浙商固收大模型 Agent与新一代生产力的基本介绍

能够理解自然语言问题并生成文字回答的AI模型，国外比较典型的包括GBT、clou和mini，国内则包括deep sick豆包、JLMT、me等，它的核心能力并不是预测市场，而是处理语言和信息。 从底层原理来看，大模型语言大语言模型可以简单理解为文字接龙，它通过阅读海量文本，学习一个词后面最可能出现什么词，再根据上下文不断预测下一个词。 最终形成看起来像理解和推理的回答。 大家看这一页发展历史也可以发现，模型能力虽然持续提升，但底层仍是概率深成。 理解这一点很重要在于因为我们后面会谈到关于幻觉RAG和工具调用，本质上都与这个机制有关。 我们进一步比较一下大语言模型和传统搜索引擎，很多人第一次使用大模型如GPT deepsix时，会觉得它只是一个更聪明的搜索框，但两者解决的问题并不完全相同。 搜索引擎解决的是信息在哪里，数据库解决的是数据是多少，而大语模型解决的是信息怎么理解，因此它最大的价值不是替代搜索和数据库，而是在这些信息来源之上完成归纳、总结、推理和表达。 接下来介绍一下te本质上是给AI的一份任务说明书，包括角色、任务背景框架、输出格式和边界条件。 但语言模型并不是按固定按钮执行任务，而是根据输入的上下文生成回答。 我们在团队内部实际使用时，通常不会只写一句帮我分析一下，而是尽量说明研究对象、分析框架、重点问题和输出形式。 那这一页也展示了一个相对完整的mo模，大家可以看，可以把它理解成一道通用的方法，告诉模型什么是角色工作，再说明任务的再说明任务和背景，随后限定分析框架输出格式以及不能突破的边界在哪里。 Promote engineering它并不是一个简单堆砌很多文字的过程，而是把复杂任务拆成模型，更容易理解、执行和复合的指令。 接下来给大家展示一下普通问答和深度推理的区别。 普通问答更像是初级的助理，像我们的应届生，需要告诉他具体的研究步骤。深度推理模型更像是一个专家，只需要明确目标和需求，他可以自主的拆解问题。随着推理模型的发展，我们越来越强调目标导向而不是过程导向的重要性并不会消失，但会从逐步写流程转向清晰定义目标。下面的两页是具体的案例。第一种方式是直接问问题，模型通常会给出一个快速但相对泛化的答案。第二种方式是引导着问，把问题拆成一条具体的逻辑链，然后要求模型逐步的识别信息，分析关系和形成结论，输出质量通常会更稳定。再进一步我们还可以给模型一个固定的模板，让他按照明确的格式输出。这里想说明的是，不是promote越长越好，而是任务越复杂，越需要把目标框架、评价标准讲清楚。当然模型能力越强并不意味着它一定不会犯错。下面进入到一个使用AI I时绕不开的问题就是幻觉。但模型的底层目标是生成最可靠的文字，而不是最可能的文字，而不是天然验证事实。如果缺少可靠的资料、计算工具或者校验机制，它就可能把看起来合理的内容当成答案说出来。模型自身知识有边界，训练材料也可能存在噪声，同时模型又倾向于给出一个完整的答案，这些因素都会带来幻觉。进一步比较不同模型的知识可靠性和幻觉程度，大家可以看到不同的模型在事实不一致和不懂装懂的方面其实存在着明显的差异的。因此选模型的时候，不能只看综合排行榜，还要看模型在具体场景中的可靠性、巨大能力成本和工程适配性。随着技术的发展，模型会越来越聪明，但我们仍不可能把可靠性完全的寄托于模型本身，那么有没有什么方法可以让大模型回答更可靠更可用呢？目前最常见的是RAG和to useRAG就是让AI先查资料再回答。例如，先从指定的政策文件、研报或者内部知识库中检索相关的内容，再基于这些内容生成答案。To use则是让AI带用Python数据库或其他外部工具完成任务，而不只靠语言生成。比如设计excel计算时，让模型先调用Python进行真实计算，而不是让模型自己随便猜一个数字2AG让回答会变得更有依据，托use让模型具备执行能力，两者共同解决的问题是 大模型只靠语言生成的问题，最后总结下第一部分。 LM真LLM大模型大语言模型真正改变的不是搜索，而是知识处理的方式，它能够帮助研究员完成资料阅读、报告总结、代码编写、政策解读等大量重复的工作。 但必须建立读数据来源、工具调用和人工复合机制，才能够真正的进入生产环境，前面介绍了大模型本身，接下来我们进入今天的核心部分agent。 很多客户会问，现在拆7PT已经很好用了，为什么行业突然讨论agent，原因在于大模型擅长回答问题，但企业真正需要的是完成工作，我们可以把agent理解为一个以大模型为核心，以目标为导向，能够自主拆解任务、调用工具、观察结果并迭代完成工作的AI系统，用户只需要提出目标。 例如，分析本次政治局会议对债券市场的影响，并形成一份报告。 Agent不会立即生成一段文字，而是先判断需要完成哪些步骤，是否需要搜索政策的原文，读取历史报告、调用Python处理数据、生成图表，以及最后输出的是word还是PPT的形式。 这种规划、执行、检查的能力才是A站区别于普通聊天机器人的地方，这一页大家可以看到，A站通常由六个部分组成，大模型负责推理、理解和推理角色与指令定义工作边界、上下文与记忆保存任务状态规划与编排负责拆解复杂的任务工具调用连接外部能力反馈与安全控制则负责校验结果并防止系统失控。 真正的agent它不是一个模型，而是一套完整的流程。 从应用来看，agent也可以分为两大类。 一类是coding agent，例如cloudy code、code dex curse等，主要是复制，负责代码生成、修改、调用和工程任务的。 另一类是通用的agent，例如open cloud可以连接文档、数据库、搜索、Python和各类业务业务系统可以完成跨工具的复杂任务。 接下来介绍一下skill，我更愿意把skill理解成研究团队积累下来的标准作业包，它本质上是围绕着特定任务组织的一组指令脚本以及相关资源，用来把任务目标、执行步骤和输出规范系统封装起来。 过去研究员做一项工作的时候，经验主要存于个人脑海当中。 例如怎样分析PMI怎样撰写政治局会议点评，怎样进行技术分析。 这些经验很难复制，也很难标准化。 Skill的意义在于把这些经验固化为一套可重复执行的流程。 它不是对单词提问的临时响应，而是让agent能够按照既定的方法稳定的执行任务。 持续服用经验以固定收益研究为例，一套技术分析的sk呢可以提前规定，首先获取行情数据，其次调用Python进行指标的计算，随后识别关键形态，最后再由大模型根据统一的框架生成报告，未来无论谁调用这套skill，都能够得到一致的分析流程和输出格式，从而提升研究效率，也降低人为的差异。 简单类比来说，agent的像工具sk呢就像是工匠随身携带的专业工具箱。 最后，我们再来介绍一下MCP，很多人第一次接触mc p会觉得这个概念比较的抽象。 我用一个比较简单的比喻，agent的像一位研究员，skill像各种专业工具。 那MCP更像是一套通用的万能遥控器，让大模型agent和各类skill之间可以按照统一的规则完成交互、数据流转和任务协同。 在M没有MCP的情况下，每增加一种工具，我们是需要单独的开发一套接口的，也就是说工具越多，我们的维护成本就会越高。 有了统一的MCP以后，无论是数据库、万德接口、Python程序，还是说邮件、日历、企业微信，都能够按照一致的方式接入agent系统，从而大幅的提升拓展能力。 这里也需要强调一下，mc p不是A政运行的必要条件。 没有mc p也可以直接调用API就比如说没有万能遥控器，也可以走过去按电视上的按钮。 但是当工具越来越多，系统越来越复杂的时候，统一的MCP会让连接权限管理和维护变得更加的规范。 因此未来企业真正构建的时候，并不是一个聊天机器人，而是一整套围绕着agent的构建的生产平台。 模型可以持续的升级，sk可以不断的累积，工具可以持续的扩展。 这也是我们认为agent会成为下一代AI核心形态的重要原因。 总结一下，如果说大语言模型解决的是会不会思考的问题，那么a ent解决的就是能不能真正干活的问题。 未来金融机构的竞争重点也不再是谁拥有更多的promote，而是谁能够沉淀更多的skill，接入更多工具，并形成稳定、可复用、可审计的工作流，这也是固定收益研究未来推进AI建设的重要方向。 其实两个部分我们分别介绍了大元模型和agent。 下面结合金融行业我们来谈一谈为什么AI能够真正的落地。 过去几年其实金融行业已经尝试了从使用AI文字生成文字，逐渐的进入利用AI参与研究交易和风控的阶段。 大模型的发展趋势也越来越明显地表现为旗舰化、生态化和内嵌化，模型本身走向成熟，并且开源和闭源的生态并行，同时AI逐步的嵌入到投研、交易和风控的全过程。 这一页我们展示了一个trading agent一类的金融垂直类的应用。 它不是让单一的模型直接给出买卖的结论，而是让多个A镇的分别承担基本面分析、市场信息处理、交易执行和风控风险控制的角色，再通过协同形成最终的结果。 这里更重要的启示是，未来AI在金融中的应用会从单点的工具逐步的走向流程的协同。 下面介绍一个black rock的例子，这里放black rock并不是为了介绍某个产品，而是说明AI已经真正的进入到了全球头部资管机构的核心业务流程当中。 在投资组合构建和再平衡方面，AI可以辅助生成不同利率、通胀、流动性情景下的组合表现。 在交易执行环节可以对债券流动性进行评分和排序，在风控环节可以识别跨资产跨地区组合中的集中度和流动性的风险。 它并不是替代基金经理，而是说帮助基金经理提高信息处理和方案比较的效率。 下一页是一个棒GPT的例子，它代表的是固定收益领域类的垂类AI I应用，与通用的聊天机器人相比，这类产品能够连接客户本地数据和第三方的数据集，嵌入交易工作流，完成流动性分析、询价响应和文件处理。 这里想说明的是，金融行业未来更可能出现大量专业化的agent，而不是由一个通用模型去解决所有的问题。 后面几页其实我进一步的展示了量化固收多因子、固收风格因子以及收益率曲线的构造。之所以把这些传统量化和定价内容放在这里，是为了说明AI并不会取代原有的金融模型，低波动价值、Carry防御等因子，以及自举法、差值外推和曲线验证方法，仍需要依靠明确的金融逻辑和数学规则。 AI更适合承担资料代呃资料整理、代码生成、流程编排和结果解释，把这些传统的方法更高效的组织起来。 对于固定收益研究而言，研究工作难点并不在于是观点，而是在于观点形成之前大量重复的劳动。 例如宏观数据搜集、政策文本整理、历史史报告检索、图表绘制、代码编写、日报周报排版等这些环节。 这些环节有个很明显的特点在于说它的标准化程度非常的高，非常适合交由agent的完成。而研究员则可以把更多的精力放在逻辑推演和投资框架的构建上。结合团队实践，我们将从研究流程拆分为多个skill。例如宏观研究中，我们可以将政策文本对比、PMI数据解读等任务封装成独立的skill。技术形态方面则是由程序负责获取行情数据计算指标使态识别，再由大模型按照统一的模板生成报告。整个过程当中坚持规则算在前，大模型解读在后，避免模型直接参与数值计算，从而提高结果和稳定性和可复合性。下面最后一组页面主要是用来展示大圆模型在研究工作当中的具体应用，重点是让大家看到AI可以在哪些环节降低研究员的前置工作成本。第一类是信息的高效检索和整合。例如让AI搜集近五年两会后的政策变化，或者快速整理某个上市新能源车企的基本面，过去这些工作需要研究员在不同网页公告、报告之间反复查找，现在大模型可以先完成资料收集、分类和初步归纳。需要强调的是，它解决的是效率问题，最终是着核对和观点判断的人，需要研究员完成第二类。第二类是代码的编写和解释。AI I可以快速的生成pyson sql等代码，也可以解释别人写好的程序逻辑。对很多研究员而言，真正耗时的不一定是复杂的建模，而是查语法处理、数据格式调试、基础代码等这些繁杂的工作。大