3. 智能体技术概览

在金融场景中谈“智能体”，很多同学第一反应是“能自动干活的AI”。但真正落到投研、风控、客服、交易辅助等业务里，智能体并不是一个单点模型，而是一套围绕目标持续运转的系统。理解它的演化路径，比记住某个框架的API更重要。本节从规则系统出发，逐步过渡到LLM智能体，并拆解感知、规划、记忆、工具使用与行动循环这五个核心部件。

一、核心原理：智能体的三次范式跃迁

智能体的技术演进大致经历三个阶段。第一阶段是规则系统：由专家把业务逻辑写成 if-else、决策树或规则引擎。它的优点是确定、可审计、响应快，在反欺诈规则、信贷审批打分卡中至今仍是主力。缺点是规则爆炸、维护成本高，遇到边界情况容易失效。

第二阶段是学习型系统：用机器学习模型从数据中拟合映射关系，比如信用评分、舆情分类、价格预测。它比规则更泛化，但仍然是“输入到输出”的单步映射，缺乏对多步任务的自主拆解能力。

第三阶段是LLM智能体：以大语言模型为推理内核，配合记忆、工具和规划能力，形成“感知—思考—行动—观察”的闭环。它不再只是回答问题，而是能围绕一个目标主动调用数据、执行计算、修正策略。金融场景中的“自动生成一份带估值模型的研报初稿”就是典型任务。

二、方法流程：感知、规划、记忆、工具与行动循环

一个完整的LLM智能体通常包含五个部件，它们不是线性排列，而是围绕行动循环持续交互。

• 感知（Perception）：接收用户指令、市场行情、新闻、财报、系统事件等输入，并转化为模型可处理的上下文。
• 规划（Planning）：把高层目标拆解为子任务，决定先查数据还是先做计算，必要时进行反思与重规划。
• 记忆（Memory）：短期记忆保存当前对话与中间结果，长期记忆存储历史偏好、公司档案、过往结论，常用向量库或结构化数据库实现。
• 工具使用（Tool Use）：调用行情接口、财务数据库、计算器、代码执行器、检索系统等外部能力，弥补模型在实时性和精确计算上的不足。
• 行动循环（Action Loop）：执行动作后观察结果，判断是否达成目标，未达成则进入下一轮，直到完成或触发终止条件。

下面是一个简化的行动循环伪代码，体现“思考—行动—观察”的迭代结构：

goal = "分析某公司近三年毛利率变化并给出风险提示"
memory = load_long_term_memory(company_id)
context = build_context(goal, memory)

while not done and step < max_steps:
    plan = llm.plan(context)
    action = select_action(plan)          # 如 query_financials / run_code
    result = execute_tool(action)
    observation = summarize(result)
    context = update_context(context, action, observation)
    done = llm.judge_goal_reached(context)

final_answer = llm.generate_report(context)

这段循环里，max_steps、工具白名单、结果校验规则都是工程上必须显式设计的约束。金融业务对错误容忍度低，不能让智能体无限循环或随意调用未授权接口。

三、案例场景：智能体如何完成一次投研辅助任务

假设用户提出：“帮我看看A银行最近一期财报的净息差变化，并对比同业。”一个LLM智能体的执行路径可能是：感知到任务后，规划出“取财报—算净息差—找同业—对比—生成结论”五个子任务；从长期记忆中读取A银行所属行业与关注指标；调用财报数据库获取数据；调用代码执行器计算净息差；检索同业数据；最后汇总成带表格的结论。若某一步数据缺失，它会重新规划，比如改用另一数据源或提示用户补充信息。

这个过程中，模型负责推理与表达，工具负责精确计算与实时数据，记忆负责保持上下文一致。三者缺一不可。

四、误区与复盘

复盘时建议关注三个指标：任务完成率、平均行动步数、工具调用失败率。它们能帮助判断问题出在规划、工具还是记忆环节。

五、五类部件对比清单

从规则系统到LLM智能体，本质是从“人预先写死逻辑”走向“模型在约束下自主组织行动”。在金融实战中，真正决定成败的往往不是模型有多强，而是感知是否准确、规划是否合理、记忆是否可靠、工具是否安全、循环是否可控。理解这五个部件，是后续搭建端到端金融智能体项目的基础。