📢 转载信息
原文作者：Suyeol Yun, Jaeseon Ha, Subeen Pang, Jacob (Chanyeol) Choi, Joungwon Yoon, Sungbae Park, and YongHwan Yoo
这是一篇由LinqAlpha的Suyeol Yun、Jaeseon Ha、Subeen Pang和Jacob (Chanyeol) Choi与AWS合作撰写的客座文章。
LinqAlpha是一个总部位于波士顿的多智能体AI系统，专为机构投资者设计。全球超过170家对冲基金和资产管理者使用LinqAlpha来简化其对公开股票和其他流动性证券的投资研究，通过多智能体大型语言模型（LLM）系统，将数小时的手动尽职调查转化为结构化的见解。该系统支持并简化了跨公司筛选、入门材料生成、股票催化剂映射的智能体工作流程，现在还通过一个名为“魔鬼代言人”的新AI智能体，对投资理念进行压力测试。
在本文中，我们将分享LinqAlpha如何使用Amazon Bedrock来构建和扩展“魔鬼代言人”。
挑战
信念驱动投资决策，但未经检验的投资论点可能会引入风险。在分配资本之前，投资者通常会问：“我错过了什么？”识别盲点通常涉及耗时的交叉引用专家电话会议、经纪人报告和申报文件。确认偏误和分散的工作流程使得客观挑战自己的想法变得困难。考虑这个论点：“ABCD将受益于生成式AI，实现成功的AI货币化和具有竞争力的定位。”这个论点看起来合理，直到你探究开源替代方案是否会侵蚀定价能力，或者产品堆栈中对货币化机制是否完全理解。这些细微差别经常被忽略。这就是“魔鬼代言人”发挥作用的地方，它是一种故意挑战论点以发现隐藏风险和薄弱假设的角色或思维模式。对于投资者来说，这种结构化的怀疑精神对于避免盲点和做出更高信念的决策至关重要。
传统上，投资者通过手动流程、在团队会议中辩论想法，或通过非正式的情景分析绘制利弊图来采用“魔鬼代言人”的思维。LinqAlpha致力于使用AI来结构化这个手动且即兴的过程。
解决方案
“魔鬼代言人”是一个专门构建的AI研究智能体，旨在利用投资者自己信任的来源，以传统审查速度的5到10倍的速度，系统地对他们的投资论点进行压力测试。为了帮助投资者更严格地测试他们的投资论点，“魔鬼代言人”智能体在LinqAlpha中遵循一个结构化的四步流程，从论点定义和文档摄取到自动化的假设分析和结构化的反驳生成：
- 定义您的论点
- 上传参考文档
- AI驱动的论点分析
- 结构化的批判和反驳
本节概述了系统的端到端工作方式：投资者如何与智能体交互，AI如何使用受信任的证据解析和挑战假设，以及结果如何呈现。特别是，我们重点介绍了系统如何将论点分解为假设，将每次批判链接到源材料，并使用Amazon Bedrock中的Anthropic Claude Sonnet 4.0高效地扩展此流程。Amazon Bedrock是一项完全托管的服务，通过统一的API为您提供领先AI公司和亚马逊的高性能基础模型（FMs）。
定义您的论点
投资者将他们的论点阐述为一个由基本推理支持的核心断言。例如：ABCD将受益于生成式AI，实现成功的AI货币化和具有竞争力的定位。他们将此论点输入到“魔鬼代言人”的Investment Thesis（投资论点）字段中，如下截图所示。
上传参考文档
投资者在Upload Files（上传文件）字段中上传研究材料，如经纪人报告、专家电话会议记录和公开文件，如下截图所示。系统会解析、分块并索引此内容到一个结构化的证据存储库中。
AI驱动的论点分析
“魔鬼代言人”将论点解构为明确的断言和隐含的假设。它扫描证据库，查找挑战或反驳这些假设的内容。
结构化的批判和反驳
系统会生成一个结构化的批判，其中每个假设都被重述并直接受到挑战。每个反驳点都有来源并链接到上传材料中的特定摘录。下图显示了系统如何产生一个结构化、与证据链接的批判。从投资者的论点开始，它提取假设、挑战它们，并将每个反驳点锚定到特定的来源。在这种情况下，ABCD将从生成式AI中受益的主张正面临两个核心弱点的考验：尽管有“产品”等新功能，但缺乏经过验证的货币化途径，以及由于客户敏感性而避免提价的记录。每个论点都基于上传的研究，如专家电话会议记录和分析师评论，带有可点击的引文。投资者可以追溯每一次挑战的来源，并评估他们的论点在压力下是否仍然成立。
应用流程
“魔鬼代言人”智能体是一个多智能体系统，负责编排文档解析、检索和反驳生成的专业智能体。与固定管道不同，这些智能体是迭代交互的：分析智能体分解假设，检索智能体查询来源，合成智能体生成反驳，然后循环以进行精炼。这种来回迭代正是使系统具有智能体性而非静态工作流程的原因。整体架构可以描述为从摄取到批判交付的四个相互依赖的阶段。架构遵循从数据摄取到批判交付的四阶段流程。
输入论点
用户提交一个投资论点，通常是以投资委员会（IC）备忘录的形式。输入由运行在Amazon Elastic Compute Cloud（Amazon EC2）实例上的自定义应用程序接收，该应用程序将请求路由到Amazon Bedrock。Amazon Bedrock中的Anthropic Claude Sonnet 4解释该陈述并将其分解为核心假设。Amazon EC2运行LinqAlpha构建的基于Python的协调层，该层协调API调用、管理日志记录和控制智能体执行。
上传文档
这些文档由运行在EC2实例上的预处理管道处理，该管道提取原始数据并将其转换为结构化块。EC2实例运行LinqAlpha用Python编写的解析应用程序，并与Amazon Textract集成进行文档解析。虽然AWS Lambda或AWS Fargate可能是替代方案，但选择Amazon EC2是因为受监管金融环境中的客户需要具有可审计日志和严格网络控制的持久计算。原始文件存储在Amazon Simple Storage Service（Amazon S3）中，结构化输出进入Amazon Relational Database Service（Amazon RDS），解析后的内容由Amazon OpenSearch Service索引以供检索。
分析论点
Amazon Bedrock中的Anthropic Claude Sonnet 4对Amazon OpenSearch Service发出定向检索查询，并从Amazon RDS和Amazon S3聚合反驳证据。结构化的提示模板确保了反驳输出的一致性。例如，智能体接收到的提示如下：
你是一个旨在充当“魔鬼代言人”的机构研究助理。你的任务是利用结构化的、与证据挂钩的反驳来挑战投资论点。始终使用提供的文档（专家电话会议记录、经纪人报告、10-K、文本记录）。如果不存在相关证据，请明确说明“未在提供的来源中找到反驳证据”。
论点：{user_thesis}
第 1 步：识别假设
- 提取所有明确的假设（在论点中直接陈述的）。
- 提取隐含的假设（未说明但对论点成立所必需的）。
- 为每个假设标记一个ID（A1、A2、A3...）。
第 2 步：检索和测试
- 对于每个假设，针对上传的来源（OpenSearch 索引、RDS、S3）发出检索查询。
- 优先使用权威来源的顺序：1. SEC 文件（10-K、10-Q、8-K） 2. 专家电话会议记录 3. 经纪人/分析师报告
- 识别直接削弱、矛盾或对假设产生不确定性的段落。
第 3 步：结构化输出
对于每个假设，输出一个包含以下字段的 JSON：
{ "assumption_id": "A1", "assumption": "<假设的简洁重述>", "counter_argument": "<基于证据的批判，以分析师风格措辞>", "citation": { "doc_type": "10-K", "doc_id": "ABCD_10K_2023", "page": "47", "excerpt": "管理层指出，产品功能的货币化仍然是探索性的，没有承诺的定价模式。" }, "risk_flag": "<高 | 中 | 低>（此反驳点对论点相对重要性）"
}
第 4 步：输出格式化
- 将所有假设和批判作为 JSON 数组返回。
- 确保每个 counter_argument 至少有一个 citation。
- 如果未找到证据，则将 counter_argument 设置为“未在提供的来源中找到反驳证据”，citation 设置为 null。
- 保持语气客观和中立（避免推测）。
- 避免在假设之间重复证据，除非高度相关。
第 5 步：分析师语气校准
- 使用机构股票研究分析师的风格撰写 counter_arguments。
- 保持简洁（每个反驳点 2-3 句话）。
- 关注对投资案例的实质性风险（竞争动态、监管、利润率压缩、技术采用）。以下是示例输出：
[ { "assumption_id": "A1", "assumption": "ABCD将成功货币化像Product这样的GenAI功能", "counter_argument": "最近的披露表明Product的货币化仍处于实验阶段，管理层强调定价模式存在不确定性。这引发了对其近期收入贡献的疑问。", "citation": { "doc_type": "10-K", "doc_id": "ABCD_10K_2023", "page": "47", "excerpt": "管理层指出，产品功能的货币化仍然是探索性的，没有承诺的定价模型。" }, "risk_flag": "High" }, { "assumption_id": "A2", "assumption": "开源竞争对手不会显著侵蚀ABCD的定价能力", "counter_argument": "专家评论指出，基于Stable Diffusion的插件在创意工作流程中的采用率正在增加，这可能会影响ABCD维持溢价的能力。", "citation": { "doc_type": "Expert Call", "doc_id": "EC_DesignAI_2024", "page": "3", "excerpt": "客户正在尝试使用Stable Diffusion插件作为ABCD产品的低成本替代品。" }, "risk_flag": "Medium" }
]审查输出
最终的批判被返回到用户界面，显示了受到挑战的假设和支持证据的列表。每个反驳点都链接到原始材料，以实现可追溯性。这种端到端流程实现了可扩展、可审计和高质量的投资观点压力测试。
系统组件
“魔鬼代言人”智能体作为一个多智能体系统运行，跨AWS服务编排解析、检索和反驳生成。专业智能体迭代工作，每个阶段都反馈到下一个阶段，有助于保证文档保真度和推理深度。投资者通过两种方式与系统交互，这构成了下游处理的基础。用户可以用自然语言陈述投资观点来输入他们的论点。这通常采用投资委员会备忘录的形式。另一种选择是上传文档。投资者可以上传金融特定的材料，如财报电话会议记录、10-K文件、经纪人报告或专家电话会议记录。
上传的材料被解析成结构化文本，并在索引前通过语义结构进行丰富：
- Amazon Textract – 从PDF和扫描文档中提取原始文本
- Claude Sonnet 3.7 视觉语言模型（VLM） – 通过重建表格、解释视觉内容和分割文档结构（页眉、脚注、图表）来增强Amazon Textract的输出
- Amazon EC2 协调层 – 运行LinqAlpha的基于Python的管道，协调Amazon Textract、Amazon Bedrock调用和数据路由
处理后的数据被存储和索引，以便快速检索和可重现性：
- Amazon S3 – 存储原始源文件以供审计
- Amazon RDS – 维护结构化的内容输出
- Amazon OpenSearch Service – 索引解析和丰富的内容以进行定向检索
推理和反驳生成由Amazon Bedrock中的Anthropic Claude Sonnet 4提供支持。它执行以下功能：
- 假设分解 – Sonnet 4将论点分解为明确和隐含的假设
- 检索智能体 – Sonnet 4对OpenSearch Service发出定向查询，并从Amazon RDS和Amazon S3聚合反驳证据
- 合成智能体 – Sonnet 4生成结构化的反驳，这些反驳与源文档有引用链接，然后通过Amazon EC2协调层将结果返回给用户界面
LinqAlpha“魔鬼代言人”智能体使用模块化多智能体设计，其中不同的Claude模型专门从事不同的角色：
- 解析智能体 – 将Amazon Textract的OCR与Claude Sonnet 3.7 VLM相结合，用于文档的结构化丰富。此阶段确保在索引前忠实地重建表格、图表和章节层次结构。
- 检索智能体 – 由Claude Sonnet 4驱动，针对OpenSearch Service发出检索查询，并通过长上下文推理从Amazon RDS和Amazon S3聚合反驳证据。
- 合成智能体 – 也使用Claude Sonnet 4，撰写结构化的反驳，这些反驳与原始来源有引用链接，并以机器可读的JSON格式输出，以确保可审计性。
这些智能体是迭代运行的：解析智能体丰富文档，检索智能体浮现潜在的反驳证据，合成智能体生成可能触发额外检索的批判。这种由Amazon EC2上的基于Python的服务管理的来回协调，使系统真正具有多智能体性，而不是线性管道。
在Amazon Bedrock中实现Claude 3.7和4.0 Sonnet
LinqAlpha“魔鬼代言人”智能体在Amazon Bedrock上采用了混合方法，将Claude Sonnet 3.7用于文档解析和视觉语言支持，将Claude Sonnet 4.0用于推理和反驳生成。这种分离有助于实现准确的文档保真度和先进的分析严谨性。关键功能包括：
- 使用Claude Sonnet 3.7 VLM增强解析 – Sonnet 3.7的多模态功能通过重建纯OCR经常扭曲的表格、图表和章节层次结构来增强Amazon Textract的能力。这确保了财务报告、经纪人报告和扫描的文本记录在进入检索工作流程前保持结构完整性。
- 使用Claude Sonnet 4.0进行高级推理 – Sonnet 4.0提供更强的思维链推理、更清晰的假设分解和更可靠的结构化反驳生成。与先前版本相比，它更紧密地与财务分析师工作流程对齐，生成严谨且带有引用的反驳。
- 在AWS上可扩展的智能体部署 – 运行在Amazon Bedrock上使LinqAlpha能够在处理大量投资材料时并行扩展数十个智能体。Amazon EC2上的协调层协调Amazon Bedrock调用，使得在实时分析师工作负载下能够快速迭代，同时最大限度地减少基础设施开销。
- 大上下文和输出窗口 – 凭借100万个token的上下文窗口和对高达64,000个token输出的支持，Sonnet 4.0可以分析完整的10-K文件、多小时的专家电话会议记录和长篇IC备忘录而不会被截断。这实现了以前使用更短上下文模型不可行的文档级合成。
- 与AWS服务集成 – 通过Amazon Bedrock，该解决方案与Amazon S3（用于原始存储）、Amazon RDS（用于结构化输出）和OpenSearch Service（用于检索）集成。这为LinqAlpha提供了更安全的部署、对客户数据的完全控制以及机构金融客户所需的弹性扩展能力。
对于对冲基金、资产管理者和研究团队来说，选择Amazon Bedrock和Anthropic模型不仅仅是技术选择；它直接解决了投资研究中核心的运营痛点：
- 可审计性和合规性 – 每次反驳都追溯到其源文档（10-K、经纪人笔记、文本记录），创建了一个满足机构治理标准的可审计跟踪。
- 数据控制 – Amazon Bedrock与私有S3存储桶和在Amazon Virtual Private Cloud（Amazon VPC）中部署的EC2实例的集成，将敏感文件保留在公司安全的AWS环境中，这是受监管投资者的关键要求。
- 工作流程速度 – 通过并行扩展智能体工作流程，分析师在财报季或IC准备期间节省了数小时，将审查周期从几天压缩到几分钟，而无需牺牲深度。
- 决策质量 – Sonnet 3.7促进了文档保真度，Sonnet 4.0增加了财务推理能力，两者共同帮助投资者发现传统工作流程中可能隐藏的盲点。
这种AWS驱动的多智能体协调和LLM扩展的组合，使LinqAlpha“魔鬼代言人”智能体独特地适合机构金融领域，在那里速度、合规性和分析严谨性必须并存。借助Amazon Bedrock，该解决方案实现了托管协调，并与Amazon S3、Amazon EC2和OpenSearch Service等AWS服务内置集成，提供了快速部署、对数据的完全控制和弹性扩展能力。
“这帮助我在IC之前客观地检验我的看涨论点。我没有在自己的确认偏误中浪费数小时，而是迅速发现了合理的反对意见，使我的论述更紧凑、更平衡。”
— 某老虎系对冲基金的投资组合经理
结论
“魔鬼代言人”是LinqAlpha多智能体研究系统中50多个智能体之一，每个智能体旨在解决机构投资工作流程中的一个特定步骤。传统流程通常强调共识建立，但“魔鬼代言人”将研究扩展到结构化异议的关键阶段，挑战假设，发现盲点，并提供直接链接到源材料的可审计反驳。
通过在Amazon Bedrock上结合Claude Sonnet 3.7（用于带VLM支持的文档解析）和Claude Sonnet 4.0（用于推理和反驳生成），该系统促进了文档保真度和分析深度。与Amazon S3、Amazon EC2、Amazon RDS和OpenSearch Service的集成，使得在投资者控制的AWS环境中部署更加安全和可扩展。
对机构客户而言，其影响是深远的。通过自动化重复性的尽职调查任务，“魔鬼代言人”智能体使分析师能够将更多时间投入到更高层次的投资辩论和判断驱动的分析中。IC备忘录和股票推介可以受益于结构化、以来源为基础的怀疑精神，从而支持更清晰的推理和更有纪律的决策制定。
LinqAlpha的智能体架构展示了如何在Amazon Bedrock上运行的多智能体LLM系统可以将投资研究从零散和手动转变为可扩展、可审计和决策级的流程，专门针对公开股票和其他流动性证券研究的需求量身定制。
要了解有关“魔鬼代言人”和LinqAlpha的更多信息，请访问linqalpha.com。
关于作者
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区