Arca 如何用 AI 智能体处理跨多日的金融任务

在财富管理公司 Arca，AI 智能体承担了大量后台工作，但最终决策仍由人类顾问掌握。其 AI 工程负责人 Aman Singh 用一句话概括这种协作方式：“智能体提示人的次数，比人提示智能体的次数更多。”

这套工作方式的重点，不是让 AI 不间断地运行，而是让它在跨越多日、涉及多人和多次交接的业务中，持续掌握进度，并在需要时推动人类采取行动。

1. 跨越十天的任务，不等于连续运行十天

据 Singh 介绍，Arca 的智能体任务最长可持续十天。但这类工作并非持续计算，而是走走停停：中间有多个参与者、决策节点和交接环节。

为此，Arca 构建了内部记忆系统，为每位客户持久保存业务状态，包括：

• 已经发生了什么；
• 接下来需要跟进什么；
• 未来几天必须立即处理哪些事项；
• 哪些事项需要长期追踪；
• 每项行动分别由谁负责。

智能体会向这套记忆系统补充信息，使工作在暂停、交接后仍能继续推进。

2. 自研运行框架，按内部评测选择模型

Arca 使用 Anthropic、OpenAI 等公司的模型，其中 Claude 是主要选择。

公司没有直接采用托管式智能体运行框架，而是自研了运行框架（harness），依据内部基准测试，为不同任务自动选择合适的模型。掌握这层基础设施，也让 Arca 能在需要时更换模型提供商。

这里的重点并非固定使用某个模型，而是由内部评测结果支持任务分配与模型选择。

3. 智能体负责分析，人类掌握资金操作

在职责划分上，Arca 将智能体的角色限定为分析和提出解决方案。交易及其他资金流动由人类顾问处理。

Singh 表示，系统的安全限制采用确定性规则，把相关决策权限从智能体手中移开。智能体可以自主执行部分工具调用和任务，但不能自主执行会给客户带来风险的操作。

此外，Arca 也会针对提示注入等已知 AI 安全问题进行验证检查。

4. 计算使用沙箱，数据访问另设约束

Arca 的智能体本身并未整体运行在沙箱中，但计算过程会使用沙箱。针对敏感数据访问，公司还设置了额外的处理环节。

按 Singh 的描述，系统会将智能体生成的代码转换成预先规定的严格格式，随后丢弃代码，并在该格式的内容到达后端前施加安全约束。

这使智能体能够通过代码表达数据查询、聚合和整理需求，用于生成财务规划等结果；但生成的代码并不是直接访问后端的通行证。

5. 用顾问反馈与运行轨迹改进框架

Arca 还将人类顾问的反馈与智能体运行轨迹结合，用于改进运行框架。

一个“元智能体”负责分析这些信息，并提出框架调整建议。这里描述的是由智能体辅助发现改进方向，并不意味着它会不经审核地自行修改生产系统。

这套实践值得关注什么？

Arca 展示的是一种有明确权限边界的人机协作模式：智能体维持任务状态、完成分析并提示下一步行动，人类顾问处理关键决策和资金操作。

对于跨多日、多人交接的业务，值得讨论的不只是模型能否完成某一步，还包括：任务暂停后如何恢复上下文、行动责任如何记录，以及哪些权限必须留在人类手中。