论文页面 - 吸收复杂性：面向金融 LLM 代理的交互原生知识套件

来源：https://huggingface.co/papers/2606.01886
发布于 6 月 1 日

·

由 Sofia (https://huggingface.co/pidturkina) 于 6 月 5 日提交

摘要

金融 AI 代理在处理用户复杂性时面临挑战，一种名为 InKH 的新架构通过将复杂性嵌入系统内部，利用结构化知识管理和时间记忆机制来解决这一问题。

金融 AI 代理常常因一个简单的原因而失败：它们让用户承担复杂性。用户必须反复陈述目标、风险偏好、投资组合背景、过往判断以及不断变化的市场假设，而代理则在回答、检索、执行和遗忘之间循环。在金融领域，这不仅仅是便利性问题——在市场分析、跟单交易审查和交易准备等任务中，上下文遗忘和过期记忆会导致延迟、重复错误、弱可审计性以及不安全的决策。我们提出交互原生知识套件 (InKH)，这是一种面向金融 LLM 代理的架构，能够将复杂性吸收到系统内部。InKH 将用户事件、市场事件、投资组合事件和工具事件转化为结构化的操作性知识。它使用被动知识注入在主模型步骤之前组装一个有限的工作上下文缓冲区，利用时序图记忆实现低延迟检索，通过维基审计面实现人类可读的治理，并采用后台提取，同时具备成熟度、衰减和写入时失效机制。我们在一个可复现、受控的合成基准上评估了 InKH，该基准包含 24 个随机种子、4 轮、每轮 80 个 episode 以及 6 个基线，共产生 46,080 次基线条件评估。InKH 平均任务质量为 0.815，延迟为 900 毫秒。与代理驱动的维基漫步记忆相比，延迟降低 82.95%，令牌成本降低 82.29%，过时知识使用量降低 96.58%，同时质量提升 0.108，可追溯性提升 0.461。与无失效机制的时序图系统相比，质量提升 0.050，过时记忆使用量降低 96.58%，服务成本相当。结果支持金融 AI 的一个设计论点：当复杂性被系统吸收而非转移给用户时，才能实现采用。该基准验证的是架构层面的行为，而非实时交易性能。

查看 arXiv 页面 (https://arxiv.org/abs/2606.01886)
查看 PDF (https://arxiv.org/pdf/2606.01886)
添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2606.01886)

在您的代理中获取此论文：

hf papers read 2606.01886

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型 0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2606.01886 即可从此页面链接。

引用此论文的数据集 0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2606.01886 即可从此页面链接。

引用此论文的 Space 0

没有 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2606.01886 即可从此页面链接。

包含此论文的收藏集 1