Using Agents for Long-Horizon Financial Work — Aman Singh, Arca
三句話摘要
ARCA 融資 6400 萬美元,建立 AI 原生財富管理公司,智能體自動化後台工作,讓人類顧問專注客戶服務。 建立真正 AI 原生的企業(而非 AI 工具的用戶),使得公司能在嚴格人類把關的前提下,透過自建執行系統與記憶體系,實現傳統服務模式無法達到的 24/7 主動性與規模化精細度。 商業定位的根本區別:ARCA 本身就是持牌財務公司,擁有完整的人類顧問團隊。智能體不取代顧問,而是自動化顧問身後所有的文書、分析與監控工作,讓顧問能在高價值活動上投入——即提供建議與決策。這與提供工具給用戶自行提示的 SaaS 模式完全不同。
重點整理
商業定位的根本區別:ARCA 本身就是持牌財務公司,擁有完整的人類顧問團隊。智能體不取代顧問,而是自動化顧問身後所有的文書、分析與監控工作,讓顧問能在高價值活動上投入——即提供建議與決策。這與提供工具給用戶自行提示的 SaaS 模式完全不同。
模型選擇基於內部真實評測:主要採用 Claude,歷經 Gemini 和 OpenAI 的迭代。決策標準不是外部發佈的基準測試,而是 ARCA 針對自身業務能力開發的內部評測。例如儘管 Llama 在外部宣稱表現優異,實測卻發現速度過慢且成本高昂,最終被放棄。
分層模型與嚴格的人類把關:複雜財務分析(稅務、投資組合)配置高階模型,背景工作用低階模型。所有涉及資金移動、客戶溝通、外部承諾的行為都設有確定性守護欄與多層驗證,最終決策權掌握在人類顧問手中。
長期任務的記憶與上下文管理:針對跨越 10 天的多步驟流程,ARCA 開發內部記憶系統追蹤客戶狀況、進行中工作、責任人與時程表。每日「思考」過程定期更新客戶生活變化。新信號到達時,智能體能藉由記憶系統快速同步,判斷如何參與既有工作流。
實用技巧與重點
- 融資與規模
- 融資規模:6400 萬美元
- 服務範圍:財務建議、資產規劃、稅務規劃、保險、遺產規劃
- 客戶群:企業出售者、科技高管、首購族
- 技術堆疊
- 主要模型:Claude(Anthropic)
- 曾用模型:Gemini、OpenAI
- 測試但棄用模型:Llama(原因:速度慢、成本高)
- 執行系統:自建、與模型無關
- 決策模型:JEV 等
- 業務流程特徵
- 典型任務時程:10 天
- 工作追蹤內容:客戶當前狀況、服務目標、資產所有權、進度紀錄、近期待辦、長期追蹤、責任人分配
- 安全驗證機制
- 確定性工具限制(簡單工具可自動執行)
- LLM 驗證每筆資料庫讀寫
- 邊界層提示注入檢測
- PII 敏感資訊檢查
- 共識小模型驗證(確保無非合規內容)
- 每項行為產生完整變更日誌(執行者、時間、系統來源)
- 回饋與改進
- 客戶反饋機制:每項員工編輯/取消需提供理由,納入評估系統
- 改進循環:每晚執行元智能體分析客戶痕跡,提出提示詞改善建議
- 人工把關:所有提示詞變更需工程師核准
- 知識管理
- 知識庫形式:可編輯的檔案集合
- 維護方式:由財務專家策展與更新
- 迴圈機制:客戶使用時產生追蹤,發現錯誤可直接編輯
- 實際成效
- 案例:為潛在客戶分析文檔,發現前任顧問隱性費用與不當收費,前顧問並非信託責任方
結論
建立真正 AI 原生的企業(而非 AI 工具的用戶),使得公司能在嚴格人類把關的前提下,透過自建執行系統與記憶體系,實現傳統服務模式無法達到的 24/7 主動性與規模化精細度。
完整解析
ARCA 於 2026 年完成融資 6400 萬美元,其核心創新在於定位本身:不是販售 AI 工具的軟體公司,而是一家由 AI 驅動的財務公司。這個區別看似微妙,卻決定了整個架構的設計哲學。傳統的 AI 財務工具要求用戶主動提示 AI,而 ARCA 則反過來——智能體主動監控、分析與提示人類顧問。
ARCA 的業務涵蓋完整財務生命週期服務,包括財務建議、資產規劃、稅務優化、保險安排與遺產規劃。客戶群體從剛出售企業的創業者、尋求提早退休規劃的科技高管,到尋找首購房屋融資的家庭。關鍵的是,客戶感受到的始終是人類顧問的同理心與專業判斷,AI 完全隱沒在後台。
技術選型上,ARCA 經歷過 Gemini、OpenAI 到 Claude 的演進。決策準則不依賴於大模型公司發佈的外部基準測試,而是基於針對自身業務能力開發的內部評測框架。這套評測涵蓋執行各類財務任務所需的各項能力。即使外部宣傳稱讚某模型卓越,如果內部測試顯示其速度過慢或成本過高,ARCA 就會果斷放棄。例如 Llama 在多個外部基準測試中表現優異,但 ARCA 的實測卻發現其執行速度與成本都無法接受,最終並未採用。為避免對單一供應商的技術依賴,ARCA 自主開發了與模型無關的執行系統(model-agnostic harness),保持了靈活地切換模型供應商的能力。
在任務執行層面,ARCA 採用了分層的模型配置策略。高度複雜的財務分析任務——如稅務規劃或投資組合重新平衡——配置最高階的模型(如 Opus 級或 Sonnet 級)。而大量的背景工作(簡單記錄、數據整理)則用低階模型處理,優化成本。但這種自動化有明確的邊界:涉及資金移動、客戶直接溝通或外部承諾的任何行為,都必須經過人類顧問的審核與批准。以稅務清算為例,智能體可以全自動地分析最優方案,但交易執行與客戶通知必須由人類顧問親自執行。
ARCA 面臨的最大技術挑戰之一是如何管理跨越 10 天甚至更長時程的複雜任務。典型的流程涉及多個參與者、多個決策點和多條工作線並行。為此,ARCA 開發了高度精密的內部記憶系統,為每位客戶持續維護包含以下內容的持久化狀態:當前在進行的工作、試圖達成的目標、資產所有權結構、已發生的事件、近期待辦事項、長期追蹤項與責任人分配。當新的信號到達(例如客戶突然來電或回覆郵件)時,負責的智能體能夠藉由記憶系統快速上下文切換,理解當前客戶狀況,判斷這個新信號與現有工作流的關係。此外,每日定期執行的「思考」(reflection)過程使智能體能夠根據客戶生活中發生的變化(新的生活事件、市場動態影響)更新記憶狀態,確保長期任務始終與客戶的實時需求保持同步。
安全與合規是金融服務的核心。ARCA 的方案是多層次的確定性與概率式驗證相結合。簡單的記錄保存工具由智能體直接執行,但所有資料庫的讀寫操作都經過快速 LLM 驗證層再次檢查。外部資料輸入(郵件、文檔、通話記錄)在系統邊界進行提示注入檢測。任何資料離開系統時(網路搜尋、發送日曆邀請),都執行 PII 敏感資訊的確定性檢查,以及小模型的共識驗證,確保不含隱藏的個人資訊。所有智能體行為都自動產生完整的變更日誌,記錄執行者、時間戳與系統來源,滿足金融監管對審計的最高要求。
改進循環方面,ARCA 將客戶的每項反饋——無論是編輯還是取消決定——都視為一級產品數據。員工在改動時必須提供理由,理由進入評估系統。每晚,一個元智能體會分析當日所有客戶任務的執行痕跡,對照反饋數據,自動提出對執行系統(工具集、知識庫、提示詞)的改善建議。但為防止智能體過度修改提示詞(導致層層疊疊的修補),所有提示詞變更仍需人類工程師審核並批准。
知識管理採用簡潔但有力的方案:ARCA 維護一套可編輯的知識庫檔案集合,由財務專家策展與維護。這個知識庫既是智能體執行時的參考源,也是產品介面中的一級功能。智能體在生成建議時可以引用知識庫,這個引用會被系統記錄。當發現知識過時或不正確時,可以直接編輯,形成閉環。此外,ARCA 使用決策模型(如 JEV)來檢測大模型在財務領域可能的過度自信——例如模型可能毫無顧慮地使用 2025 年的稅率來分析 2026 年的稅務建議,決策模型會攔截這類行為,引導模型查詢官方最新知識庫或執行網路搜尋以獲取當前年份的準確資訊。
實際案例體現了 ARCA 的AI系統的價值。某位潛在客戶原有一位收費 1500 美元的顧問,但該顧問反應遲緩。ARCA 的智能體在分析客戶提供的所有文檔與帳戶結構後,發現該顧問對客戶收取了隱性費用,且該顧問本身並未承擔信託責任(fiduciary duty),因此在法律上無義務以客戶最佳利益行動。這類精細度的分析與主動發現,正是 ARCA 強調的——AI 系統在廣泛監控與細緻分析上超越人類可行性的優勢。

