利用智能体开展长期金融工作——Aman Singh，Arca

摘要

• Arca完成6400万美元融资，为一家以人类顾问为核心的AI原生财富管理公司提供支撑。 Singh希望AI接手“顾问工作周边的所有事务”，涵盖财务规划、税务、保险和遗产规划。拥有公司本身，让Arca能够统一运营方式，并围绕每位客户主动提供服务。
• 一套历时10天、处理10万美元税款需求的工作流，展现了智能体分析与人类金融决策权的边界。 智能体会找出可变现资产、持续保留上下文并召集员工；专家审核方案并执行交易。资金划转和直接与客户沟通仍需人工参与：“智能体主动提醒人，远多于人主动催促智能体。”
• Arca依据内部基准选择模型，以Claude为主，同时有意控制对单一供应商的依赖。 尽管外部基准评价不俗，Luna的表现仍令团队失望：速度“慢得离谱”，成本也高。税务分析使用更高规格的模型，后台任务则使用较低规格，顾问看不到模型路由过程。
• 客户长期记忆是Singh希望由Arca掌握的战略层。 共享状态和每日“梦境”流程把新信号接入持续推进的工作。Singh认为，将记忆和运营知识外包给托管式智能体会带来控制权风险；“掌握自己的智能”才能保留塑造业务的能力。
• 金融安全依靠固定的权限边界和基于模型的验证。 Singh称权限限制“完全确定性”；另有独立的LLM检查数据库写入、数据泄露和面向客户的材料。决策模型还会引导金融分析采用经过验证的最新事实或进行搜索，以避免模型自信地套用过时的2025年税率档次。
• 员工反馈会转化为每晚的评估数据，但提示词变更仍由工程师批准。 员工修改和取消操作时须注明原因，并关联智能体调用轨迹；元智能体据此提出对运行框架和知识库的改进建议。Singh警告，不应让系统自动修复提示词：“每个小修补最后都会变成整段提示词。”
• 客户案例聚焦于发现隐藏费用，投资表现则没有量化。 一位潜在客户原以为顾问收费1,500美元；据Singh说，智能体发现了额外费用，也发现该顾问并非受托人。Singh将此归功于智能体的“细致入微”，但没有提供实际节省金额或投资回报。

精读

1. 持有公司本身，让Arca得以统一智能体的工作方式

• 在AI Engineer New York 2026上，MacManus介绍了Arca的6400万美元融资。Singh负责公司的AI平台团队，搭建用AI运营业务的运行框架；服务涵盖财务顾问、税务、保险和遗产规划。
• Singh的任务“不是取代顾问”，而是“接手顾问工作周边的所有事务”。客户获得人类的共情与关怀，智能体则持续监测市场和人生变化；例如出售企业，就可能牵涉多方合作伙伴，带来复杂的财务问题。
• Singh强调：“我们自己就是这家公司。”因此，Arca可以统一工作流程。与采购AI工具的公司不同，Arca追求的是主动式、24/7运转的服务——“智能体主动提醒人，而不是人去催智能体”（“agents prompt people more than people prompt agents”）。

2. 10天工作流依赖记忆，也依赖适时的人为介入

• MacManus演示了一套历时10天的税款处理流程：客户需要10万美元，智能体分析现有资产配置，判断哪些资产最适合变现。
• 尽管托管机构的API能够划转资金，资产变现、转账和客户沟通仍须经过人工审核。专家可以调整智能体提出的方案并执行交易。后来被问及交易失败后的恢复处理时，Singh澄清，Arca并未进行自主交易。
• 被问到工作中断后如何接续并确保符合客户需求时，Singh区分了两种情况：客户通过邮件回复，工作会回到原来的智能体；客户另打电话，则会唤醒另一个智能体。共享记忆会记录“谁负责什么”、已完成的工作、眼下的下一步以及更长期的待办事项，让新智能体把新信号与现有税款任务联系起来。
• 系统每天会运行一次“梦境”流程，回顾客户情况并更新记忆。介入时机很重要：第7步才需要的人，不必从一开始就参与；智能体会根据新信号，在需要时召集合适的人。

3. 模型可以更换，业务智能仍留在公司内部

• 目前Arca以Claude为主，早先也用过Gemini和OpenAI模型。模型选择由内部基准决定：尽管外部基准对Luna评价很高，Singh发现它“慢得离谱”，成本也高。Arca希望保持模型无关性，并保留更换供应商的选择空间。
• 顾问看不到模型路由。税务分析会使用最高规格的模型——Opus级模型、Sonnet级模型或高规格GPT模型；简单的后台任务则用低规格模型。所有选择都由一个内部搭建的运行框架支持。
• MacManus谈到托管式智能体编排，以及移除人工环节的风险。Singh看好Anthropic和OpenAI的模型，但不愿外包记忆和运营知识：“掌握自己的智能”（“Owning your intelligence”），才能保留塑造业务的能力；把它交出去，就可能失去对Arca独特之处的控制。

4. 护栏将智能体限制在能力边界内

• Singh称安全限制“完全确定性”：权限判断不交给智能体。每次数据库写入都由独立、快速的LLM调用进行验证。智能体操作和员工修改都会留下日志，记录改了什么、由谁修改、在何处、何时发生；“合规看重可审计性”，这些事件也能反过来为智能体提供信息。
• 系统会检查收到的邮件、文件和通话，筛查提示词注入。对外发起的网页搜索和日历邀请，要经过确定性的个人身份信息（PII）检查，并由一组小模型协同判断是否存在数据外泄。核心原则是：“把它们限制在能力边界内。”
• 智能体使用沙箱来卸载计算任务。访问数据时，生成的代码会转换成严格格式；代码随后被丢弃，并在请求到达后端前应用护栏。财务规划PDF也会检查是否含有原始账号，以及承诺回报等不合规表述。Singh认为，机器可以不知疲倦地检查，合规表现可能优于人类。
• 金融分析还需要另一层核验：模型会毫不迟疑地把2025年的税率档次用于当前分析。决策模型会识别需要严谨金融判断的操作，并引导智能体查证可靠知识或进行网页搜索。被问到交易失败后的恢复处理是否也会用决策模型时，Singh回答：“现在还不会。”

5. 员工修正推动改进，客户证据仍有明确边界

• 员工修改或取消操作时必须说明原因，并关联最初的智能体调用轨迹。每天晚上，元智能体会复盘真实运行轨迹，提出运行框架改进建议，例如让工具更清晰或补充缺失知识。提示词变更由人类工程师批准：如果任由智能体修改，就会出现“非常糟糕的提示词改动”，因为“每个小修补最后都会变成整段提示词”（“every little fix becomes the whole prompt”），而不是可推广的修正。
• 专家通过一级入口Knowledge标签页，以文件形式维护运营知识。智能体会引用这些文件；轨迹分析可以发现错误信息，员工也能直接修改。拥有公司本身，让Arca可以把反馈纳入日常运营流程。
• 被问及可量化的投资或税务成果时，Singh讲到一位潜在客户：对方原以为现任顾问收费1,500美元。智能体审阅文件、投资和目标后，发现了额外费用；据Singh说，还发现该顾问并非受托人。对方当时尚未成为客户，Singh没有提供量化的节省金额或投资回报。