2026年未来已来系列之二：AI+固收实战，智能体的构建之道

AI Agent 的定义、知识体系与架构分类

OpenClaw 作为 2026 年至今 AI Agent 领域最具影响力的现象级产品，其实战性的技 术跨越和快速普及，使得 AI Agent 成为科技与产业界的焦点，也直观印证了 AI Agent 从概念走向实用的产业趋势。本报告剖析这一现象背后的技术支撑与在固收领域的实 战应用。

（一）AI Agent 的定义和发展背景

AI Agent是基于LLM，即大语言模型，能够自主理解用户目标、自主拆解任务、自 主规划执行路径、自主调用工具完成复杂任务的智能系统，具备类人的思考、决策与 行动能力。OpenAI安全团队负责人 Lilian Weng在2023年6月发布的综述博客《LLM Powered Autonomous Agents》中提出了一个著名的公式：Agent = LLM + Planning + Memory + Tools。具体来说，（1）LLM（大脑）：负责处理信息、逻辑推理和决 策。（2）Planning（规划）：将复杂目标拆解为子任务（Sub-goals），并进行反思 （Reflection）与自我修正。（3）Memory（记忆）：短期记忆用于上下文学习，长 期记忆（如向量数据库）用于存储海量历史数据。（4）Tools（工具）：连接外部世 界，如调用 Wind API、执行 Python 代码、访问互联网。 用通俗的语言解释：传统的AI大模型是“你问一句，它答一句”，只能完成单轮、简 单的问答任务；而AI Agent是“你给一个最终目标，它自己想办法干完所有事”。 AI Agent的出现，本质上是为了解决传统大语言模型的几大痛点： 1. 无法自主完成多步骤、长周期的复杂任务； 2. 训练数据有截止日期，无法获取实时外部信息； 3. 无法与企业内部系统、外部工具交互，只能生成文本，不能“动手执行”； 4. 容易编造信息（模型幻觉），无法基于企业私有数据给出准确回答； 5. 无长期记忆能力，无法持续记住用户偏好与历史经验。 2023年斯坦福大学与谷歌联合发布的《Generative Agents: Interactive Simulacra of Human Behavior》，首次构建了具备完整记忆、规划、交互能力的AI Agent，开启 了AI Agent的技术发展浪潮。而以DeepSeek-R1为代表的推理大模型的突破，大幅提 升了AI Agent的多步逻辑推理与任务规划能力，为其在金融等专业领域的规模化落地 奠定了基础。

（二）AI Agent 的知识体系与架构

AI Agent 的本质是“大语言模型基于环境反馈，循环调用工具完成目标的闭环系统” （参考 Yao et al., 2022）。其运行逻辑可以拆解为 5 个步骤，和人类完成复杂任务 的逻辑一致： 1. 环境感知：接收用户目标，获取当前环境的相关信息、可用工具、约束条件； 2. 规划决策：将最终目标拆解为多个可执行的子任务，规划执行路径，生成多个候 选方案； 3. 行动执行：按照规划路径，调用对应的工具、代码、API，执行具体的动作；4. 反馈校验：获取执行结果，判断是否达成子目标，是否存在错误、偏差； 5. 反思优化：如果未达成目标，调整规划路径与执行方案，重新执行；如果达成子 目标，进入下一个任务节点，直到完成最终目标。

（三）AI Agent 的三大主流架构范式

根据任务处理逻辑、自主性、规划能力的不同，AI Agent 分为三大主流架构范式， 分别适配不同的业务场景，也是当前企业级应用的主要选型方向。

1. 反应式（Reactive）Agent

反应式Agent 是最简单的架构范式，逻辑是基于当前环境即时决策，无长期规划， 依赖预设规则快速响应。

优势：响应速度极快（毫秒级）、结构简单、可靠性高、出错概率低、算力要求低； 局限：无法处理复杂的多步骤任务，无长期记忆与规划能力，仅能应对预设规则内 的场景。 典型应用场景：私募基金规则问答助手、高频交易即时风控触发、智能客服常见问 题自动应答、固收市场风险指标实时预警。

2. 深思熟虑式（Deliberative）Agent

深思熟虑式 Agent 是具备长期规划能力的架构范式，逻辑是基于内部世界模型进行 多步推理，生成多个候选执行方案，模拟评估优劣后选择最优路径执行，具备强长 期目标导向。其执行流程分为 5 个阶段：感知→建模→推理→决策→报告输出。

优势：能处理复杂的多步骤、长周期任务，可优化长期目标，适应动态变化的环境， 专业深度强； 局限：响应速度慢（秒/分钟级）、模型算力要求高、复杂推理可能出现幻觉或路 径偏差。 典型应用场景：固收深度研究报告生成、宏观利率走势预测、投资组合优化、信用 债主体深度分析、长期资产配置规划。

3. 混合式（Hybrid）Agent

混合式 Agent 是当前企业级应用最主流的架构范式，结合了反应式的“快速本能响 应”和深思熟虑式的“长期战略规划”，通过协调层动态切换处理模式，实现了智 能与效率的平衡。它的架构可分为： （1）底层反应式层：处理紧急、简单的任务，实现毫秒级响应； （2）中层协调层：评估任务类型与优先级，动态切换处理模式； （3）顶层深思熟虑层：处理复杂的、长期的规划与决策任务。

优势：兼顾实时响应能力和长期规划能力，全场景适配，可按需动态分配算力，通 过双模式校验降低错误率，适配绝大多数真实业务场景； 局限：架构设计复杂度中等，需要针对业务场景设计合理的模式切换规则。 典型应用场景：全流程智能投顾助手、一体化固收投资交易系统、全链路智能客服、 客户陪伴与营销服务系统。

AI Agent 的支撑技术

（一）大语言模型（LLM）基座技术

LLM 是 AI Agent 的“大脑”，Agent 的所有思考、决策、推理、语言生成，都依赖 LLM 实现。LLM 是基于海量文本数据训练的深度学习模型，能理解和生成人类自然 语言，是 AI Agent 能力的基础。 1. Token：LLM 处理文本的最小单位，就像人类看书时的“字/词”。例如中文“人 工智能”可能被分为 1 个 Token，英文 “Hello World”会被分为 2 个 Token，LLM 的所有计算、成本计量、上下文限制，都是基于 Token 完成的。 2. Embedding（嵌入）：将高维稀疏、不可直接计算的非结构化/结构化数据，转化 为低维稠密、具备语义关联能力的向量表示的技术。完成这一转化的过程称为向量化， 即通过预训练语言模型/专业量化模型，将不同模态的数据映射到统一的向量空间中， 语义、特征、趋势越相似的数据，其对应向量的余弦距离越近。 3. Temperature（温度）：控制 LLM 输出的创造性与随机性。数值越高（0.7-1.0）， 回答越有创意但容易偏离事实；数值越低（0.1-0.3），回答越稳定、保守、符合事实。 Agent 开发中，工具调用、决策类任务通常设置低温度，创意类内容生成设置高温 度。 4. Top P（核采样）：控制 LLM 选词的范围。例如 Top P=0.9，代表模型只从概率累 加等于 90%的高频词中选择，避免选到离谱的低概率词，Agent 开发中通常设置 0.7-0.9，平衡准确性和多样性。 5. 上下文窗口：LLM 一次能记住的最长文本长度，决定了 Agent 能同时处理的历史 对话、工具调用记录、知识库内容的多少。上下文窗口越大，越适合处理长周期的复 杂任务。 不同任务情形下适配的基座模型有所不同，例如： 1. 常规任务处理、工具调用、内容生成：选择通用基座模型，如 DeepSeek-V3、Qwen3、 豆包 1.5 Pro 等； 2. 复杂逻辑推理、多步骤规划、投研分析：选择推理专用模型，如 DeepSeek-R1、OpenAI o1，这类模型能自动生成长思维链，大幅提升复杂任务的完成率； 3. 金融行业私有化部署：优先选择国产开源模型，如 DeepSeek-R1 系列、Qwen3 系列，平衡推理能力、合规性与算力成本。

（二）提示词工程（Prompt Engineering）

提示词工程是和 LLM/Agent 沟通的“语言艺术”，是让 AI 准确理解目标、按要求 完成任务的技术，也是代码开发 Agent 最关键的技能之一。

1. 提示词编写原则

提示词的效果遵循明确的优先级排序：任务>上下文>示例>角色>格式>语气（参考 OpenAI 官方 API 提示词工程指南，开源提示词工程指南《Prompt Engineering Guide》提示词示例等），即先明确告诉 AI 要做什么，再给背景信息，再给正确示例， 再设定角色，再定输出格式，最后定语气。

2. Agent 开发常用的提示词技巧

（1）角色设定：给 AI 一个明确的专业身份，让输出更贴合业务场景。例如“你是一 名拥有 10 年经验的固收投研分析师，专注于利率债市场研究”。 （2）任务明确化：用动词开头，清晰定义最终目标与约束。例如“帮我生成 2026 年 2 月利率债市场复盘报告，必须包含宏观环境、资金面、一级发行、二级交易、后 市展望 5 个部分，不编造数据，不确定的内容标注数据来源”，而非模糊的“帮我写 个债市报告”。 （3）格式限制：明确要求输出格式，如 JSON、Markdown、表格，方便 Agent 后 续节点的信息传递与处理。 （4）少样本学习（Few-shot）：给 AI 1-3 个正确的示例，大幅提升任务准确率。例 如要做客户风险评级，先给 2 个“用户信息→评级结果”的完整示例，再让 AI 处理 新的用户数据。（5）思维链（CoT）：让 AI“先思考，再回答”，把复杂任务拆解成一步步的推理 过程，大幅降低推理错误率。例如“请先分析用户的风险承受能力，再匹配对应的固 收产品，最后给出推荐理由，一步步说明”。 （6）边界约束：明确告诉 AI 不能做什么，避免模型幻觉与合规风险。例如“仅回答 与固收投资相关的问题，不提供股票投资建议，不确定的内容请说明‘无法提供相关 信息’，禁止编造内容”。

（三）检索增强生成（RAG）技术

检索增强生成（Retrieval-Augmented Generation, RAG）的本质在于打破大语言 模型仅依赖训练参数的知识边界，通过实时接入外部信息源实现认知能力的动态扩展。 这一范式将传统“闭门造车”式的文本生成，重构为检索（Retrieval）-整合 （Integration）-合成（Synthesis）的闭环流程，使模型得以调用非参数化的海量 知识储备。其逻辑是“先从专属文档库里，找到和当前任务最相关的内容，再把这些 内容和任务目标一起交给 LLM，让 LLM 基于检索到的内容完成任务，而不是自己编 造”。 早期 RAG 系统主要依托 TF-IDF、BM25 等稀疏检索算法，通过关键词匹配召回相关 文档片段进行简单拼接。随着神经表征学习的突破，Dense Passage Retrieval（DPR） 引入双塔编码架构：查询与文档分别经由独立的 BERT 类编码器映射至共享语义空间， 实现了从字面匹配到语义理解的跨越。当前前沿探索已延伸至更复杂的认知架构：基 于知识图谱的增强 RAG 通过实体消歧与关系路径推理，将碎片化文本转化为结构化 知识网络，满足医疗、法律等对可解释性要求严苛的场景；多跳推理 RAG 则模拟人 类逐步探索的认知过程，在多个文档间建立逻辑链条以回答复杂问题。

编辑：火腿肠