Lecture 06

大语言模型与金融智能体（LLMs and AI Agents in Finance）

学完本讲，你将能利用开源工具独立设计并实现一个金融垂直领域的 AI Agent——从需求分析、架构设计，到工具与数据接入、框架实现、评估与合规考量。

LLM 能力与局限  →  Agent 认知架构与 Harness  →  金融垂直 Agent 实战  →  评估、治理与研究前沿
   (Part 1)              (Part 2)                    (Part 3)                  (Part 4)

核心学习成果：利用开源工具独立设计并实现一个金融垂直领域 AI Agent
（需求分析 → 架构设计 → 工具与数据接入 → 框架实现 → 评估与合规考量）。

• 场景：输入股票代码＋自然语言问题 → 输出一份带引用、可审计、无收益承诺的财报分析报告
• 八节点流水线（全程贯穿本讲知识点）：

数据接口层  知识库层     工具库层       Agent 运行时（编排+护栏）        输出
 AkShare ─→ 财报RAG ─→ 指标计算 ─→ 问答 ─→ 研报要点生成 ─→ 合规检查 ─→ 人在环确认 ─→ Markdown 报告
 (抓取)     (解析)     (纯函数)   (生成)        (生成)        (规则+自检)    (interrupt)

• Transformer 直觉（要点回顾）＋ Scaling 与后训练
• 上下文、多模态、模型时点快照（2026-09）
• 按任务选模型与"最低校验配置"
• 提示词工程、结构化输出、RAG、函数调用（四大工程接口）
• LLM 的计量经济学框架：预测 vs 估计、训练泄漏与前视偏差、测量误差与验证样本纠偏
• 场景与边界、金融专用模型辨析
• 要点回顾

来源：Vaswani et al. 2017 arXiv:1706.03762 等

来源：Vaswani et al., "Attention Is All You Need", NeurIPS 2017, arXiv:1706.03762（检索 2026-09-28）

• 神经缩放定律：模型规模、数据量、算力与损失呈幂律关系 → "大力出奇迹"有据可依
• Chinchilla（计算最优）：训练数据量应与参数规模同比放大，而非只堆参数
• "涌现能力"（emergent abilities）：小模型没有、大模型突现的复杂行为——此为实践观察，机制仍在研究中
• 金融推论：通用底座达到一定规模后，领域能力更多来自数据接入与工程结构（本讲主题），而非无脑微调

来源：Kaplan et al. 2020 arXiv:2001.08361；Hoffmann et al. 2022（Chinchilla）arXiv:2203.15556（检索 2026-09-28）

预训练（语言建模） → SFT（指令微调） → RLHF/DPO（与人类偏好对齐） → 推理模型（长链思考+RL）

• SFT：教会"按指令回答"；RLHF/DPO：教会"有用、诚实、无害"
• 推理模型（Reasoning Models）：训练中强化"先思考再作答"的长链推理（如 OpenAI o 系列、DeepSeek-R1 公开技术报告）
• 工程含义：Agent 依赖的函数调用、结构化输出、多步规划大多是后训练阶段获得/强化的能力

来源：Ouyang et al. 2022 arXiv:2203.02155（InstructGPT）；DeepSeek-R1, arXiv:2501.12948（检索 2026-09-28）

• 长上下文：百万级上下文已是 2026 主流配置（如 GLM-5.2 支持 1M lossless context，docs.z.ai）→ 整份年报、招股书可整读
• 原生多模态：文本＋图表＋K 线＋扫描件统一理解（如 DeepSeek V4.1 Flash 原生多模态）→ 财报图表问答、OCR 场景
• 工程注意：长上下文≠无限准确；关键数字仍建议检索/工具校验（对应"最低校验配置"）

来源：Z.ai 官方说明（docs.z.ai/release-notes，检索 2026-09-28）；DeepSeek 官方发布（api-docs.deepseek.com，检索 2026-09-28）

快照仅用于选型背景；引用时以各厂商官方发布为准。撰写于 2026-09-28，使用前请复核。

• 预算敏感/批处理：DeepSeek 等性价比档（配合严格测试）
• 关键结论复核：交叉模型验证（见下页"最低校验配置"）

推荐组合（示例）：主模型（工程与写作）＋ 长文档/合规档（对外文本）＋ 批量低成本档（清洗/抽取流水线）

关键结论的"最低校验配置"——金融场景不可省：

1. 两模型交叉验证：同一结论用不同模型复述核对
2. 数据/代码单元测试：边界条件、缺失值、异常值
3. 规则约束：禁止无来源数字、禁止确定性收益承诺
4. 人工复核：对外发布、投资建议、合规内容必做

原则：把模型当研究助理/工程助理，不当决策者；任何数字可溯源、任何结果可复现、任何对外材料可审计。

原理：先讲清"要解决什么问题、什么样算做得好"，减少跑偏与幻觉。

 差："分析美团的财报。"

 好：
目标：为投研讨论准备汇报要点
成功标准：关键数字可验证、口径说明、同业对比、风险点；不确定处标"需核实"
任务：作为互联网行业分析师，分析 2023Q4 业绩，
     1) 营收增长驱动（分业务） 2) 利润率变化原因 3) 现金流与资本开支
     4) 竞争格局  5) 与同业对比（口径差异说明）
输出要求：结论摘要 5 条→数据表（指标/本期/同比/口径/出处）→风险与待验证清单
约束：不编造历史收益结论；不确定处必须标注

• Few-shot + 标签定义：先定口径（利好/利空/中性/信息不足），允许"信息不足"降低误判
• 金融角色提示：先问澄清问题（标的时间/市场/用途）再作答；风险内容避免确定性措辞
• 防跑偏模板（通用）：回答前输出 ①任务理解 ②执行步骤 ③需要补充的数据/假设；回答后输出 ④关键假设与口径 ⑤待核实清单 ⑥投资决策风险提示

自检清单（输出末尾强制）：
- 是否有无来源数字？有则标"需核实"
- 是否把相关性当因果？如有，给出反例或替代解释
- 结论是否可复现（数据/参数/窗口）？

• JSON Schema 约束：规定字段、类型、必填项；用 schema 校验输出，不合格重试
• 函数级输出（constrained decoding）：生成内容直接映射为函数参数（与「函数调用」衔接）
• 财报指标示例 schema：

{"指标": "ROE", "数值": 0.152, "单位": "比率", "口径": "归母净利润/平均净资产", "来源": "2025年报-资产负债表"}

• 工程要点：结构化输出是 RAG 引用、审计日志、合规检查的"地基"——输出不可解析，后面一切免谈

• 为什么金融必须 RAG：模型知识有截止日期；私有/最新语料（财报、公告、政策）不在参数里；输出要可追溯引用
• 四步流程：

语料分块 → 向量化（embedding）→ 相似检索（top-k）→ 拼入上下文生成（带引用）

来源：Lewis et al. 2020 arXiv:2005.11401（RAG 原始工作，检索 2026-09-28）

tools = [{
  "type": "function",
  "function": {
    "name": "calc_roe",                          # 工具名
    "description": "根据净利润与平均净资产计算 ROE",
    "parameters": {"type": "object", "properties": {
        "net_profit": {"type": "number", "description": "归母净利润"},
        "avg_equity": {"type": "number", "description": "平均净资产"}},
      "required": ["net_profit", "avg_equity"]}}
}]
# 模型返回 tool_calls → 你的代码执行真实函数 → 结果回传 → 模型继续

• 模型不执行函数，只负责"决定调用哪个工具、填什么参数"——可审计、可拦截
• 这是 Agent 的技术前奏：「函数调用」之后，工具、循环、多步执行就构成了 Harness
• 来源：OpenAI/Anthropic 函数调用文档（撰写当日复核 API 细节；检索 2026-09-28）

任务：把下面的"差"提示词改写成"好"提示词（用本页列出的要素：目标+成功标准／约束／结构化输出／防幻觉条款）。

 "分析宁德时代的财报。"

评价要点（对照检查）：①任务与受众明确 ②成功标准可验证 ③输出结构指定 ④禁无来源数字/收益承诺 ⑤不确定处标注。

来源：Jens Ludwig, Sendhil Mullainathan & Ashesh Rambachan, "Large Language Models: An Applied Econometric Framework", Annual Review of Economics 18: 283–316（2026）；arXiv:2412.07031。JEL: C10, C52。

问题：LLM 让处理文本变得极便宜——用财报电话会预测股价、度量社交媒体极化、从旧报纸回溯消费者情绪、廉价模拟问卷。但 “能把LLM输出接进流程"与"结论有效”是两码事。

为什么它抗拒传统统计分析：参数十亿计、训练数据不公开、训练算法无法形式化——作者称之为 “非凡的工程成就，却没有我们惯常的统计基础”。

对策：把 LLM 当黑箱，转而回答——它必须满足什么条件，实证使用才有效（结论不随架构迭代而失效）。

定义（作者口径）：LLM 是从训练数据集 到字符串间映射的映射； 是它在 上的文本生成器。由此 LLM 实际是两个算法：

这个框架把三类设计选择全部装进来了：

关键含义： 涵盖预训练＋后训练全部阶段的字符串——"训练数据"不只是预训练语料。

把"LLM 不确定性"拆成三层——本讲"最低校验配置"的理论依据

三条推论：

1. 提示词不是"润色"而是"设定"：换提示词＝换一个文本生成器——「提示词工程」的"差/好提示词"对照，在计量上是两个不同设定
2. 随机性可能不可消除：推理模型常不让调温度——可复现性靠固定版本＋记录配置，不是靠随机种子
3. 厂商侧可不打招呼就改：同一提示词不同月份结果不同而无公开变更公告——这是模型快照与最低校验配置的计量学理由

作者的判断：现有的评测方法对"造更好的模型"极其有效，但对"某个 LLM 在你的新任务上会表现如何"几乎没有指导意义。

两个理由：

1. 基准的极限：LLM 在相似任务上表现波动很大；没有一个模型在所有基准上完美；错误模式常常出人意料
2. "世界模型"之问：模型在基准上的好成绩，究竟来自可迁移的能力，还是对训练语料的记忆？——这一问直接引出训练泄漏一节

对金融研究的三条含义：

• 别拿榜单当验收：金融任务（财报解读、情绪判定、事件抽取）几乎不在主流榜单里，必须自建任务级验证（本课的评估集、Part 4 的金融基准都基于此）
• "能力强"是任务相关的：同一模型换任务，误差结构会变——所以下文的测量误差必须在自己的数据上测
• 可复现性优先：记录模型版本与提示词是最低要求（模型快照与按任务选模型）

三个记号（本讲后续都用）：＝若资源无限、你自己逐条精读时的度量程序；＝你真正想要的经济概念；＝LLM 给的替代度量或预测。

关键提醒：＝"这条新闻是正面还是负面"——看似简单、实则口径依赖（谁定义正面？按什么窗口？）。口径写不清，后面的回归系数就没有意义。

                        你的研究属于哪一类？
                                │
          ┌─────────────────────┴─────────────────────┐
          ▼                                           ▼
 ① 预测 Prediction                               ② 估计 Estimation
   文本 r → 预测结果 Y_r                            文本 → 度量概念 V_r → 估参数
   例：财报电话会 → 股价                             例：标题 → 情绪 → 回归收益
    唯一条件：无训练泄漏                            必须有：验证样本
    不满足：样本平均损失低估真实误差                 不满足：系数量级/显著性
      ——"回测很准"其实是记住了历史                     甚至**符号**都可能错

本课定位："评估集＋LLM-as-Judge"属预测侧评测；Part 4"防泄漏/walk-forward"与本节同源。而估计问题在金融实证里更常见（"用 LLM 造指标再回归"），本课此前未展开——下文补齐。

场景：用未来的金融新闻头条预测股票收益。
错误做法：拿 2024 年头条做评估，却用训练数据覆盖到 2025 年的模型——泄漏项几乎必然为正：你和厂商都"看过"2024 年的新闻，任何"预测成功"都可能是背出来的。

正确做法（按设计机械排除）：用开源、权重固定公开发布的模型（Llama／BLOOM／OLMo），或训练数据带时间戳的模型；评估样本只取发布晚于模型发布/截止日 的文档 → 机理上不可能进入训练集。

为什么闭源模型做不到：训练数据不公开且可能被持续微调；把测试数据发给闭源 API 本身有风险（可能进入后续微调）；有研究估计数百个基准可能已通过 API 泄漏、并质疑其公开"知识截止日"是否可信；最值得警惕：同一提示词提交 GPT-4o 结果逐月变化而无公开变更公告。

三种可信的"零泄漏"情形：① 预测未来文档（用早于该日期的权重）；② 预测从未公开的保密文档；③ 从已知完整语料中随机抽样。

重要否证：提示词补救无效——"请忽略日期 之后的信息"这类指令不是泄漏的可靠解法。

插值（plug-in）估计的强假设：LLM 必须处处复现既有度量 ——即"无测量误差"。作者说：在当前的证据下，这个假设很难辩护。

偏误长什么样（线性回归，命题 3）：记 LLM 误差

• 经济概念作因变量时：——偏误就是"LLM 误差对协变量的最优线性预测"
• 经济概念作自变量时：偏误形式更复杂（衰减＋误差与残差相关）
• 关键警告："模型很准"不能担保这两个偏误——要紧的是误差在你的回归里是否与经济变量相关

2019 年、6,000 只股票的新闻头条；5 个模型（GPT-3.5-Turbo／4o／4o-mini／5-mini／5-nano）× 9 种提示词。
发布后 1／5／10 日已实现收益对有正/负面标签回归，控制报告量级与前滞收益（标准误按日期与公司聚类）。
→ 结论：仅换模型或提示词，估计的方向与量级就明显不同，且哪两种提示策略更一致没有稳定规律。

解法：一个小验证样本 + 两次回归，就能纠偏

思路（借自老计量经济学：Bound & Krueger 1991；Bound et al. 1994）：在随机抽取的一小部分文本上，用原度量程序 收集真值 （比如你自己精读并标注）。

• 验证样本：可观察
• 主样本：只能观察

纠偏公式（经济概念作因变量）：

实现只要两步：① 主样本： 对 回归 → ；② 验证样本：误差对 回归 → ；③ 相减（推断用 bootstrap）。

用途一 · 选型：对每个"模型 × 提示词"组合估计偏误 ，挑偏误最小的那个——这就把提示词工程从"手艺"变成可优化的对象。
用途二 · 纠偏：把 修正为 。

作者的结论（值得逐条记）：

1. 纠偏估计量相合且渐近正态
2. LLM 输出是"放大"既有度量，而非"替代"
3. 验证样本只需 125–250 条即可在偏误与覆盖率上获得实质改善
4. 纠偏后的估计可能比"只用验证样本"更精确、标准误更小
5. 验证样本大小是设计选择——像抽样调查定样本量那样权衡成本与精度

对金融研究的直接含义：用 LLM 造情绪/不确定性指标时，不要只报"与人工标注一致率"；应当留出验证样本，报纠偏后的系数与区间。

路线一：宣称"输出没有误差"从而正当地插值——很难辩护：既要解释为何 LLM 在你任务上精确复现概念，又要解释为何它在基准上并不完美、那些脆弱性证据为何不适用于你。

路线二：给误差写个统计模型，再照搬测量误差文献的解法
常见设想是"不同提示策略的误差相互独立"→ 于是想用一个提示词给另一个提示词做工具变量。但：

• 同一模型的不同提示策略之间，标签必然相关
• 不同模型之间训练数据大幅重叠，故跨模型标签也相关
• "我们的测量误差框架本不是为这种场景设计的"——测量来自一个行为未被完全理解的算法，且作用于一个我们观测不到的量

陷阱三：把"真值"定义成"LLM 的输出本身"
当概念过于主观时，有人干脆把研究对象定义为"GPT-4o 用某提示词产出的东西"——这样插值估计按定义就有效。但：换提示词要不要再发一篇？GPT-6 出来要不要重做所有用 GPT-5 的论文？ 若 60% 的"模型×提示词"组合给正相关、40% 给负相关，我们学到了什么？

作者态度：我们关心的是底层经济概念，不是 LLM 的输出。面对歧义应承认并从多角度探测，而非把某一种操作化奉为正统。实践答案很清楚：花力气收集一个小验证样本。

① 人类受试模拟（in-silico subjects）：把文本 重解释为实验设计或问卷， 为真人平均反应；用 LLM 反应替代 → 这正是一个估计问题：

• 因此要求 "无测量误差"——LLM 必须复现真人在你的实验/问卷上的行为
• 也要求 "无训练泄漏"——已发表的实验很可能就在训练语料里，所以真问题是：LLM 能否模拟"全新的"实验设计，而不只是复述记住的结果
• 反例不少：模拟心理学实验产出更多假显著结果；民意调查上无法准确复现真人回答；经济推理任务上对提示词敏感
• 实践修正：至少收集一部分真人反应——"in-silico 受试者是放大真人，而不是取代真人"

② 假设生成：用 LLM 提出研究假设（建议工具变量、生成可解释假设等）——仍落在框架内，同样需要验证，而非"看着有新意就采信"。

金融落点：用 LLM 模拟储户挤兑、投资者反应、通胀预期（本讲 Part 4 的顶刊文献正是这类研究）——它们全部属于估计问题，因此全部需要验证样本：至少一部分真人/真实市场反应。

作者对模型选择的明确建议（与直觉相反，务必讲给金融学生）：

"研究者应避免依赖闭源模型（OpenAI 的 GPT 系、Anthropic 的 Claude 系）"——因为其训练数据不公开、且可能被持续更新。
首选：开源＋权重公开（或训练数据有文档）的模型，并配合按设计排除训练数据的评估样本。

与本课的关系：本页 4 步是「最低校验配置」与「评估集＋LLM-as-Judge」的计量学版本——它回答为什么必须这么做与偏误怎么算。

四大场景：金融分析（财报/研报/预测）｜智能助手（投顾对话/政策解读）｜数据处理（清洗/标注/ETL）｜学术研究（文本测度/假设生成）

三大局限与对策（细节归档附录）：

注：GPT-4 技术报告原文并无金融特定论述，此为课堂归纳。

• BloombergGPT（2023）：金融领域里程碑模型（500 亿参数），但从未开源——不可本地部署、不可微调，属闭源参照系
• 开源金融微调模型（FinGPT 等，2024 起）：可本地部署，但维护状态/许可差异大，选用前查许可与更新（撰写当日复核）
• 现状结论：2026 年主流路径 = 通用开源底座 ＋ 私有数据 RAG ＋ Agent 工程；领域微调只在数据量大、任务固定时划算

来源：Wu et al. "BloombergGPT", arXiv:2303.17564（检索 2026-09-28）

1. LLM 能力来自 Scaling + 后训练（SFT/RLHF/推理模型）；细节在 L03/L05
2. 工程化四大接口：提示词（结构化）、RAG、函数调用、工具——Agent 的技术前奏
3. 模型选型看任务类型与校验成本，2026 年开源-闭源差距缩小；快照页记得"即时复核"
4. 金融场景先定最低校验配置（交叉验证/单测/规则/人工）
5. 局限（幻觉/时效/数值）靠检索+工具+规则+人工兜底——这正是 Part 2/3 的 Agent 结构要解决的问题

Agent 定义 → Harness 工程与七子系统 → 判据与实例 → 认知架构（机制＋解剖视角）
      → 设计维度 → 五协作模式 → 工具接入生态 → 框架与运行时选型
      → 工程防护 → 效率（成功任务成本） → 收敛与可验证性缺口 → 前沿争议

本 Part 回答两个问题：Agent 与 Harness 是什么；怎么设计、怎么控本、边界在哪。

LLM 的四局限 → Agent 的四能力：

• 三种并列定义：① Agent = Model + Tools + Instructions（OpenAI 最小公式）② Anthropic：分 "Workflows"（确定性管道）与 "Agents"（LLM 自主决策循环）③ Agent = 模型 ＋ Harness——模型提供智能，Harness 把智能变成工作（arXiv:2609.00006 §1；见 Harness 工程节）
• 四能力归位（对应七个规范子系统，后文详列）：状态与记忆→④｜工具调用→③｜知识库/RAG→③+②｜循环与评估→①+⑤
• OODA 循环（本课教学类比框架）：观察（Observe） → 判断/调整（Orient） → 决策（Decide） → 行动（Act）

Agent = 模型 ＋ Harness——模型提供智能，Harness 把智能变成工作。

为什么它是本讲的真正主角——三篇论文从不同角度得出的同一判断：

对金融的三句话落点：① 模型可以换（见按任务选模型）；② Harness 决定可控性（护栏、检查点、人在环都在这一层）；③ Harness 决定"每次成功任务的成本"（效率：按「成功任务成本」计价）。

与本讲既有内容的关系：Part 1 讲模型（可替换的一半），Part 2 讲 Harness（本讲主体），Part 3 把 Harness 落到财报解读案例的代码里。

来源：arXiv:2609.00006 §2.3/Table 1（11＋1 个生产级 harness 源码解剖，约 400 万行；检索 2026-09-29）。任何 harness 都须在这七项上表态——哪怕表态是"故意不做"（Aider 即不做编排）。

两个横切面（不单列为子系统）：界面层（TUI/CLI/IDE 协议/HTTP server/SDK）｜会话基座（transcript、持久化、resume/fork）

两条读表结论（出处同前页）：① 最小实现极低——Mini-SWE-Agent 约 100 行实现全部七子系统，SWE-bench Verified 自报成绩与三个数量级更大的系统同区间；② 编排的最小形态是"故意缺席"——Aider 坚持单 Agent，为"不要为多 Agent 而多 Agent"提供实证背书。

适用范围：编码 Agent 语料的实证解剖，非金融定理；金融差异见可验证性缺口。课堂动作：把主轴案例的八节点映射到这张表（答案见「编排子系统实现」）。

判断标准（三行判别式）：

• 流程是 DAG（无回路）→ Workflow
• 存在"失败则重试/调整"自循环 → Agent
• 跳转逻辑由 LLM 动态决定 → Agent

金融实务倾向先 Workflow、后局部 Agent 化——可控性优先（见三元权衡）。

FinRpt-Gen（Workflow 型）：9 个 Agent 节点、固定流水线（抽取→分析→预测→Judge），价值在"分工"而非"决策"。

AI Scientist-v2（Agent 型）：含 Debug Loop——运行失败→读 traceback→自主修正→重试（论文标题即 "Workshop-Level Automated Scientific Discovery"，arXiv:2504.08066）。

代码生成 → 执行 → [失败?] ──否──→ 进入下一阶段
              ↓ 是
         读 Traceback → 调整策略重试（最多 N 次）

同一个"研报生成"任务：固定标的+固定模板 = Workflow；开放选题+自主探索 = Agent。判据是决策点在编译期还是运行期。

对齐 Google Agents 白皮书三层（Orchestration / Memory / Tools），机制视角看运行时怎么协作：

下一页用解剖视角看同一件事（组件有哪些），两视角互补。

来源：Google, "Agents" Whitepaper（撰写当日复核链接；检索 2026-09-28）

分层图见下一页（单独成页，避免拥挤）；本页给出要点与术语口径。

AI Agent = 模型底座 ＋ Harness（模型之外的运行时）＋ 知识库 ＋ 工具库 ＋ 数据接口 ＋ Skills（本课教学解剖框架，非行业标准命名）

• Harness 的内部构成：即七个规范子系统——①循环策略（ReAct 等）⑤护栏与权限 ⑥编排 ⑦扩展（工具协议/Skills）＋横切会话基座；记忆归子系统 ④、可观测为横切关注点，均不单列为平级组件
• 两种粒度互补：本页是分层视图（整个系统怎么摆），七个规范子系统页是解剖视图（模型之外的运行时由什么组成）——考试与分析题一律要求能切换两种粒度
• 判定口诀：知识库=有什么事实；数据接口=当前值是什么；工具库=怎么算/怎么做

AI Agent = 模型底座 ＋ Harness（模型之外的运行时）＋ 知识库 ＋ 工具库 ＋ 数据接口 ＋ Skills（本课教学解剖框架，非行业标准命名）

               ┌─────────────── 用户 / 运营者 ───────────────┐
               │                    ▲ 人在环 ─ 确认/干预     │
   ┌───────────┴────────────┐       │                       │
   │   Harness（运行时）     │◀─────┴── 护栏(guardrails)    │
   │ ①循环 ⑤安全 ⑥编排 ⑦扩展 │──────▶ 可观测(追踪/日志)       │
   │ ＋横切：会话基座/界面层  │                               │
   └───┬────────┬────────┬──┘                               │
       │        │        │                                  │
  知识库(KB)  工具库(Tools) 数据接口(Data)                    │
  事实/文档   怎么算/怎么做  当前值/端点                       │
  (RAG)      (纯函数/脚本)  (AkShare/EDGAR/FRED)             │
       │        │        │                                  │
   ┌───┴────────┴────────┴────────────────────┐             │
   │ Skills 层：可复用技能包（提示词+脚本+校验） │             │
   └──────────────────────────────────────────┘             │
              模型底座（LLM：开源/闭源/本地）◀── 函数调用/结构化输出

读图三条：① 模型底座在最下，可替换；② Harness 居中调度（循环/状态记忆/护栏/协议/可观测），记忆与护栏不单列为平级组件；③ 判定口诀：知识库＝有什么事实｜数据接口＝当前值是什么｜工具库＝怎么算/怎么做。

两种粒度互补：本页是分层视图（整个系统怎么摆），前一页是解剖视图（模型之外的运行时由什么组成）——考试与分析题要求能自由切换两种粒度。

通用 harness 已经商品化；垂直智能体的价值全部落在这四件套上。

 通用 Agent 运行时 / Harness（循环·编排·安全·会话·扩展 —— 别在这里创新）
      ▲              ▲               ▲              ▲
 ┌────┴────┐    ┌────┴────┐    ┌────┴────┐    ┌────┴────┐
 │本地知识库│    │ 数据接口 │    │ skill 库│    │  脚本库 │
 │ 私有事实 │    │  当前值  │    │  怎么做 │    │  怎么算 │
 └─────────┘    └─────────┘    └─────────┘    └─────────┘
      └────────── 领域能力积累在这里 ──────────┘

纪律 1 · 通用层不要自研。 循环、重试、压缩、沙箱、会话记录——用成熟 harness。证据：11 个生产 harness 无一处 import 通用框架（约 400 万行），循环这一层已无人竞争（pi 796 行／dsh 515 行）。预算全投四件套。

纪律 2 · 知识与算力分离。 模型只做"理解与生成"，任何数字都出自脚本库——可审计、可复现、可单测。

纪律 3 · 四件套都要可版本化。

• ReAct 出处：Yao et al. 2022, arXiv:2210.03629
• 金融提示：计划先行降低"想到哪做到哪"的失控风险；反思用于对答案的批判性复检

来源：Yao et al. arXiv:2210.03629；Anthropic 工程博客（检索 2026-09-28）

• 短期记忆（工作状态）：当前任务上下文、已调用结果；工程载体=状态对象（会话检查点）、会话窗口
• 长期记忆：外部存储——向量库（RAG 知识）、键值/数据库（指标缓存、用户偏好）
• 主轴案例：会话中记录"已读 2025 年报、ROE=15.2%"——避免重复读取与重复计算（省钱、减少幻觉面）
• 对应子系统 ④（Memory & context）；生产系统的共识是"只追加、可重放的会话记录"（收敛五要素之二），三种强度：
  • 强：事件溯源＋运行时不变式"可见 ⇒ 已记录"＋replace 操作（dsh）；
  • 中：只追加条目＋寄存器（pi）；
  • 弱：检查点，但恢复会改写历史（deepagents）。
• 设计趋势：行为策略正从提示词散文迁移到配置（九十天源码 diff 的观察）——"写进 prompt 的规矩"会变成"写进配置的规矩"
• 为什么金融要在意：只追加且可重放＝审计与回放的前提（见审计与回放一节）；会改写历史的记忆层，事后无法自证

记忆是"知识截止"的第二道解药：模型忘了没关系，记忆系统记得。

• 三类工具：函数调用（确定性计算）｜检索（查文档/数据库）｜代码执行（复杂计算、E2E 操作）
• 工具定义四要素：名称、描述（给模型看的说明书）、参数 Schema、错误返回约定
• 主轴案例示例：

{"name": "get_financial_statements", "description": "获取指定股票指定期间财务报表",
 "parameters": {"symbol": "600519", "statement": "资产负债表", "period": "2025年报"}}

工具描述写得好，模型才"会用"——描述是 prompt 工程的一部分（提示词工程技巧在此复用）。

• 对应子系统 ③（Tools & actions）；生产系统的量级：43 个强类型工具（Claude Code）到仅 bash（Mini-SWE-Agent）
• 工具越多越贵：工具 schema 进上下文就是固定成本，因此延迟加载（deferred loading）成为主导模式——按需把工具说明"渐进披露"给模型（收敛五要素之四，见效率：按「成功任务成本」计价）

为什么拆多体（认知负荷分解）：

三种编排形态：Sequential（依赖链）/ Parallel（多视角）/ Hierarchical（分层指挥）

• 设计提示：先单体跑通，再拆多体；不要为"多 Agent"而多 Agent（成本与失控风险随之上升）

              自治性 Autonomy
                    ▲
                   /|\
                  / | \
                 /  |  \
                ▼   ▼   ▼
          可控性 Control    可观测性 Observability

• 给 Agent 多少决策权？→ 决定工作流 vs 自治循环
• 出错如何干预？→ 熔断、人在环、紧急停止
• 行为如何被追踪？→ 日志、trace、审计回放

核心思想：角色化（role）+ 任务书（task）+ 接口契约（schema）+ 质量网关（检查点）

• 设计要点：接口 Schema 先行；每环节设质量网关；识别无依赖环节并行化
• 金融落点：研报流水线（FinRpt-Gen 即此模式的 9-Agent 版本）

DeepAnalyze-8B 的五动作 Token（arXiv:2510.16872，自主数据科学模型）：

• 创新点：动作内化进模型 Token，无需外部编排——Harness 的极限情形（「Harness 工程」的例证）
• 教学意义：同一思想在外部框架=显式 ReAct 循环；在内生派=动作 Token

• manager-analyst 模式：管理者拆解任务、分析师执行、结果回报；管理节点负责风控与自我批判
• 代表案例 FinCon（arXiv:2407.06567）：单股交易与组合管理两档，manager-analyst 层级通信＋风险控制/自我批判＋概念化言语强化
• 适用：任务层级天然存在（宏观决策→标的分析→数据执行）的金融场景

• Denario（arXiv:2510.26887，天体物理/科学发现多 Agent）：Idea 模块 propose-critique 双代理——Idea Maker 生成创意 → Idea Hater 批判 → 修订 → 循环
• 循环护栏（取自论文与代码配置）：nfails（执行失败上限）、nrounds（消息上限，默认 500）；timeout 出自代码配置
• 金融落点：研报生成后由"批判 Agent"挑毛病（数字口径、逻辑链、合规表述）再交付

通用价值：对抗式自检是降低幻觉与不一致性的有效机制。

• MoMoE（arXiv:2511.13983）：多专家并行（LLaMoE+GPT-4o+DeepSeek 等）→ Final Agent 仲裁；金融情感分类 SOTA：Accuracy 75.5% / F1 76.6%
• 风险："多数偏置"——多个 Agent 犯相同错误会带偏最终决策
• 对策：引入外部验证器（检索/规则）、分歧显式化、仲裁 Agent 独立
• 金融落点：多模型投票用于情感/分类场景；交易信号慎用（错误同源风险）

安装示例：pip install "langgraph>=1.2"、pip install ag2 crewai llama-index（版本以 PyPI 为准）

第 0 问（自己写循环 vs 用框架）已独立成页——它是选型的第一步，且证据量较大。

任务容错率如何？
 ├─ 低容错（金融）→ 流程确定? → 确定: LangGraph / CrewAI（显式图/流水线）
 │                              → 需适应: LangGraph + 护栏 + 人在环
 └─ 高容错（研究/探索）→ 需要多大自主性?
                          ├─ 强自主: OpenAI Agents SDK / smolagents / Pi
                          └─ 可控自治: LangGraph 子图 + 预算护栏
数据密集（RAG 为主）→ LlamaIndex；非技术团队/可视化 → Dify / n8n
工程语言偏好：Python → 上述全部；TypeScript → LangGraph.js / DeepSeek Harness（preview）

决策树的应用例：

第 0 问（必须先答）：自己写循环，还是用框架？

实证背景：约 400 万行 Python/TypeScript/Rust 的 11 个生产级编码 harness 中，无一处导入通用 Agent 框架——LangChain、LangGraph、LlamaIndex、AutoGen、CrewAI、PydanticAI、Genkit、Google ADK 全部零命中；Gemini CLI 连 Google 自家的 Genkit/ADK 都不用。它们全部手写异步循环＋确定性检索（ripgrep、tree-sitter、glob、自动发现的 Markdown 上下文）。

但边界要说清（否则会误读成"框架无用"）：① Aider 有一个可选的 llama-index extra，仅对它自己的文档做 doc-RAG，不是 agent loop 编排；② OpenCode 把内层 LLM/工具管线委托给 Vercel AI SDK（provider 抽象层，非编排框架）；③ 生产 harness 面对的是代码检索，而金融文本是非结构化语义检索，RAG 仍然必要（见「知识库层实现」）。

判据：

三个场景，选一个框架并说出理由：

1. 券商投研部：固定模板的季度研报自动生成流水线 → （参考答案：CrewAI/AG2 或 LangGraph；理由：SOP 固定、需审计）
2. 私募：财报摘要"分析师问答"产品原型，团队 2 人、三天出 demo → （参考答案：LlamaIndex/OpenAI Agents SDK/smolagents；理由：RAG 为主、起步快）
3. 银行合规：话术生成+强制人工复核通道 → （参考答案：LangGraph；理由：显式状态+interrupt 人在环）

理由比框架重要：先答"是什么流派/Harness 风格"，再答"具体框架"。

终端指标换掉：Agent 效率 = cost per successful task（每次成功任务的成本，由 Agent 轨迹诱发）；
token 与缓存计数是轨迹的测量值，不是充分的优化目标。

① harness 对成本的影响，大于提示词（同模型/同任务/同提示词，匹配单元对比）：

② 本课自家 harness 的预注册实测（DeepSeek Harness 0.1.0rc7、dsh-jsonrpc-agent 无人值守组合、模型固定 Claude Sonnet 5、5 任务×5 臂×3 重复=75 次有效运行、全部臂全解）：

• effort-only 占 baseline→full 降幅的 90.9%；作者定性：在被测 dsh 组合中"effort 控制主要在纠正一个高算力默认设置"
• ③ 最反直觉的一条——harness×effort 交互：同一套控制器逻辑，在 Claude Code 下 effort-only 约 −19%、full 约 −27%；在 dsh 下是 −74.7% / −82.2%
  → 不存在可搬运的"82% 效果"；效率结论必须连同 harness 一起报告
• ④ 缓存要正确解读：provider 侧前缀缓存减少约 61% 的应付账单（实付≈无缓存时的 39%），但行为指标不变——计费下降 ≠ 行为效率提升

金融落点：预算熔断应管每次成功任务的成本（成功率与成本同时约束）；按任务选模型页的批量/低成本档也要用这个口径核算。

四条限定（必须连同数字一起讲）：①版本 0.1.0rc7、被测组合为无人值守 SDK 组合（非 CLI）；②模型是 Claude Sonnet 5，未测 DeepSeek 模型；③5 个激活夹具全部为成功率封顶（ceiling）任务，因此证明的是"该配置下算力过度配置"，不是难任务上的最优 effort 策略；④dsh 与 Claude Code 的绝对成本不可直接比较（prompt/工具/压缩/缓存流量均不同）。

class CircuitBreaker:                       # 通用工程模式（课堂示例，非论文内容）
    def __init__(self, failure_threshold=5, timeout=60):
        self.failure_count, self.state = 0, "CLOSED"
        self.timeout, self.threshold = timeout, failure_threshold
    def call(self, func, *args):
        if self.state == "OPEN" and not self._cooled_down():
            raise CircuitBreakerOpen()
        try:
            result = func(*args); self.failure_count = 0; self.state = "CLOSED"
            return result
        except Exception:
            self.failure_count += 1
            if self.failure_count >= self.threshold: self.state = "OPEN"
            raise
    def _cooled_down(self):
        return False  # 简化示意：真实实现记录时间戳并支持 HALF_OPEN 试探

金融落点：行情接口抖动、模型 API 超时——熔断降级（返回缓存/报错）而不是堆重试。

三种立场，来自三篇论文：

立场 C 的成绩单（论文自报，未经本课独立复现）：

本课立场（要讲明）：即便 harness 可以被生成，金融场景仍要求有人能说清"为什么是这个 harness"——可解释、可审计、可治理的前提是设计者理解设计。这正是合规边界与可验证性缺口的交集。

课堂讨论（可作讨论题 6）：如果 harness 能自动生成，投研 Agent 的"设计文档"还有价值吗？谁为它的行为负责？

本组各页是主流 harness 的横向速览（对应开源框架全景与选型决策树两页）；逐系统细节见 arXiv:2609.00006。

harness ≠ 框架。框架是你 import 的库；harness 是能直接跑起来的运行时。以下来自 11＋1 个编码 harness 的源码级横断解剖（arXiv:2609.00006，约 400 万行）。

结论 1 · 循环已经不竞争了。 pi 的 loop 796 行、dsh 的 driver 515 行、deepagents 干脆不自建循环（委托 LangGraph）——没有一家靠循环做出差异；差异发生在扩展面、安全与会话记录。→ 支撑"垂直领域智能体＝四件套"。

结论 2 · 市场已完成"工具 → 平台"转向（2026 上半年）。

• 每家厂商都在发 harness；元层已经出现——Omnigent（Databricks）在 harness 之上编排 harness：23 个规范适配器＋16 个别名、5 种集成模式、三层策略面（CEL＋Python＋LLM 分类器，fail-closed）
• 同时 harness 变可导入 SDK、框架厂商反过来发 harness（harness–framework 合流），并出现市场、迁移成本工具、企业治理层

结论 3 · 扩展标准已分出胜负。 SKILL.md 技能包 9/11 领先 MCP 8/11；ACP 6 个系统，并长出第三角色 "harness hosting"（OpenHands 把 Claude Code/Codex/Gemini CLI 当可互换后端）。

harness 层已经"有得选、可替换、能托管"——创新应落在四件套，而不是重写循环。

**选型决策树回答"自己写 vs 用框架"；本页回答更前置的一问：直接把某个成熟 harness 拿来改，选哪个。

三条使用纪律：

1. 先量成本再比功能——不同 harness 的每次成功成本可差 5–30 倍（见效率：按「成功任务成本」计价）
2. 可验证性自己补——生产 harness 都没有外部可校验记录（见可验证性缺口）
3. 扩展优先写 Skill，别改内核——SKILL.md 已是事实标准（9/11）

需求分析 → 数据生态 → 论文案例回访（运行时分层解剖）→ 主轴案例从 0 到 1 实现
       （六步法：需求→架构→数据接口→知识库→工具库→Harness→Skills→测试评估与合规）

• 本 Part 是"创造"层级核心：每个知识点都落成代码，代码全部进 L06-Lab/
• 课堂演示脚本与作业骨架见后文各节

用户故事：投研分析师每天要读 10+ 份财报 → 想要"输入代码+问题，输出结构化分析要点"。

任务树（逐步分解）：

财报解读 Agent
 ├─ 抓取：财报三表 + 行情 + (可选)公告
 ├─ 解析：数字入结构化字段（知识库层）
 ├─ 指标：ROE/毛利率/流动性……（工具库纯函数）
 ├─ 问答：自然语言问财报（RAG 检索增强）
 ├─ 报告：研报要点生成（提示词+结构化输出）
 └─ 合规：禁收益承诺/免责声明/人工确认

需求纪律：写清非目标（不提供买卖建议、不做盈利预测保证），边界即合规。

• 盘点表模板（入 L06-Lab/homework/project_template/project_spec.md）
• 选型原则：免费优先、许可明确、失败可降级（缓存）

合规不是"装饰"，它是需求的一部分——在需求文档阶段就写进验收标准。

各源接口与状态撰写当日复核；课堂代码默认 AkShare＋离线缓存（断网可演示）。
来源：各官网（检索 2026-09-28）

工具链原则：确定性计算全部交给纯函数——LLM 只做"理解与生成"，不做算术。

• 正式出版：ACM KDD 2024（第 30 届 SIGKDD 学术会议；DOI 10.1145/3637528.3671801）——不是 WWW'24（该会议无此文出版记录）
• 真实架构：市场情报模块（多模态：数值+文本+K 线）＋记忆模块（长期/短期＋多样化检索）＋双级反思模块＋工具增强决策（技术指标+专家见解）
• 实验：6 个数据集（股票+Crypto）、2022-06~2024-01（398 交易日）、9 个 SOTA 基线对比 6 项金融指标，平均利润提升 36%+；单一数据集收益 92.27%（相对提升 84.39%）

• 来源：arXiv:2402.18485（摘要页，检索 2026-09-28）；NTU 作者页 KDD'24 PDF；ACM DOI

关键洞察：Agent 策略牺牲部分收益换取更严格风控（股票实验 EW 回报高于 agentic；BTC 窗口短）——三元权衡的实证样本。

• 任务： Equity Research Report（ERR，研报"推荐理由"）自动生成——首个 ERR 生成基准 FinRpt
• 正式发表：AAAI-26，Proceedings of the AAAI Conference on Artificial Intelligence 40(1):507-515，DOI 10.1609/aaai.v40i1.37014（ojs.aaai.org 官方页确认）
• 9 个 Agent、三段式：信息抽取（新闻/三表）→ 综合分析（财务/新闻/经营/风险）→ 预测；外加 Judge
• FinRpt 数据符号表：概况 O ｜财务 F ｜公告 A ｜新闻 N ｜股价 P ｜市场 M
• 来源：arXiv:2511.07322（v3, 2026-08-05）；AAAI OJS（检索 2026-09-28）

注：论文摘要口径为"数据集构造整合 7 类金融数据"，与正文符号表（6 类）的对照在撰写当日核对后再统一讲法（见交付说明【待核】项）。

• 来源：arXiv:2511.07322；AAAI-26 正文（检索 2026-09-28）

• TimeSeriesScientist（arXiv:2510.01538）：首个 LLM 驱动的通用时序预测框架，四角色流水线
• Curator（数据治理：Q/V 描述、缺失/异常、ACF/PACF）→ Planner（选模型）→ Forecaster（预测）→ Reporter（解释报告）
• Leakage-safe：集成权重仅依赖验证集、滚动估计统计量、水平方向固定权重
• 性能：8 个公开数据集，相对 LLM 基线 MAE 平均降低 38.2%

• TradingAgents（arXiv:2412.20138）：多智能体模拟交易团队（Researcher/Bull/Bear/Planner 等）辩论决策
• FinCon（arXiv:2407.06567）：manager-analyst 层级通信＋风控/自我批判＋概念化言语强化；单股与组合两个场景

• SciAgents（arXiv:2409.05556，Ghafarollahi & Buehler, MIT）：本体知识图谱（33,159 节点/48,753 边，约千篇生物材料论文）＋多 Agent（Ontologist/Scientist/Critic）＋Semantic Scholar 检索；产出 7 字段假设 JSON，Novelty/Feasibility 1-10 评分；
• AI Scientist-v2（arXiv:2504.08066）：四阶段实验管理＋Agentic Tree Search；
• DeepAnalyze-8B（arXiv:2510.16872）：自主数据科学（非金融）；DataSciBench 59.91——仅次 GPT-4o，超 GPT-4-Turbo/Claude 3.5 Sonnet

完整模板见 L06-Lab/homework/project_template/project_spec.md——小组项目第一步。

                   用户提问（ticker + 问题）
                          │
        ┌─────────────────▼──────────────────────────────┐
        │ 数据接口层  AkShare 连接器 / EDGAR 连接器 / 缓存 │
        └─────────────────┬──────────────────────────────┘
        ┌─────────────────▼──────────────────────────────┐
        │ 知识库层    财报分块→向量库→检索（RAG）           │
        └─────────────────┬──────────────────────────────┘
        ┌─────────────────▼──────────────────────────────┐
        │ 工具库层    指标纯函数 / 合规规则 / 格式化        │
        └─────────────────┬──────────────────────────────┘
        ┌─────────────────▼──────────────────────────────┐
        │ Agent 运行时·⑥编排子系统 LangGraph 八节点状态图   │
        │   抓取→解析→指标→问答→报告→合规→人在环→输出        │
        │   + 检查点 + 熔断 + 每节点 trace                 │
        └─────────────────┬──────────────────────────────┘
        ┌─────────────────▼──────────────────────────────┐
        │Skills 层   "财报精读"/"研报要点"/"合规审查" 技能包│
        └─────────────────┬──────────────────────────────┘
                   人工确认（interrupt）→ Markdown 报告 + 审计日志

与七子系统的对应关系：图中原称"Harness 层"的方框 ＝ Agent 运行时，它覆盖 ⑥编排子系统＋⑤安全权限＋⑦扩展＋横切会话基座；工具库 ＝ 子系统 ③（Tools & actions）；知识库/数据接口 ＝ 子系统 ③ 的下游资源；模型底座 ＝ 子系统 ②（LLM integration）；子系统 ①（Agent loop）与 ④（Memory & context）在 LangGraph 内由状态图与检查点承担。

# L06-Lab/finrpt_agent/layers/data/akshare_connector.py
import akshare as ak

def fetch_balance_sheet(symbol: str) -> "pd.DataFrame":
    """获取资产负债表（新浪口径）；失败时抛带上下文的异常"""
    df = ak.stock_financial_report_sina(
        stock=f"sh{symbol}", symbol="资产负债表")     # 接口名以 AkShare 文档为准
    return df

def fetch_daily_price(symbol: str, start: str, end: str) -> "pd.DataFrame":
    return ak.stock_zh_a_hist(symbol=symbol, period="daily",
                              start_date=start, end_date=end, adjust="qfq")

• 工程要点：超时/重试/限流封装、离线缓存（parquet；课堂演示断网可跑）、字段口径文档化
• 完整代码：L06-Lab/finrpt_agent/layers/data/（含 EDGAR 备用连接器与缓存）
• 边界澄清（防误读）：生产编码 harness 无一处用向量嵌入检索代码（用 ripgrep/tree-sitter/glob——确定性检索更快、更可解释）；但这条结论限定于"代码检索"——金融文本是非结构化语义检索场景，RAG 仍然必要（见「知识库层实现」）。二者不是矛盾，而是"确定性检索优先，语义检索兜底"的分工。

验收口径：答案必带引用｜断网可演示｜技能有 schema 与自检｜数字出自脚本。

两套语言对照：

一句话记忆："通用层买现成的，领域层自己攒四件套"——小组项目评分按四件套逐项自检。

# 简化示意；完整实现见 L06-Lab/finrpt_agent/layers/kb/
chunks = chunk_text(financial_report_text)          # 按章节/段落分块（含来源句柄）
store.add(chunks)                                    # 向量化入库
hits = store.search(question, top_k=5)               # 检索
answer = llm(f"根据以下财报片段回答问题，并标注引用：[{hits}] {question}")

• 设计要点：每块携带来源句柄（报表名/期间/页码）→ 生成时强制引用
• 模板库（研报骨架、免责声明）也属于知识库层
• 依赖（撰写日锁定版本）：embedding 模型、向量库（如 chromadb/faiss 之一）

def roe(net_profit: float, avg_equity: float) -> float:
    """ROE = 归母净利润 / 平均净资产（口径可配：期初/平均）"""
    if avg_equity == 0: raise ValueError("avg_equity 不能为 0")
    return net_profit / avg_equity

def gross_margin(revenue: float, cogs: float) -> float:
    if revenue == 0: raise ValueError("revenue 不能为 0")
    return (revenue - cogs) / revenue

• 纪律：纯函数+单测（doctest/pytest），覆盖边界（除零/缺失）
• 更多指标：净利率、流动比率、经营现金流/营收、资产负债率（口径注解逐项写明）

from langgraph.graph import StateGraph, END
from typing import TypedDict

class AgentState(TypedDict):
    ticker: str; question: str
    statements: dict; metrics: dict; report: str; logs: list

g = StateGraph(AgentState)
g.add_node("fetch",    fetch_node)      # 数据接口层
g.add_node("parse",    parse_node)      # 知识库层
g.add_node("metrics",  metrics_node)    # 工具库层
g.add_node("qa",       qa_node)         # 知识库+工具
g.add_node("report",   report_node)     # Skills: 研报要点
g.add_node("compliance", compliance_node)  # 规则+LLM自检
g.add_edge("fetch", "parse");  g.add_edge("parse", "metrics")
g.add_edge("metrics", "qa");   g.add_edge("qa", "report")
g.add_edge("report", "compliance")
g.add_conditional_edges("compliance", route_after_compliance,  # 合规不通过→report 重写
                        {"rewrite": "report", "pass": "human_confirm"})
g.add_node("human_confirm", human_node)  # interrupt 人在环
g.add_edge("human_confirm", END)

• 编排子系统（⑥）＝ 胶水 ＋ 可控性落点：状态 schema、条件路由、检查点（断点续跑）、熔断、每节点 trace
• 它只是 Harness 的一层：完整 Harness 还含 ⑤安全权限、⑦扩展、①循环、④记忆与横切会话基座（详见七个规范子系统）——本页实现的是其中最能体现"可控性"的那层
• 诚实限定：生产级编码 harness 无一处 import 通用 Agent 框架（见「选型第 0 问」）；本课用 LangGraph 的理由是显式状态图便于教学与审计，不是"生产必须用框架"
• 完整运行代码：L06-Lab/finrpt_agent/layers/harness/graph.py（依赖 langgraph>=1.2）
• 可验证性落点（选做）：每节点 trace 写成只追加日志＋哈希链，使外部方无需信任运行时即可校验报告未被篡改（见「可验证性缺口」与小组项目选题 E）

L06-Lab/finrpt_agent/layers/skills/
├── income_reader/      # 技能：财报精读
│   ├── prompt.md       # 角色/步骤/输出 schema（差/好对照见「提示词工程」）
│   ├── script.py       # 配套确定性代码（分块、抽取）
│   └── checker.py      # 自检：数字有来源？口径标注？
├── report_writer/      # 技能：研报要点（模板库）
└── compliance_review/  # 技能：合规审查（规则+LLM 双检）

• 概念对照：Anthropic Agent Skills（2025-10 推出）、CrewAI Skills、AGENTS.md（AAIF 创始项目）
• 实证更新：SKILL.md 事实上已趋同为标准——11 个生产编码 harness 中 9 个实现 SKILL.md 技能包（超过 MCP 的 8/11），路径 .agents/skills/ 跨厂商趋同，并出现注册表与信任分级；延迟加载（deferred loading）是主导模式（按需披露，省上下文成本，接「效率：按「成功任务成本」计价」）
• 新议题：技能包的供应链——技能可由第三方甚至 Agent 自己编写（语料中已出现），因此**"装一个技能包"= 引入一份外部代码+提示词**：金融场景需做来源审查与信任分级（本课三件套打包法便于自审；检索 2026-09-29）
• 来源：arXiv:2609.00006 §12.5；Anthropic/CrewAI 官方文档

FORBIDDEN = ["建议买入", "目标价", "保证收益", "必涨"]        # 规则层一票否决
DISCLAIMER = "本报告由 AI 辅助生成，仅供学习研究，不构成投资建议。"
def compliance_check(report: str) -> tuple[bool, list[str]]:
    hits = [w for w in FORBIDDEN if w in report]
    return (len(hits) == 0, hits)

• 三层合规：规则层（关键词/模式）→ LLM 自检层（语义级）→ 人在环（LangGraph interrupt，人工确认/修改后才能输出）
• 警示——"可见 ≠ 可管"：dsh 的运行时工具限制 ctx.tools.restrict() 在其官方文档中被明确描述为"一种可见性组合，不是权限边界"。把工具从模型视野里藏起来，不等于禁止它被调用——金融场景必须另设真实的权限边界（进程/文件/网络级），不能只靠提示词与可见性
• 补充一点——人在环要留"可校验的痕"：人工确认不能只是一条日志，应进入只追加、可重放的会话记录（见「可验证性缺口」），使"谁在何时批了什么"可被外部复核
• 输出审计：报告版本、确认人、时间戳、全文 trace → 可回放（见「治理 1」）

本课建议学生基于 dsh 二次开发，实现自己的垂直领域智能体。

1. 可读——核心循环 515 行、配置分层清晰：学生能读懂整个运行时，而不是面对黑盒框架
2. 可替换——循环、工具、会话、压缩、模型适配都是配置行或插件：四件套各占一个扩展面（见「垂直领域智能体」）
3. 可验证——内置 "可见 ⇒ 已记录" 运行时不变式与失败即报错的沙箱：金融最缺的两件事（见可验证性缺口），它已做好一半

与课程目标的关系：dsh 提供可审计的底座，把学生精力释放到领域四件套上——「四件套」主张的落地方式。

来源：arXiv:2608.23953（Dai Jiahong），三个哲学对立的 harness 源码级对照。

• 三案例＝deepagents（电池全含）／pi（极端极简）／dsh（一切皆插件）
• 读法：pin 到 dsh-v0.1.1-rc.2，commit b150a551b，逐子系统对照并读 commit 历史
• dsh 在一个接缝上直接复用了 pi 的实现（llm-pi-ai 依赖 pi 发布的 @earendil-works/pi-ai），源码内自述为 "design-verification twin"——作者据此不宣称三者独立发明

来源：arXiv:2608.01347 附录 O。

用七个规范子系统解剖 dsh。看点：五个已收敛的要素它都做到强形态。

两条金融关键设计：① "可见 ⇒ 已记录"——模型看到过的一切必须能从日志重建，是运行时断言（审计地基）；② 沙箱失败即抛错——宁可拒绝执行。

边界：只到运维可重建，未达第三方可校验；其文档坦白 ctx.tools.restrict() 是"可见性组合，不是权限边界"——少看见 ≠ 不能做。

插件机制四条规则（论文口径）：

配置＝分层 patch：

空根 → bundle 层（dsh-base / dsh-sdk-minimal / dsh-web-app / …）
     → profile 自己的 cordis.patch.yml
     → home 级 $DSH_HOME/cordis.patch.yml
     → --patch 覆盖层            每条都是一层 patch，按序叠加成最终配置树

约 230 个插件可归成五类——正好对应四件套与护栏：

| 安全 | dsh-sandbox-policy／dsh-user-approval／-permission-presets | 合规护栏、人在环 |
| 模型/工作流 | dsh-llm-deepseek／dsh-llm-pi-ai／dsh-workflow／dsh-goal | 换底座、多步流水线 |

入口：dsh --profile sdk-minimal｜dsh --profile headless "任务"｜dsh plugin --profile <name> <pnpm args>

| 4 写脚本库 | 指标纯函数、口径校验、对账断言 | 工具/脚本面 | 纯函数＋doctest |
| 5 编 skill 库 | 领域流程写成 SKILL.md（角色/步骤/schema/自检） | Skills 面 | 可复用技能包 |
| 6 上护栏与审计 | 权限预设、人在环、用 session JSONL 做成本复盘 | dsh-user-approval／-session-* | 合规自查表＋成本报告 |

1. 不要动循环——循环是配置行（ctx.agentLoop）；改循环会让你失去官方升级能力
2. 保持可升级——能力一律走插件／配置／Skill，不 fork 内核；下次 dsh 升级你不能脱队
3. 成本按成功任务计量——从 session JSONL 取数（步数、token、缓存、工具调用、压缩事件），算 cost per successful task（见效率：按「成功任务成本」计价）
4. 可验证性自己补一层——dsh 到"运维可重建"为止；要"外部方可校验"就得自己加只追加日志＋哈希链（见「可验证性缺口」与「编排子系统实现」）

为什么强调：前两条保护升级能力，后两条回应金融的审计与成本要求——对应评分表"合规与可观测"那 15 分。

# 一个"取数工具"插件的形状（概念示意，非 dsh 官方 API）
@tool("get_financials")                  # 工具名 → 模型可见
def get_financials(symbol: str, period: str) -> dict:
    """取指定标的、指定期间的财报三表（口径见 docs/口径.md）"""
    df = cache_or_fetch(symbol, period)  # 数据接口：缓存 + 降级
    return {"rows": df.to_dicts(), "source": "akshare", "as_of": today()}

skills/financial_reading/
├── SKILL.md        角色 / 步骤 / 输出 schema / 自检清单
├── script.py       配套确定性代码（分块、抽取）
└── checker.py      自检：数字有来源？口径标注？

这套骨架已构成一个最小垂直智能体：工具＝数据接口、SKILL.md＝skill 库、script/checker＝脚本库、语料＝本地知识库（四件套齐）。

与小组项目的关系：小组项目的选题 E（可外部校验的审计记录）与本题最契合——在 dsh 上补齐第 4 条纪律，就是本课最高阶的交付。

本课立场： ① 教学用 ②——显式状态图最适合讲清"可控性落在哪里"；② 工程推荐 ③——通用层交给成熟 harness，预算投四件套；③ ①留着当参照——知道生产 harness 都是手写循环，就不会把"用框架"误当成"工程成熟"。

三者不冲突：②与③实现的是同一个四件套，换的只是通用层——验证「四件套」的核心观点。

cd L06-Lab && python -m finrpt_agent.demo --ticker 600519 --question "2025Q3 毛利率为何变化？"

预期输出（八节点逐步打印）：

1. fetch：三表+行情抓取成功（或命中缓存） → 2. parse：关键字段入库
2. metrics：毛利率/ROE 计算（含口径） → 4. qa：带引用回答
3. report：研报要点（摘要5条+数据表+风险） → 6. compliance：规则全过
4. human_confirm：人工确认（演示：批准） → 8. 输出 Markdown 报告+审计 JSON

技术保障：prepare_demo_data.py 预取缓存；单步超时；固定随机种子——课堂不翻车。

演示脚本：L06-Lab/finrpt_agent/fault_demo.py（故障可离线注入，不依赖外网）。

评估集模板与评分细则：L06-Lab/homework/project_template/evaluation_plan.md。

• 切换一行代码：本地端点 OpenAI 兼容 → 换 base_url 即可，Harness 代码零改动
• 资源表数字在撰写当日按 Ollama/vLLM 官方模型卡复核；成本对比（API vs 本地）见「部署与成本控制」
• 来源：ollama.com / vllm.ai（检索 2026-09-28）

python -c "
import akshare as ak
df = ak.stock_financial_report_sina(stock='sh600519', symbol='资产负债表')
print(df.head(3))
"

• 任务：① 跑通数据拉取；② 现场写 roe(net_profit, avg_equity) 并算出一期 ROE；③ 指出一个合规要点
• 无网络时改用 L06-Lab/examples/ex1_function_calling.py 的离线模式（先 prepare_demo_data.py）

六步：需求 → 架构 → 数据接口 → 知识库/工具库 → Agent 运行时（编排子系统） → 测试/合规部署

十一个常见坑（课堂也会碰到的）：

1. 接口限流未处理（429） 2. 字段口径混淆（期初/平均净资产） 3. 时区/自然日边界 4. 数据许可不清 5. 幻觉日期/虚构公告 6. 密钥写进代码 7. 无缓存导致演示翻车 8. 合规规则只做表面 9. 没有"可被外部校验"的记录（只有 trace 不够） 10. 一开始就上多 Agent（Aider 的"编排故意缺席"是反例） 11. 把缓存与 token 节省当成效率改进（要按成功任务成本算）

输入缺陷前置检查：开工前先澄清范围（scope）与假设——误导性架构提示会让推理成本 2.61×，范围模糊会让成功率掉到 83%（见「常见失败模式」）。

• 小组项目题目菜单即 A/B/C/D
• 前沿观察：DeepSeek Harness（官方、一切皆插件、preview）与 Pi/pi-agents 可作为进阶自我探索主题——本课作业默认 LangGraph

• 数据版权：公开数据可引用转述；整库搬运/商用需查许可（AkShare 上游为公开接口）
• 接口不稳定：缓存+降级+重试；演示永远有离线预案
• 财报是扫描件：多模态模型/OCR 预处理（见「上下文与多模态」）
• 报表太长：分块+检索（见「知识库层实现」），而非整段塞上下文
• 多 Agent 失控：限额+熔断+人在环+紧急停止（见「工程防护」）
• 模型胡说：引用强制+规则拦截+人工复核（见「合规检查与人在环」）

1. 需求先行：用户故事→任务树→非目标→合规边界，写进验收标准
2. 运行时分层落地：数据接口/知识库/工具库/编排子系统/Skills 各司其职，代码目录即架构
3. 确定性计算交给纯函数+单测；LLM 只做理解与生成
4. Harness=可控性落点：状态图、检查点、熔断、trace——金融 Agent 的"方向盘"
5. 护栏不可省：规则层+自检层+人在环；审计可回放
6. 论文回访教给我们：真实架构常常比想象简单，虚构细节会毁掉可信度（FinAgent 教训）

Agent 评测基准（通用→金融） → 评测方法学 → 金融风控与合规治理
        → 学术研究场景与方法论 → 顶刊文献 → 展望

• 承接 Part 3：怎么证明 Agent "真的行"（基准）、怎么管住它（治理）、怎么用它做研究（学术）

• GAIA 的意义：通用智能体基准，"工具使用+多步推理"是分水岭
• 局限：通用基准的金融知识密度低 → 需要金融专用基准（见「金融基准」）

• τ-bench（Sierra + Princeton，arXiv:2406.12045）：Tool-Agent-User 三方交互评测，retail/airline 两个客服域；"agent harness"术语出处（见七个规范子系统一节）
• τ²-bench（Sierra 官方继任，arXiv:2506.07982）：双控（dual-control）环境，组合式任务生成器，覆盖对话式 Agent 的更多真实场景

• 来源：NeurIPS/ACL 官方页面（检索 2026-09-28）

• 指标维度：①成功 × ②端到端成本（cost per successful task） 为首要双指标，其后才是正确性（含引用核验）、延迟、安全性、合规拦截率
  → 依据：token 与缓存计数只是轨迹的测量值，不是充分的优化目标（arXiv:2608.01347 摘要）
• 评估必须控制"决定轨迹的系统变量"：prompt、effort、harness 是相互作用的实验因子，不是独立旋钮——同一提示词在不同 harness 下效果可反向（见效率：按「成功任务成本」计价）
• LLM-as-Judge 的偏差：顺序偏差、自利偏差（偏爱自己）、长度偏差 → 缓解：交换顺序求 Adjusted Win Rate（FinRpt-Gen 做法）、双 judge、人工抽样
• 评估集防污染：测试题不入提示词/不入知识库训练语料（与「治理 1」防泄漏同源思想）
• 结论：单一指标不可信；金融场景 = 自动指标 + LLM 评审 + 人工抽样 三件套
• 报告纪律：报告效率时必须连同 harness 与 effort 设置一起报告——否则数字不可比、不可复现（这是 2608.01347 的方法学主张）

• 防数据泄漏：隐藏测试期 realized returns、walk-forward 滚动验证、评估窗口与训练窗口严格隔离（TSci leakage-safe 同款思想）
• 审计回放：UUID 追踪每个决策与工具调用 → 出问题可完整回放（通用工程机制；v2026 曾误挂 FinAgent 论文，已改正归口）
• 升级——"可回放"不等于"可验证"：三个生产级 harness 的共性空白是"外部方无需信任运行时即可校验、防篡改的记录"（见可验证性缺口）；金融/合规必须自己补这一层：哈希链＋可信时间戳＋第三方可校验的溯源（落点见「合规检查与人在环」与小组项目选题 E）
• 人在环：关键输出人工确认；异常自动升级；保留人工接管接口

金融 Agent 的"事故复盘"三问：数据泄漏了吗？决策有痕吗？当时人在吗？

补充三问（领域溯源）：这份数据截止到何时（as-of）？这个结果能否出域？成本上限是否守住了（可否被证明）？

• 熔断/限流/心跳：接口熔断、预算熔断、会话心跳（见「工程防护 1」）
• 三层可观测性：系统级/Agent 级/业务级（本页）
• 最低校验配置回顾（回扣「最低校验配置」页页）：两模型交叉验证、单测、规则约束、人工复核——从 Part 1 到 Part 4 贯穿全讲的底线

LLM 在金融研究中的三角色：

1. 文本度量器：构造新测度（情绪、竞争力、专利文本……）——见「顶刊文献」
2. 预测器：直接预测收益/宏观变量——见「顶刊文献」
3. 模拟器：生成代理行为（存款人、投资者、通胀预期）——见「评测方法学」

研究最佳实践（学术规范）：

• 可复现：模型版本、提示词、随机种子、数据版本全公开
• 防泄漏：报告期拆分严格（与 L07 起的实证资产定价方法论衔接）
• 透明申报：AI 辅助内容的贡献声明（课程与期刊规范一致）

• Lopez-Lira & Tang, "Can ChatGPT forecast stock price movements? Return predictability and large language models", JFE 184:104335（2026-10），DOI 10.1016/j.jfineco.2026.104335【Crossref 复验通过】——LLM 解读新闻文本预测收益，资产定价核心证据
• 背景锚点：Cao et al., "From man vs. machine to man + machine", JFE 160 (2024) 103910（人机结合写研报）；Zhou et al., Management Science 70(12) (2024)（中文文本机器学习定价）

• Acikalin, Caskurlu, Hoberg & Phillips, "Intellectual property protection lost and competition…", JFE 182:104306（2026-08），DOI 10.1016/j.jfineco.2026.104306【复验通过】——LLM 文本测度用于公司金融/政策研究
• Jha, Liu & Manela, "Does Finance Benefit Society? A Language Embedding Approach", RFS 39(5):1227-1266，DOI 10.1093/rfs/hhaf012【复验通过】——LLM 度量数百年书籍中的金融情感
• 值得跟进：Kim, Muhn & Nikolaev, "Financial Statement Analysis with LLMs"——截至检索日仍为 SSRN 预印本，不作"正式发表"引用（录用动态见交付说明）

• de Kok, "ChatGPT for Textual Analysis?", Management Science 71(9):7888-7906，DOI 10.1287/mnsc.2023.03253【复验通过】——生成式 LLM 做会计/金融文本的方法论（案例：非答案检测 96% 准确率、错误率降 70%）
• Kazinnik, "Bank Run, Interrupted…", Management Science（在线 2026-07-06，未分配卷期），DOI 10.1287/mnsc.2024.06807【复验通过】——LLM 模拟储户挤兑，监管压力测试
• Zarifhonarvar, "Generating inflation expectations with LLMs", JME 157:103859（2026-01），DOI 10.1016/j.jmoneco.2025.103859【复验通过】
• Cheng, Lin & Zhao, "Does generative AI facilitate investor trading?", JAE 80(2-3):101821（ChatGPT 停服作外生冲击）；Bertomeu et al., "The impact of generative AI on information processing", JAE 80(1):101782（意大利禁令准自然实验）【均已 Crossref 复验】

作业 1 · 提示词工程改写

• 把"分析 XXX 公司财报"改写成"好"提示词（要素：目标+成功标准/约束/结构化输出/防幻觉条款）
• 评分要点：要素齐全 4 分×5；可复现性（他人可执行）2 分

作业 2 · 组件级工具函数（1 个函数 + 运行截图）

• 用 AkShare（或缓存数据）封装 fetch_balance_sheet(symbol)＋roe(net_profit, avg_equity)；类型标注+docstring+doctest
• 接入一次函数调用对话（OpenAI 兼容端点或 Ollama；密钥用环境变量）；截图提交
• 模板：L06-Lab/homework/hw2_data_tool.py

1. 你研究领域的哪些任务适合 Agent？判断依据是什么（Workflow vs Agent 判据）？
2. 强自治与强可控之间，金融应用如何权衡？用财报解读案例具体化（三元权衡）。
3. 如何评估一个金融 Agent 的可靠性？基准与治理各做什么（Part 4）？
4. 多 Agent"多数偏置"有什么好的解决方案（MoMoE 教训、外部验证、Judge）？
5. 未来 2-3 年 Agent 会如何改变金融行业？哪些岗位会先发生变化？
6. 如果 harness 可以自动生成（见「前沿争议」），投研 Agent 的"设计文档"还有价值吗？谁为它的行为负责？——用「可验证性缺口」与「合规检查与人在环」回答。
7. 生产级编码 harness 无一处使用通用 Agent 框架（见「选型第 0 问」）。那么"用框架"在金融场景到底是降低风险还是引入不可控依赖？请给出你的判据。

文献阅读作业（4 组精读，八篇分配）：每组 2 篇，回答"用了什么 LLM 方法／识别出什么机制／对你项目的启示"。