4. 大语言模型与金融智能体
在金融多智能体协作工作流中，大语言模型（LLM）并不是“万能大脑”，而更像一个具备语言理解、推理与编排能力的认知内核。它负责理解任务、生成计划、调用工具、整合证据，但真正的数值计算、行情获取、合规校验与风控判断，必须交给确定性工具或专业模型完成。理解LLM在金融领域的应用边界，是设计可靠智能体的第一步。
一、核心原理：LLM在金融场景中的能力边界
LLM的核心能力集中在语义理解、模式归纳、文本生成与跨任务迁移。在金融领域，它擅长处理研报摘要、公告解读、舆情分类、问答交互、代码生成与多步任务编排。但它存在三类硬边界：
- 数值精度边界：LLM对精确计算、复利、久期、期权希腊值等容易产生幻觉，必须外接计算器或金融库。
- 时效性边界：训练数据存在截止日期，实时行情、最新公告、监管政策必须通过检索或API注入。
- 合规与可解释边界：投资建议、风险评级等输出需可追溯、可审计，不能仅依赖模型“黑箱”生成。
设计原则：让LLM做“理解与编排”，让工具做“计算与取证”，让知识库做“事实锚定”，让规则引擎做“合规兜底”。
二、方法流程：提示工程、工具调用与知识增强的协同
金融智能体的典型工作流可拆解为四层：提示层 → 规划层 → 工具层 → 知识层。提示工程负责约束角色、输出格式与推理路径；规划层将复杂任务拆解为子任务；工具层执行行情查询、财务计算、回测、风控规则；知识层通过RAG注入研报、公告、法规与内部文档。
# 金融智能体工具调用配置示例（YAML）
agent:
name: "equity_research_agent"
model: ""
system_prompt: |
你是证券研究员，只基于给定工具与知识库回答。
涉及数值必须调用 calculator；涉及行情必须调用 market_api。
输出必须包含：结论、证据、风险提示。
tools:
- name: market_api
description: "获取实时行情与历史K线"
params: {symbol: "string", period: "string"}
- name: calculator
description: "执行精确财务计算"
params: {expression: "string"}
- name: rag_search
description: "检索研报、公告与法规"
params: {query: "string", top_k: 5}
knowledge_base:
index: "finance_docs_v3"
embedding: "bge-large-zh"
chunk_size: 512
提示工程在金融场景中需特别强调三点：角色约束（如“合规分析师”）、格式约束（JSON或表格输出）、证据约束（每个结论必须引用来源）。工具调用则通过Function Calling或ReAct模式实现，模型输出结构化调用请求，由执行器返回结果后再进入下一轮推理。知识增强通常采用RAG：将文档切片、向量化、检索、重排后拼入上下文，降低幻觉。
三、案例场景：财报解读智能体的工具调用链
以“分析某上市公司最新财报并给出风险提示”为例，智能体的执行链如下：
- 用户提问后，规划层拆解为：获取财报 → 提取关键指标 → 计算同比/环比 → 检索行业对比 → 生成结论。
- 调用
rag_search检索最新财报PDF与公告，返回带页码的原文片段。 - 调用
calculator计算营收增速、毛利率、经营现金流/净利润比值。 - 调用
market_api获取当前股价与估值分位。 - LLM整合证据，输出结构化结论，并标注每条结论的来源与置信度。
| 能力维度 | LLM直接处理 | 需外接工具/知识 | 风险等级 |
|---|---|---|---|
| 文本摘要与情感分类 | ✅ 适合 | — | 低 |
| 精确财务计算 | ❌ 易幻觉 | 计算器/金融库 | 高 |
| 实时行情与公告 | ❌ 无时效 | API/RAG | 高 |
| 合规与投资建议 | ⚠️ 需约束 | 规则引擎+人工复核 | 极高 |
| 多步任务编排 | ✅ 适合 | Function Calling | 中 |
四、误区与复盘
常见误区一：把LLM当计算器。 直接问“某公司ROE是多少”而不提供数据，模型可能编造。正确做法是注入财报原文并调用计算工具。
常见误区二：提示词越长越好。 金融场景中，冗长提示会稀释关键约束。应使用结构化模板，把角色、工具、格式、禁止项分开写。
复盘要点： 每次智能体输出后，检查三件事——数值是否来自工具、事实是否来自知识库、结论是否有证据链。将失败案例回流为提示模板与检索策略的优化依据，形成“执行—评估—迭代”的闭环。
掌握LLM在金融领域的边界，本质是建立“能力分工”思维：模型负责理解与生成，工具负责确定性与时效性，知识库负责事实，规则负责合规。只有四者协同，金融多智能体才能在真实业务中稳定、可信、可审计地运行。