欢迎来到XDG088的博客

原始视频地址： https://www.youtube.com/watch?v=yMalr0jiOAc 为什么用Agent？ 为了解决人工研究效率低、响应慢、难以扩展的问题。研发一个Agent助手，针对的是公司内部的人员，提升效率。 与平常的问答机器人不同，JP摩根面对的人群是富有且挑剔的客户。他们显然使用了一种更保险的做法。 以提高人效的角度来观察，全自动化显然是最方便，最节约成本的。但是保证Agent不出错的成本高昂，而且对用户来说，千篇一律的答案是用户不想看到的。同时，一旦系统出错，对于来说，显然是有损公司形象的，这样一个面向内部员工的Agent系统，显然足够有用、足够高效。 现状的不足 组织（Organization） 私人银行，专注于为客户定制多样化的投资产品 投资研究团队负责筛选与管理一份全面的投资机会清单 挑战（Challenge） 团队经常收到大量关于投资产品的咨询，需要人工进行调研并整理数据，以便提供全面的答复。 主要问题包括： 研究过程依赖人工，耗时较长 缺乏深入的产品洞察 扩展能力受限（难以规模化） 目标（Goal） 实现投资研究自动化，以提供快速且精准的结果。 未来图景 左侧输入方（提问者）： 来自以下角色： 产品专家（Product Specialist） 客户顾问（Client Advisor） 尽职调查专员（Due Diligence Professional） 他们将问题提交给： 中间核心系统：Ask D.A.V.I.D.（一个 AI 驱动的智能助手平台） 右侧输出由多智能体（Agents）完成，包括下列目标： 精选回答与产品洞察（Curated Answers & Product Insights） 标准化报告与文档输出 （Formatted Reports & Documents） 自定义分析与图表可视化 （Custom Analytics & Visuals） 如何构建Agent？ 这张图展示了 JP Morgan 的 AI 问答系统 “AskDavid” 的核心架构设计。 它通过一个 Supervisor Agent（协调调度代理） 控制多个子代理（处理结构化/非结构化/分析型问题），从而高效回答用户的投资类问题。 🧠 核心架构： 1. 用户问题入口（左侧） 用户提出问题 问题进入 Supervisor Agent（协调代理） 若系统已有历史记录/人类反馈，会用作参考 2. 核心模块：Supervisor Agent（绿色框） 职责： 担任指挥调度者（orchestrator）角色 接收用户提问，并制定回答方案 可调用一个或多个子代理，视问题类型而定 融入 人类审查环节（human-in-the-loop），确保准确性 可访问短期及长期记忆（历史步骤、问题、答案等），同时可以定制化用户的喜好 3. 三类子代理（Agents）： 代理类型 功能 数据源 ✅ Structured Data Agent 查询结构化数据库（如基金状态），会使用到NL2SQL Fund Universe, Fund Status History 🟣 Unstructured Data Agent 检索非结构化内容（如会议纪要） Meeting Notes, Fund Onepager（可以看到他们用的是MangoDB） 📊 Analytics Agent 处理分析类查询（如基金表现） 如Fund Performance, Attribution, Exposure 等工具 每个代理查询后返回结果并可能重写答案，交由主代理整合。 ...