AI资讯

Arca 的 AI 负责人谈如何用 Agent 处理跨天金融任务:自建 harness、持久记忆与人工审批

Arca 的 AI 负责人谈如何用 Agent 处理跨天金融任务:自建 harness、持久记忆与人工审批

来源Latent Space查看原文

速览

  • Arca 自建 harness 并按任务路由,不依赖单一模型
  • 选模型依据内部 benchmark,而非公开榜单
  • Agent 工作流跨度以天计,需要持久记忆支撑
  • 高风险动作如 10 万美元税单需人工审批
  • 安全上重点防提示注入,合规与可审计性默认内置
  • Singh 提出「Agent 提示人的次数多于人提示 Agent」
  • 交易执行保留给人类专家,不交给 Agent
  • 员工反馈被转化为 evals,运营知识被转成 Agent 上下文

在 AI Engineer New York 活动上,Latent Space 编辑负责人 Richard MacManus 与 Arca 的 AI 负责人 Aman Singh 对谈,介绍这家 AI 原生财富管理公司如何搭建 Agent 系统。Singh 说明了 Arca 的架构:自建 harness、持久记忆、按内部 benchmark 选模型、任务路由,以及让 Agent 工作流跨越数天而非数小时。对话还涉及一个 10 万美元税单的处理流程中 Agent 与人工审批如何配合、长任务中的记忆机制、防提示注入的安全护栏、默认合规与可审计性,以及为什么交易执行仍由人类专家负责。

关键事实

  • Arca 是一家 AI 原生财富管理公司,Aman Singh 担任其 AI 负责人
  • Arca 使用自建 harness,并按任务类型做路由
  • Arca 用内部 benchmark 来选择模型
  • Arca 的 Agent 工作流可以跨越数天,而不是数小时
  • 对话中举例说明 Agent 如何处理一张 10 万美元的税单,并涉及人工审批环节
  • Arca 自持 Agent 基础设施,而非依赖外部工具

本站视角

这场对话的价值不在模型能力,而在工程细节。对做金融、法律、税务等长周期 Agent 的中文团队来说,最值得抄的是三点:一是自建 harness 加任务路由,把不同环节交给不同模型,而不是指望一个模型包打天下;二是持久记忆,任务跨天就必须解决上下文延续问题;三是把人工审批做成流程里的固定节点,像 10 万美元税单这种动作不能全自动。Singh 提出的「Agent 提示人的次数多于人提示 Agent」也值得注意,它意味着 Agent 产品的交互设计重心会从「人下指令」转向「Agent 主动找人确认」,这对做企业级 Agent 的团队是产品形态上的提醒。需要保留的是:这些说法来自 Arca 自家实践,没有第三方验证,内部 benchmark 的具体内容和效果也未披露,因此「AI 原生优于用 AI 工具」更像是一种立场而非已被证明的结论。另外,交易执行仍交给人类,说明在受监管的金融场景里,Agent 目前的天花板是辅助与流程执行,而非最终决策。

背景与影响

财富管理与税务规划属于典型的长周期、高合规要求场景:一项任务往往横跨多天,涉及多轮信息收集、核对与审批,出错成本高。Arca 的做法是把这类流程拆给 Agent 执行,同时保留人工审批节点,并把合规与审计能力做进系统底层。Singh 在对话中区分了「AI 原生公司」与「使用 AI 工具的公司」,前者围绕 Agent 重构流程与基础设施,后者只是在既有流程上叠加工具。Arca 选择自持 Agent 基础设施,意味着它把 harness、记忆和路由当作核心竞争力,而不是可替换的外部组件。

本文由 AI 辅助整理自公开信源,事实部分以原文为准;「本站视角」一节为编辑部判断,欢迎指正。版权归原作者所有,如有异议请联系我们。

编辑与审校

AI大海啸编辑部

负责选题、审校与「本站视角」的判断。

编辑流程与 AI 使用说明