📢 转载信息
原文作者：Suyeol Yun, Jaeseon Ha, Subeen Pang, Jacob (Chanyeol) Choi, Joungwon Yoon, Sungbae Park, and YongHwan Yoo
这是由 LinqAlpha 的 Suyeol Yun、Jaeseon Ha、Subeen Pang 和 Jacob (Chanyeol) Choi 与 AWS 合作撰写的特邀博文。
LinqAlpha 是一家总部位于波士顿的多智能体 AI 系统，专门为机构投资者构建。全球超过 170 家对冲基金和资产管理公司使用 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洞察。该系统支持并简化了跨公司筛选、背景生成、股价催化剂映射等代理工作流程，现在又通过一个名为“魔鬼代言人”（Devil’s Advocate）的新 AI 代理，对投资理念进行压力测试。
在本文中，我们将分享 LinqAlpha 如何利用 Amazon Bedrock 来构建和扩展“魔鬼代言人”。
挑战
信念驱动投资决策，但未经审查的投资论点可能会带来风险。在分配资本之前，投资者常常会问：“我忽略了什么？”识别盲点通常需要耗费大量时间交叉引用专家电话会议记录、券商报告和监管文件。确认偏见和分散的工作流程使得客观挑战自己的想法变得困难。以论点为例：“ABCD 将成为生成式 AI 的受益者，实现成功的 AI 货币化并保持竞争地位。”这个论点似乎成立，直到你探究开源替代方案是否会侵蚀其定价权，或者其产品堆栈中的货币化机制是否已被充分理解。这些细微差别常常被忽略。这就是“魔鬼代言人”发挥作用的地方——一个故意挑战该论点的角色或思维模式，以揭示隐藏的风险和薄弱的假设。对于投资者而言，这种结构化的怀疑精神对于避免盲点和做出更高信心的决策至关重要。
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来梳理利弊，来进行“魔鬼代言人”式的思考。LinqAlpha 致力于利用 AI 来构建这一手动且即兴的过程。
解决方案
“魔鬼代言人”是一个专用的 AI 研究代理，旨在通过使用投资者自己的可信来源，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其投资论点，“魔鬼代言人”代理在 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
- 结构化批评和反驳
本节将概述系统的端到端工作方式：投资者如何与代理互动、AI 如何利用可信证据解析和挑战假设，以及结果如何呈现。特别是，我们将重点介绍系统如何将论点分解为假设，将每次批评链接到源材料，以及如何利用 Amazon Bedrock 中的Anthropic 的 Claude Sonnet 4.0 有效地扩展这一流程。Amazon Bedrock 是一项全托管服务，通过统一的 API 为您提供来自领先 AI 公司和亚马逊的高性能基础模型 (FMs) 的使用权。
定义您的论点
投资者将他们的论点表述为由根本原因支持的核心断言。例如：ABCD 将成为生成式 AI 的受益者，实现成功的 AI 货币化并保持竞争地位。他们将此论点输入到“魔鬼代言人”的投资论点 (Investment Thesis) 字段中，如下屏幕截图所示。
上传参考文档
投资者在上传文件 (Upload Files) 字段中上传研究，如券商报告、专家电话会议记录和公开文件，如下屏幕截图所示。系统会解析、分块并索引此内容到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性假设。它扫描证据库，查找挑战或矛盾这些假设的内容。
结构化批评和反驳
系统会生成结构化的批评，其中重述了每个假设并直接对其提出挑战。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生成结构化、与证据挂钩的批评。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，关于 ABCD 将受益于生成式 AI 的说法，针对两个核心弱点进行了检验：尽管有“产品”等新功能，但缺乏成熟的货币化路径，并且由于客户的敏感性，历史记录显示其避免了提价。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，并带有可点击的引用。投资者可以追溯每一次挑战的来源，并评估其论点在压力下是否仍然成立。
应用流程
“魔鬼代言人”代理是一个多智能体系统，负责协调用于文档解析、检索和反驳生成的专业代理。与固定管道不同，这些代理会进行迭代交互：分析代理分解假设，检索代理查询来源，合成代理生成反驳意见，然后再循环以供改进。这种迭代的来回正是使系统具有“代理性”而非静态工作流程的原因。总体架构可以描述为从摄取到批评交付的四个相互依赖的阶段。该架构遵循从数据摄取到批评交付的四个阶段流程。
输入论点
用户提交投资论点，通常是以投资委员会 (IC) 备忘录的形式。输入由 LinqAlpha 构建的、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 会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代理执行。
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 集成以进行文档解析。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要求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。结构化的提示模板强制执行反驳输出的一致性。例如，代理接收的提示如下所示：
You are an institutional research assistant designed to act as a Devil’s Advocate. Your task is to challenge investment theses with structured, evidence-linked counterarguments. Always use provided documents (expert calls, broker reports, 10-Ks, transcripts). If no relevant evidence exists, clearly state "no counter-evidence found".
Thesis: {user_thesis}
Step 1. Identify Assumptions
- Extract all explicit assumptions (stated directly in the thesis).
- Extract implicit assumptions (unstated but required for the thesis to hold).
- Label each assumption with an ID (A1, A2, A3...).
Step 2. Retrieve and Test
- For each assumption, issue retrieval queries against uploaded sources (OpenSearch index, RDS, S3).
- Prioritize authoritative sources in this order: 1. SEC filings (10-K, 10-Q, 8-K) 2. Expert call transcripts 3. Broker/analyst reports
- Identify passages that directly weaken, contradict, or raise uncertainty about the assumption.
Step 3. Structured Output
For each assumption, output in JSON with the following fields:
{ "assumption_id": "A1", "assumption": "<concise restatement of assumption>", "counter_argument": "<evidence-backed critique, phrased in analyst style>", "citation": { "doc_type": "10-K", "doc_id": "ABCD_10K_2023", "page": "47", "excerpt": "Management noted that monetization of Product features remains exploratory, with no committed pricing model." }, "risk_flag": "<High | Medium | Low> (relative importance of this counterpoint to the thesis)"
}
Step 4. Output Formatting
- Return all assumptions and critiques as a JSON array.
- Ensure every counter_argument has at least one citation.
- If no evidence found, set counter_argument = "No counter-evidence found in provided sources" and citation = null.
- Keep tone factual and neutral (avoid speculation).
- Avoid duplication of evidence across assumptions unless highly relevant.
Step 5. Analyst Voice Calibration
- Write counter_arguments in the style of an institutional equity research analyst. - Be concise (2–3 sentences per counter_argument).
- Focus on material risks to the investment case (competitive dynamics, regulation, margin compression, technology adoption).以下是输出示例：
[ { "assumption_id": "A1", "assumption": "ABCD will successfully monetize GenAI features like Product", "counter_argument": "Recent disclosures suggest Product monetization is still experimental, with management highlighting uncertainty around pricing models. This raises questions about near-term revenue contribution.", "citation": { "doc_type": "10-K", "doc_id": "ABCD_10K_2023", "page": "47", "excerpt": "Management noted that monetization of Product features remains exploratory, with no committed pricing model." }, "risk_flag": "High" }, { "assumption_id": "A2", "assumption": "Open-source competitors will not significantly erode ABCD's pricing power", "counter_argument": "Expert commentary indicates increasing adoption of open-source alternatives for creative workflows, which could pressure ABCD’s ability to sustain premium pricing.", "citation": { "doc_type": "Expert Call", "doc_id": "EC_DesignAI_2024", "page": "3", "excerpt": "Clients are experimenting with Stable Diffusion-based plugins as lower-cost substitutes for ABCD Product." }, "risk_flag": "Medium" }
]
审查输出
最终的批评意见返回给用户界面，显示了受到质疑的假设列表和支持证据。每个反驳点都链接到原始材料，以实现可追溯性。这种端到端的流程实现了对投资想法的可扩展、可审计和高质量的压力测试。
系统组件
“魔鬼代言人”代理作为一个多智能体系统运行，协调跨 AWS 服务的解析、检索和反驳生成。专业代理迭代工作，每个阶段都反馈到下一个阶段，促进了文档保真度和推理深度。投资者以两种方式与系统互动，这构成了下游处理的基础。投资者可以用投资观点的自然语言陈述输入他们的论点。这通常采取 IC 备忘录的形式。另一种选择是上传文档。投资者可以上传特定于金融的材料，例如收益电话会议记录、10-K 表格、券商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，并在索引前用语义结构进行丰富：
- 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（标题、脚注、图表）来增强 Amazon Textract 的输出
- Amazon EC2 协调层 – 运行 LinqAlpha 基于 Python 的管道，该管道协调 Amazon Textract、Amazon Bedrock 调用和数据路由
处理过的数据被存储和索引，以实现快速检索和可再现性：
- Amazon S3 – 存储原始源文件以供审计
- Amazon RDS – 维护结构化内容输出
- 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性的假设
- 检索代理 – Sonnet 4 对 OpenSearch Service 进行定向查询，并从 Amazon RDS 和 Amazon S3 聚合反驳证据
- 合成代理 – Sonnet 4 生成结构化的反驳意见，引用链接到源文档，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”代理使用模块化的多智能体设计，其中不同的 Claude 模型专注于不同的角色：
- 解析代理 – 将 Amazon Textract 的 OCR 与 Claude Sonnet 3.7 VLM 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。
- 检索代理 – 由 Claude Sonnet 4 提供支持，它对 OpenSearch Service 进行检索查询，并聚合来自 Amazon RDS 和 Amazon S3 的反驳证据，并具有长上下文推理能力。
- 合成代理 – 也使用 Claude Sonnet 4，它编写结构化的反驳意见，引用链接到原始来源，并以机器可读的 JSON 格式化输出，以确保可审计性。
这些代理是迭代运行的：解析代理丰富文档，检索代理浮现潜在的反驳证据，而合成代理生成可能触发额外检索的批评。这种来回的协调由 Amazon EC2 上的基于 Python 的服务管理，使得系统真正具有多智能体性，而不是线性管道。
在 Amazon Bedrock 中实施 Claude 3.7 和 4.0 Sonnet
LinqAlpha “魔鬼代言人”代理在 Amazon Bedrock 上采用混合方法，将 Claude Sonnet 3.7 用于文档解析（具有视觉语言支持），将 Claude Sonnet 4.0 用于推理和反驳生成。这种分离有利于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 的多模态能力增强了 Amazon Textract，通过重建纯 OCR 经常扭曲的表格、图表和章节层次结构。这确保了在进入检索工作流程之前，财务报表、券商报告和扫描的会议记录保持结构完整性。
- 使用 Claude Sonnet 4.0 进行高级推理 – Sonnet 4.0 提供了更强的思维链推理、更清晰的假设分解以及更可靠的结构化反驳生成。与先前版本相比，它更贴合金融分析师的工作流程，生成既严谨又引用链接的反驳意见。
- 在 AWS 上进行可扩展的代理部署 – 运行在 Amazon Bedrock 上使 LinqAlpha 能够跨大量投资材料并行扩展数十个代理。Amazon EC2 上的协调层协调 Amazon Bedrock 调用，能够在实时分析师工作负载下快速迭代，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 1M token 的上下文窗口和对高达 64,000 token 输出的支持，Sonnet 4.0 可以分析整个 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。这使得以前使用较短上下文模型无法实现的文档级综合成为可能。
- 与 AWS 服务的集成 – 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 在机构金融客户所需的更安全部署、对客户数据的完全控制和弹性扩展方面提供了优势。
对于对冲基金、资产管理公司和研究团队来说，选择 Amazon Bedrock 及其 Anthropic 模型不仅仅是技术问题；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 – 每个反驳意见都链接回其源文档（10-K、券商注释、会议记录），创建了符合机构治理标准的可审计跟踪。
- 数据控制 – Amazon Bedrock 与私有 S3 存储桶以及部署在 Amazon Virtual Private Cloud (Amazon VPC) 上的 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 – 通过并行扩展代理工作流程，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，而不会牺牲深度。
- 决策质量 – Sonnet 3.7 促进了文档保真度，Sonnet 4.0 增强了金融推理能力，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与 LLM 可扩展性的结合，使得 LinqAlpha “魔鬼代言人”代理在机构金融领域独具优势，在这些领域，速度、合规性和分析严谨性必须共存。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，从而实现了快速部署、完全控制数据和弹性扩展。
“这帮助我在投资委员会之前客观地验证了我看涨的论点。我没有浪费数小时沉浸在自己的确认偏见中，而是快速发现了可信的反对意见，使我的陈述更紧凑、更平衡。”
— Tiger Cub 对冲基金的投资组合经理 (PM)
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，每个智能体都旨在解决机构投资工作流程中一个独特的步骤。传统流程通常强调共识建立，但“魔鬼代言人”将研究扩展到关键的结构化异议阶段，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意见。
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 环境中实现更安全、更具可扩展性的部署成为可能。
对机构客户而言，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”代理使分析师能够将更多时间花在更高阶的投资辩论和判断驱动的分析上。投资委员会备忘录和股票推介可以受益于结构化的、以来源为基础的怀疑态度，从而支持更清晰的推理和更严谨的决策制定。
LinqAlpha 的代理架构展示了Amazon Bedrock 上的多智能体 LLM 系统如何将投资研究从碎片化和手动转变为可扩展、可审计和决策级的工作流程，这些工作流程专门针对公开股票和其他流动性证券研究的需求而定制。
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