2. 金融智能体基础
在金融业务中引入智能体，并不是把大语言模型（LLM）简单包装成一个聊天窗口，而是构建一个能够感知市场与账户状态、进行推理决策、调用工具执行交易或风控动作的闭环系统。理解智能体的基础架构与运行循环，是后续学习函数调用与工具编排的前提。
一、核心原理：智能体架构与感知-决策-执行循环
金融智能体的典型架构由四层构成：感知层负责接入行情、账户、新闻、监管公告等数据；认知层由LLM承担意图理解、推理与规划；行动层通过函数调用连接行情API、下单接口、风控引擎、报表工具；记忆层保存会话上下文、持仓状态与历史决策，供后续轮次复用。
其运行遵循“感知—决策—执行”循环：每一轮先采集最新状态，再由LLM结合目标与约束生成决策，随后调用工具执行，并将执行结果回写记忆，进入下一轮。这个循环的关键在于状态可观测、决策可解释、执行可回滚，否则智能体在金融场景中会带来不可控风险。
二、方法流程：LLM在金融场景中的角色定位
LLM在金融智能体中并非“万能决策者”，而是承担语义理解、任务分解、工具选择与结果解释四类角色。真正的数值计算、合规校验与交易执行，应交由确定性工具完成。典型流程如下：
- 意图解析：将“帮我看看今天科技板块有没有异动”解析为查询行情、筛选板块、生成摘要三个子任务。
- 工具选择：根据子任务匹配函数，如
get_sector_quotes、filter_by_change、summarize_news。 - 参数填充：从上下文提取板块名称、时间范围、阈值等参数。
- 执行与校验：调用工具后检查返回状态，必要时重试或降级。
- 结果解释：将结构化数据转化为合规、可读的结论，并标注数据来源。
在金融场景中，建议将LLM的“决策”限定为选择调用哪个工具、传什么参数，而不是直接生成交易指令。所有涉及资金与合规的动作，必须经过独立风控函数二次确认。
三、常见金融智能体类型与案例
按业务目标划分，金融智能体常见类型包括：投研分析智能体（自动拉取财报、生成研报摘要）、交易执行智能体（根据策略信号调用下单接口）、风控合规智能体（实时监控异常交易并触发拦截）、客户服务智能体（解答产品问题并转接人工）、运营自动化智能体（对账、报表、数据清洗）。
| 类型 | 核心工具 | 典型场景 | 关键风险 |
|---|---|---|---|
| 投研分析智能体 | 财报API、新闻检索、摘要模型 | 自动生成个股晨报 | 数据时效与来源偏差 |
| 交易执行智能体 | 行情接口、下单函数、风控引擎 | 策略信号自动下单 | 重复下单、参数错误 |
| 风控合规智能体 | 规则引擎、黑名单、告警工具 | 异常交易实时拦截 | 误拦与漏拦 |
| 客户服务智能体 | 知识库、工单系统、转人工接口 | 产品咨询与投诉分流 | 合规话术越界 |
四、误区与复盘
初学者常陷入三个误区：其一，让LLM直接计算收益或风险指标，导致数值幻觉；其二，缺少工具返回校验，一次失败调用后继续推进，造成状态错乱；其三，忽略记忆层边界，把过期持仓当作当前状态使用。
复盘要点：每次循环结束后，应记录“感知输入—决策依据—调用工具—返回结果—最终动作”五元组日志。一旦出现异常，可快速定位是感知数据错误、LLM选择错误，还是工具执行失败。
{
"round": 3,
"perception": {"sector": "科技", "change": "+2.3%"},
"decision": "调用 summarize_news 生成摘要",
"tool_call": {"name": "summarize_news", "args": {"sector": "科技", "limit": 5}},
"tool_result": {"status": "ok", "items": 5},
"action": "输出晨报摘要并标注来源"
}掌握智能体架构与循环机制后，下一步才能理解函数调用如何被LLM选择、参数如何被约束、多工具如何编排。这是金融智能体从“能聊”走向“能干活”的分水岭。