KeyFrame內部研究專用

How Financial Planners With Zero Coding Experience Built Their Own Agents - Matt Ragone, Range

AI Engineer英文
觀看原始影片

三句話摘要

財務規劃團隊無需編碼背景,透過系統化五步驟建立24個AI agents和skills,將規劃師單日服務能力從3-4人提升至100人的實踐指南。 無編碼背景的專業人士可透過系統化五步驟與領域專家協作,建立治理完善的AI agents,達成數量級效率躍升。 瓶頸根本性轉移:從「我能多快打字」轉變為「誰負責保持所有skills更新」,反映AI導入後規劃師角色從「執行者」到「agent管理者」的深層轉型。

重點整理

  1. 瓶頸根本性轉移:從「我能多快打字」轉變為「誰負責保持所有skills更新」,反映AI導入後規劃師角色從「執行者」到「agent管理者」的深層轉型。

  2. 領域專家主導勝過通才:由保險專家建保險skill、稅務專家建稅務skill,遠優於通才規劃師,能捕捉邊界情況和專業細節,提升輸出精度。

  3. 五步驟無需編碼:Pick重複工作→Teach用真實案例→Pack成skill→Test邊界情況→Ship並指派owner/reviewer,將AI skill建立民主化到所有非技術專業人士。

  4. 治理嵌入而非事後補救:作為受監管金融企業,規則直接寫進agent提示詞(每個skill必須詢問澄清問題、禁止直接發送給客戶),勝過依賴人工檢查。

實用技巧與重點

  • 規模:20名財務規劃師、6-8個月內建成
  • 成績:24個skills全公司、17個金融規劃部門
  • 核心工具:Claude Co-work、Range平台、Notion、Google Docs、Slack
  • 五步驟框架:Pick → Teach → Pack → Test → Ship
  • 教學案例數:原始建議1個,實踐改為2-5個真實案例(含邊界情況)
  • 測試規模:5-10個真實案例,邀請同事壓力測試
  • 審核機制:CFP必審(RIA法規要求)、owner + reviewer制度
  • 新產品:Ranger agent(公司全員輔助工具,駐Slack和dashboard)
  • 效率提升:日服務3-4人 → 潛在100人/規劃師
  • 工作流程:客戶通話中agent並行準備分析 → 通話結束後人工審核 → 發送前CFP最終驗證
  • 提示詞設計:內建澄清問題(稅務年份、居住州、保險類型)+ 限制規則(禁止直發客戶)

結論

無編碼背景的專業人士可透過系統化五步驟與領域專家協作,建立治理完善的AI agents,達成數量級效率躍升。

完整解析

Range公司財務規劃部門在2026年上半年啟動了系統化的AI導入計畫。講者Matt具有七年財務規劃經驗,領導公司AI採用工作。早期AI應用停留在基礎層級——修改郵件、驗證稅法、解析文件——無法解決根本瓶頸:所有分析仍需手動完成。規劃師的產能受限於打字速度和時間分割,客戶通話進行中無法服務其他客戶,形成效率黑洞。

轉折發生在2026年1月底,Claude Co-work推出讓規劃師在與一位客戶通話時,同步讓agent準備現金流分析、保險審查和稅務評估。通話結束後,規劃師只需審核調整成果再發送。但這要求agent具備兩項核心能力:第一,agent必須從Range平台正確提取客戶真實財務數據(已連接的投資、保險、房產、抵押貸款等),而非仰賴手動貼上;第二,agent必須理解Range的建議交付方式——不提供通用建議,而是符合公司政策的客製化建議。

前置準備至關重要。Range早在Claude Co-work推出前就已完成流程標準化——制定保險、投資、退休建議的參考文件,儲存在Notion和Google Docs。新工具上線時,他們直接將這些標準輸入系統提示詞,大幅加速了agent的適配。

建立skill的核心方法分五步。第一步,選擇日常或週期性重複的工作,絕不選最複雜的項目——簡單工作能快速驗證成敗,反覆改進更輕鬆。第二步,用2-5個真實案例展示最終產物樣貌,特別著重邊界情況,並在提示詞中加入敘述性說明(例「薪資單上查找團體保險扣款300元,以識別集團定期險」),幫助agent理解工作邏輯。第三步,將知識打包成skill,並內建兩項措施:讓skill詢問澄清問題(稅務年份、居住州、保險重點),以及強制執行審核規則(任何輸出必須經CFP審核,符合RIA監管)。第四步,用5-10個真實案例測試,邀請同事壓力測試邊界情況,反覆調整後持續問「你如何自我改進」。最後一步,指派owner(原建立者)和reviewer(通常是該領域專家),確保skill隨稅法與業界動態持續更新。

六到八個月成果:24個skills上線、金融規劃部門17個。跨部門協作產生網路效應——行銷用規劃skill的邏輯建新工具,各部門共用互惠。新推出的Ranger agent成為公司全員輔助工具。最重要的發現:領域專家應主導其領域skill——保險專家比通才更懂邊界案例,稅務專家更能精雕稅務建議。規劃師角色正在演化,從「提供建議」變成「管理agent」,目標是讓每位規劃師從日服務3-4人升至100人,同時保留必要的人類互動。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。