2. 金融Agent基础概念高频题
在金融Agent岗位面试中，基础概念题往往不是考背诵，而是考你能否把概念落到金融业务约束上。面试官真正想确认的是：你是否理解Agent与LLM的本质差异，是否知道工具调用、记忆和规划在金融场景中的边界与风险。本章围绕五组高频概念，给出可直接复用的回答框架与追问应对。
一、核心原理：Agent与LLM的本质差异
LLM是概率生成模型，输入上下文，输出序列；Agent是在LLM之上增加了目标、状态、工具和循环控制的系统。面试中如果只答“Agent就是能调用工具的LLM”，会被判定为理解过浅。更完整的定义是：Agent是一个能在给定目标下，自主感知环境、规划步骤、调用工具、维护状态并根据反馈调整行为的计算实体。
在金融场景中，这个定义要加上三条约束：第一，工具调用必须经过权限与合规校验；第二，状态变更必须可审计、可回滚；第三，规划结果不能直接触发资金操作，必须有人工或规则兜底。因此金融Agent的边界不是“能不能做”，而是“在什么授权和风控条件下做”。
二、方法流程：工具调用、记忆与规划如何协同
一个典型的金融Agent执行链路可以拆成五步：意图识别→任务规划→工具选择→执行与校验→记忆写回。每一步都有对应的面试追问点。
- 意图识别：区分查询、分析、交易、合规审查等意图，不同意图对应不同权限等级。
- 任务规划：把复杂目标拆成可执行子任务，例如“生成客户资产配置建议”可拆为持仓查询、风险测评、产品筛选、合规校验。
- 工具选择：根据子任务匹配工具，如行情API、风控引擎、产品库、报表系统。
- 执行与校验：工具返回后做一致性校验，异常时触发重试或转人工。
- 记忆写回：把关键结论、用户偏好、合规结果写入短期或长期记忆。
工具调用在工程上通常以Function Calling或结构化JSON描述实现。下面是一个金融场景的工具描述示例：
{
"name": "query_portfolio",
"description": "查询客户当前持仓与市值",
"parameters": {
"type": "object",
"properties": {
"customer_id": {"type": "string"},
"account_type": {"type": "string", "enum": ["cash", "margin"]}
},
"required": ["customer_id"]
}
}记忆机制要区分短期与长期。短期记忆保存当前会话的上下文与中间结果；长期记忆保存客户偏好、历史交互、合规标签。金融场景中，长期记忆必须做脱敏、分区和过期控制，不能把敏感信息无差别写入向量库。
三、案例与场景：从概念到金融落地
假设面试官问：“如果客户说‘帮我把风险高的持仓调低’，你的Agent怎么处理？”这是一个典型的规划与工具调用综合题。
| 阶段 | Agent动作 | 金融约束 |
|---|---|---|
| 意图识别 | 识别为“调仓建议”而非直接交易 | 交易意图需二次确认 |
| 规划 | 拆为持仓查询、风险评级、候选产品筛选 | 规划结果需可解释 |
| 工具调用 | 调用持仓API、风控引擎、产品库 | 只读工具优先，写操作需授权 |
| 校验 | 检查建议是否符合适当性管理 | 不合规直接拦截 |
| 记忆 | 记录客户风险偏好变化 | 脱敏存储，设置过期 |
这个案例的答题关键是：不要一上来就调用交易工具。金融Agent的规划能力体现在“知道什么时候不该做”，而不是“什么都能做”。
四、误区与复盘：面试中常见的失分点
- 误区一：把Agent等同于LLM。只讲模型能力，不讲状态、工具和循环控制，显得没有工程视角。
- 误区二：工具调用讲得太泛。只说“可以调用API”，不说权限、幂等、超时、重试和审计。
- 误区三：记忆机制只提向量库。忽略短期/长期区分、脱敏和过期策略，在金融场景是硬伤。
- 误区四：规划能力吹得过大。声称Agent可以自主完成交易闭环，触碰合规红线。
- 误区五：没有失败处理。工具报错、模型幻觉、数据缺失时的降级与转人工策略缺失。
把以上四块串起来，本章五组概念的回答逻辑就清晰了：Agent是受控的自主系统，LLM是其中的语义引擎；工具调用是动作边界，记忆是状态边界，规划是决策边界。三条边界共同构成金融Agent的安全底座。面试时先讲边界，再讲能力，最后讲金融约束下的取舍，就能把基础概念题答出工程深度。