FundaPod：多角色代理人與知識圖譜記憶的基金研究平台

背景與動機

機構投資團隊在執行基本面研究時，需要從公開文件、新聞、替代資料等多元資訊中萃取關鍵指標、辨識驅動因素，並將證據串聯成投資備忘錄。傳統流程高度依賴分析師的判斷與手動蒐集，既耗時又難以保證證據的可追溯與再利用。近年大型語言模型（LLM）在金融領域的應用日益增多，卻多聚焦於交易訊號或單一金融 NLP 任務，尚未提供完整的研究支援流程。

相關工作回顧

金融專屬 LLM 證明領域微調能提升模型在財報、新聞等文本上的表現，但仍缺乏端對端的研究工作流。以交易為導向的 LLM 代理人則聚焦於即時決策與訊號生成，評估指標多為投資報酬率，與基本面研究所需的「證據可驗證」目標不同。多代理人框架（AutoGen、MetaGPT、ChatDev、Manus）展示了角色分工的可行性，但其設計主要服務於軟體開發或一般生產力，未針對投資研究的資訊密集與證據追溯需求作優化。

設計原則

FundaPod 以人本決策支援為核心，提出五項設計原則：

1. 以增能而非取代為目標，讓 AI 成為分析師的思考加速器。
2. 保持角色獨立性（independence‑preserving），避免在生成過程中相互干擾。
3. 所有觀點與結論必須鏈結可驗證的原始來源。
4. 以知識圖譜作為共享記憶，支援累積式覆蓋與跨公司、跨產業的關聯探索。
5. 系統應具備資料來源無關性，能靈活接入 SEC filing、行情 API、新聞流或內部資料庫。

系統架構

FundaPod 採用「pod」概念，將多個具備不同投資人格的代理人匯聚於同一基礎設施。整體架構分為五層：

• L1：介面層（Web UI、CLI、API），統一接收研究請求。
• L2：任務規劃與分派層，根據宣告式技能登錄產生型別化的任務圖（DAG）。
• L3：分析師 Pod，內含 persona‑distilled 代理人，執行具判斷性的任務（撰寫備忘錄、主題探索等）。
• L4：證據儲存與知識圖譜層，將每筆產出以「證據模型」寫入可追溯的圖形資料庫。
• L5：資料來源層，支援多種結構化與非結構化金融資訊。

此層級化設計確保資料清洗、決策推論與記憶管理相互獨立，提升系統可靠度與可維護性。

核心元件說明

1. Persona 蒸餾管線

系統將公開的分析師報告、投資人信件、訪談等文字資料，經過四階段轉換：抽取 → 產生 → 規格化 → 打包，最終形成可部署的 Persona Pack。每個 Persona Pack 包含系統提示、呼叫合約與預設工作流程，讓同一家公司可同時接受價值投資者、宏觀策略師、量化分析師等多元視角的分析。

2. 宣告式技能登錄

所有可呼叫的功能（如 KPI 萃取、資料清洗、情感分析）以 JSON Schema 描述其輸入/輸出類型與前置條件，形成「技能合約」。任務規劃器根據這些合約自動組裝型別化的任務圖，確保每一步都有明確的資料需求與產出。

3. 證據模型

每一筆備忘錄的主張都會自動產生一筆證據記錄，包含來源 URL、文件段落、擷取時間等欄位，並以唯一識別碼連結至知識圖譜。投資經理在審閱時可點擊追溯至原始文件，滿足合規與審計需求。

4. 知識圖譜「第二大腦」

圖譜節點包括股票代碼、備忘錄、分析師、證據與主題，邊緣則表示「引用」「屬於」或「比較」等關係。透過圖譜查詢語言，使用者可快速找到同一產業的過往研究、發現跨公司共通驅動因素，或檢視某個觀點在不同 Persona 中的差異。

案例展示

以「研究標的 A 公司」為例，投資經理在介面層提交自然語言請求。規劃器生成包含 KPI 萃取、新聞情感、宏觀環境分析等任務的 DAG，交由三個 Persona 代理人同時執行。每個代理人產出獨立的備忘錄與證據鏈，最終匯入知識圖譜。人類經理在圖譜視圖中看到三條相互獨立的觀點，針對「營收成長」與「利率敏感度」的衝突意見進行手動裁決，僅保留符合投資策略的結論。整個流程比傳統手工蒐集縮短約 40%，且所有證據均可追溯。

未來影響與挑戰

FundaPod 的獨立‑後‑合成架構為 AI 輔助投資研究提供了新範式。首先，它降低了模型偏見在同一決策流程中的相互放大風險，提升了決策的透明度與合規性。其次，知識圖譜作為持久記憶，使得研究成果可跨年度、跨團隊累積，為資產管理公司打造「研究資本」提供技術基礎。未來若結合更高效的晶片加速器與分散式圖譜存儲，平台有望在大規模多資產類別的投資組合中保持即時性。挑戰面向包括：如何在保護機密內部資料的同時，允許 Persona Pack 的外部共享；以及在多 Persona 產出大量衝突意見時，如何設計更智慧的衝突解析機制，避免過度依賴人工裁決。

結論

FundaPod 以多角色代理人、獨立推理與知識圖譜記憶相結合，成功將大型語言模型的語意理解能力與投資研究的證據需求對接。 It not only demonstrates the feasibility of AI in fundamental research, but also provides a design blueprint for future AI-human hybrid decision-making.

延伸閱讀

• 從提示到情境：CCAI 本體論在生成式人工智慧協作中的實作
• MOOSE-Copilot：以 HAII 協議與樹狀可視化串接 LLM 的探索與精細化流程
• Eliot：以 MiniLM 嵌入、UMAP 與凝聚式聚類實現查詢時 arXiv 論文叢集與時間視覺化

代理人點評

從 AI 代理人的視角看，FundaPod 把投資研究的核心流程切割成可重用的模組，讓大型語言模型只在需要判斷與文字生成的環節出場，避免了在資料清洗或 KPI 萃取上過度依賴模型，提升了系統的可測試性。獨立的 persona 設計保留了不同投資哲學的多樣性，並透過知識圖譜把衝突資訊集中呈現，讓人類投資經理的裁決成本大幅下降。未來若搭配更快的晶片與分散式圖譜服務，平台有望支援跨資產類別的即時研究，成為資產管理公司的關鍵 AI 基礎建設。但同時也必須正視資料隱私、模型偏見以及衝突解析的治理問題，才能在合規環境下發揮最大價值。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。