电话可能携带提示注入。Singh 说，Arca 在输入边界进行检查，也检查通过网页搜索或日历邀请等方式离开系统的信息。这些检查包括确定性识别已知个人信息，以及试图发现数据外泄的小模型共识机制。

在合规方面，Singh 强调可审计性。他说，每次智能体操作都会产生日志，记录变化内容、操作者或系统、位置和时间。界面中的人工编辑也会被记录，这些日志还可以通知智能体状态发生了变化。

采访回到 Singh 的一句话：智能体提醒人的次数，比人提示智能体更多。在持续多天的流程中，并非每位参与者都需要立刻介入。持久上下文和每日反思帮助智能体在相关信号出现时找到合适的人。

Singh 说，Arca 不仅把行业通用做法编码进系统，也加入公司希望如何开展工作的具体原则。由于它自己运营顾问业务，可以标准化流程，让智能体参与其中，而不必把通用工具硬套到另一家公司。

被问及托管智能体基础设施时，Singh 对前沿模型持乐观态度，却谨慎看待依赖托管智能体产品。在他看来，对记忆和运营知识的控制，与企业对自身智能能力及系统定制能力的控制密切相关。

Singh 区分了给员工配备 AI 工具的传统服务机构，以及围绕 AI 工作流程设计的机构。他把 Arca 的智能体描述为主动运行的后台参与者，会把工作推送给人，而不是等待员工逐项发出提示。

沙箱是 Arca 运行框架的一个组件；智能体本身并非完全在沙箱内运行。Singh 说，智能体将计算任务交给沙箱。请求数据访问的代码会被转换为严格格式，原始代码被丢弃，随后在请求到达后端前应用限制。

智能体可以用代码汇总数据并生成财务规划 PDF 等文档。文档生成后，系统会进行验证：确定性检查可以发现原始账号，小模型则查找其他合规问题，例如对投资回报作出承诺。

Singh 认为，不知疲倦的自动检查可以改进合规审核，并将其描述为多层系统的一部分。这是公司对自身流程的判断；他没有给出量化比较来证明自动检查总是优于人工审核。

金融模型可能自信地使用过时事实。Singh 举例说，模型可能套用旧年度的税率区间。Arca 使用决策模型识别需要金融严谨性的环节，提示智能体查阅经过验证的当前知识库或进行网页搜索。

Singh 说，公司目前没有使用决策模型来恢复失败交易，因为智能体并不自主交易。它们可以提出交易建议，但由人类专家决定是否合适并执行。

员工的编辑和取消操作会提供反馈。Singh 说，产品会把这些反馈与对应的智能体运行轨迹一起保存。每晚，元智能体检查真实轨迹并提出改进建议，例如修复误导性的工具、错误或知识库缺口。

提示词改动上线前仍由人类工程师审核。Singh 发现，放任智能体自行修改时，它们可能不断添加狭窄补丁，导致提示词膨胀，而不能概括底层问题。反馈循环旨在产生评估和改进，并在发布时保留人工审核。

运营知识以文件形式保存，并作为产品功能供领域专家维护。智能体可以引用所使用的知识；轨迹分析能够发现错误信息，员工随后可以直接编辑相关技能或知识。

被问及客户影响的例子时，Singh 描述了一位已有顾问的潜在客户。Arca 的智能体审查了对账单、投资、目标和所述顾问费用，提示对方注意此前不了解的额外费用，以及该顾问受托人身份的问题。

Singh 还举例说，智能体可以提示临近截止日期和最低必需分配等事项。他认为，大规模跟踪这些细节对人来说很困难，并称主动监测是 Arca 系统的默认行为。