FundaPod：基于知识图谱“第二大脑”的多角色智能体投资研究平台

“FundaPod: A Multi-Persona Agent Pod Platform with Knowledge Graph Memory for AI-Assisted Fundamental Investment Research”

【 扫描文末二维码加入星球获取论文，源码 】

摘要

FundaPod是一个面向AI辅助基础投资研究的多角色智能体平台。在FundaPod中，具有不同角色（如价值投资者、宏观策略师）的AI智能体在共享的起源合约下独立进行研究。它们之间的分歧会在事后通过一个知识图谱记忆系统呈现给人类投资组合经理进行裁决。

论文提出了五条支持基础研究的“人-AI混合系统”设计原则，以及四种架构机制：角色蒸馏管线、声明式技能注册表、基于证据的模型和知识图谱“第二大脑”。

简介

机构的基础投资研究是一个结构化的、可重复的过程。分析师需要审阅公开文件、市场数据，提取关键绩效指标（KPIs），识别业务驱动因素，并生成可检查、可挑战、可更新、可复用的研究报告。

现有的大部分金融LLM应用，如 BloombergGPT、FinGPT、FinAgent 等，或专注于金融NLP任务，或以交易信号生成为目标，缺乏对端到端研究流程的管理。通用多智能体框架（如 AutoGen、MetaGPT）也未能满足基础研究对金融专业知识、原始证据和持久记忆的需求。

FundaPod应运而生。它将自身定位为一个人-AI混合平台，旨在增强而非替代分析师的分析能力。

相关工作

金融LLM与交易智能体

BloombergGPT、FinGPT 等模型主要在模型层面进行优化；而 FinAgent、FinMem、TradingAgents 等则展示了AI智能体在交易工作流程中的潜力。然而，它们的目标仍是交易表现，而非生产可审查的研究成果。

多智能体架构

AutoGen、MetaGPT、ChatDev 等框架提供了任务分配与协调模式。FundaPod与其不同之处在于其声明式技能注册表，允许系统根据技能声明的输入输出自动构建任务图，而非手动编码流程。更重要的是，FundaPod拒绝使用辩论（debate）或投票（voting）模式，而是坚持先独立、后综合的原则。

知识图谱与智能体记忆

AriGraph、MAGMA、GAM 等工作显示了基于图的记忆对于智能体的价值。金融领域的 FinDKG 构建了动态知识图谱用于检测市场趋势。FundaPod 的知识图谱被用作整个智能体团队（pod）的共享研究记忆，连接公司、文件、备忘录、分析师和主题。

角色条件智能体

Generative Agents、MemGPT，展示了角色（Persona）可以塑造行为。FundaPod 将角色应用于投资研究，创造不同的分析视角，并将它们的观点基于证据，存储在共享记忆中供后期综合。

以人为中心的研究生产设计原则

本文提出了五条设计原则（DP），这些原则将FundaPod定位为一种人机混合系统。

DP1: 以人为中心的增强，而非自动化。系统旨在扩展PM的证据收集、视角应用和综合能力，但判断的最终决定权仍留给人类专家。系统输出设计为可审查、可质疑和可选择性采纳。

DP2: 综合前的独立性。具有不同角色的智能体在隔离状态下独立推理，综合由PM或代表PM的“主智能体”（master agent）事后进行，而非通过智能体间的辩论。这一原则借鉴了信息级联理论（Informational-cascade theory）和LLM多智能体辩论的实验结论，即辩论的好处多来自独立输出的集成，而辩论本身可能强化错误。

DP3: 可追溯性作为首要要求。系统产生的每一个声明（claim）都必须能追溯到可审查的源文件。可解释性被视为系统的存储基础（storage substrate），而非事后添加的解释层。

DP4: 可重复性工作与判断性工作分离。确定性任务（如数据摄取、KPI提取）与开放式的推理任务分离，分别由不同技能模块处理。

DP5: 沿独立轴的可组合扩展性。一个支持进化研究流程的系统必须能吸收新的数据源、技能、角色和工作流程，且不会强制重写其他部分。这在FundaPod中通过四个独立的扩展点实现：数据源、技能、角色和工作流程。

系统架构

FundaPod 采用“pod”（舱）的比喻来模拟研究团队的工作方式。一个pod包含多个由不同投资者角色塑造的AI智能体，共享基础设施，但通过不同的分析视角研究公司。系统分为五个水平层：

L1–接口层：提供Web UI、CLI和API三种入口，所有请求均转换为统一的内部格式。

L2–任务规划器与调度器：将用户目标转化为可执行的研究计划。它读取用户的意图和技能注册表中每个技能的元数据，构建一个类型化的有向无环图（DAG）。调度器按依赖顺序执行该图。

L3–推理层：这是投资判断进入系统的核心。分析师Pod内包含角色蒸馏的智能体。关键设计是：智能体之间不互相通讯，在核心推理阶段不共享记忆。每个角色只根据自己的输出和从证据存储中检索的文件进行工作。一个主智能体（Master Agent）是唯一具有跨智能体可见性的组件，用于回答跨角色问题、比较观点和识别覆盖缺口。

L4–存储层：分离了原始证据（证据存储，Evidence Store）和研究记忆（知识图谱，Knowledge Graph）。证据存储是技能的只增（append-only）日志，每个工件都带有起源信息，形成稳定的审计追踪。知识图谱从证据流中重建，连接股票代码、备忘录、分析师、主题等实体。

L5–数据源层：包含SEC文件、市场数据、新闻、电话会议记录、替代数据和内部数据库等，通过摄取技能写入证据存储。

核心组件

角色蒸馏

一个将公开材料（如股东信、访谈）转化为可部署智能体的四步管线。

提取：从源语料库中解析出风格线索和决策启发法。

生成：使用固定角色模板和一次LLM调用，生成第一人称的角色描述。

规约：将角色描述编译成技能规约，包含运行时所需的元数据、系统提示和调用合约。

打包：将技能规约与默认工作流程打包成角色包（Persona Pack），即调度器可直接调度的单元。

声明式技能注册表

每个技能声明其需要什么（needs）和产生什么（produces）。规划器使用这些声明自动构建DAG。技能分为三类：

确定性技能：无LLM调用，纯函数。

混合技能：有结构的LLM调用，带有验证器。

智能体技能：工具循环、开放式推理。

任务规划器与调度器

规划器由模板驱动，为每种参与类型（如pitch备忘录、覆盖更新）生成任务图。调度器按阶段顺序执行，支持幂等重试和条件路由。

基于证据的模型

每个生成的声明都引用具有稳定ID的源文件，实现完全的可追溯性。这与向量数据库RAG系统形成对比，后者无法让用户检查相似性分数的具体来源。

知识图谱“第二大脑”

一个类型化的属性图，包含四种节点（股票代码、备忘录、分析师、主题）和四种关系（撰写、覆盖、探索、引用）。图在每次查询时从证据存储状态无状态重建，确保一致性。主要用例包括：发现覆盖缺口、主题综合和溯源导航。

案例研究

一个完整的研究过程案例，从PM的“研究股票X”请求开始，经历：

• 创建研究：记录目标、角色和目标。

• 任务规划：规划器根据备忘录技能的需求自动推导出任务图。

• 数据摄取：确定性任务，并行提取文件、市场数据、新闻。

• 分析：混合技能，提取KPI、解析业务板块、进行源质量门控。

• 撰写：智能体技能，角色模型接收完整上下文并生成备忘录。

• 知识图谱更新：确定性任务，将新备忘录及其关系更新到知识图谱中。

讨论

与现有系统比较

论文通过一个对比表格展示，FundaPod 是唯一将所有六个能力（多角色、证据追溯、知识图谱、技能组合、工作流自动化、以基础研究为目标）结合起来的系统。与其他系统（如 TradingAgents）最关键的架构差异在于 DP2：FundaPod 拒绝辩论式趋同，而是设计为产生分歧，并将其提交给PM裁决。

设计权衡

基于证据的模型 vs. 向量检索：前者牺牲了灵活性，换取了完全的可追溯性。

一次性蒸馏 vs. 微调：前者快速且易扩展，但近似；后者精度更高但成本高。

无状态图重建 vs. 增量更新：前者避免同步问题，但延迟随着证据存储规模增长。

扩展性

通过声明式合约，FundaPod 可以轻松沿四个独立轴扩展：新数据源、新技能、新角色和新工作流。

局限性

目前缺乏定量评估、依赖LLM能力、设计规模为单PM的pod、一次性蒸馏的角色保真度有限。

总结

FundaPod 通过结合角色蒸馏的智能体、声明式技能注册表、基于证据的模型和知识图谱，解决了机构研究的多个需求：领域专业知识、可重复工作流、证据严谨性和跨公司、跨行业、跨主题的综合分析。其目标是支持而非替代研究过程。

未来工作将集中于：与专业分析师进行备忘录质量、事实依据和角色区分度的盲法评估；开发知识图谱覆盖度量的定量指标；实现多PM和企业级部署；评估FundaPod是否提供相对于人类分析师的投资信号价值；以及探索与动态金融知识图谱的集成。

我们致力于人工智能、量化交易领域前沿研究，分享前沿论文、模型代码、策略实现。如有相关需求，请私信与我们联系。

请加微信“LingDuTech163”，或公众号后台私信“联系方式”。

关注【灵度智能】公众号，获取更多AI资讯。