📢 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 合作发布的客座文章。
LinqAlpha 是一家总部位于波士顿的多智能体人工智能系统，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、股票催化剂映射以及现在通过名为“魔鬼代言人”的新 AI 代理对投资想法进行压力测试的智能体工作流程。
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会引入风险。在分配资本之前，投资者通常会问：“我遗漏了什么？” 识别盲点通常涉及耗时的专家电话会议、经纪人报告和备案文件的交叉引用。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 货币化和竞争定位。” 这个论点看起来很合理，直到你探究开源替代方案是否会侵蚀定价能力，或者产品堆栈中是否完全理解了货币化机制。这些细微差别往往会被忽略。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的角色或思维模式，以发现隐藏的风险和薄弱的假设。对于投资者而言，这种结构化的怀疑对于避免盲点和做出更高信念的决策至关重要。
投资者传统上通过手动流程、在团队会议中辩论想法或通过非正式的情景分析来绘制利弊图表来进行魔鬼代言人思维。LinqAlpha 旨在利用 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 研究代理，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”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假设分析和结构化反驳生成：
- 定义您的论点
- 上传参考文档
- AI 驱动的论点分析
- 结构化批判和反驳
本节概述了系统如何端到端地工作：投资者如何与代理互动，AI 如何利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 的 Claude Sonnet 4.0 有效地扩展此过程。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 公司和亚马逊的基础模型（FMs）的使用。
定义您的论点
投资者将他们的论点表述为一个核心断言，并由潜在的基本推理来支持。例如：ABCD 将受益于生成式 AI，实现成功的 AI 货币化和竞争定位。他们会像下面的屏幕截图所示，在投资论点字段中输入此论点。
上传参考文档
投资者在上传文件字段中上传研究，如经纪人报告、专家电话会议和公开文件，如下面的屏幕截图所示。系统会解析、分块并索引此内容到一个结构化的证据库中。
AI 驱动的论点分析
“魔鬼代言人”将论点解构成明确的断言和隐含的假设。它扫描证据库，寻找挑战或反驳这些假设的内容。
结构化批判和反驳
系统会生成一个结构化的批判，其中重述并直接挑战了每个假设。每个反驳点都有来源并链接到上传材料中的特定摘录。下面的屏幕截图展示了系统如何生成结构化、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，关于 ABCD 将受益于生成式 AI 的主张是针对两个核心弱点进行测试的：尽管有新功能（如 Product），但缺乏经过验证的货币化路径，并且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，例如专家电话会议和分析师评论，并带有可点击的引文。投资者可以追溯每一次挑战的来源，并评估在压力下他们的论点是否仍然成立。
应用流程
“魔鬼代言人”代理是一个多智能体系统，用于协调文档解析、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，然后再循环以进行细化。这种迭代的来回交互使得系统具有智能体性，而不是静态工作流。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。该架构遵循从数据摄取到批判交付的四个阶段流程。
输入论点
用户提交投资论点，通常是投资委员会（IC）备忘录。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 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 的编排层，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 的 Python 解析应用程序，该应用程序与 Amazon Textract 集成以进行文档解析。虽然 AWS Lambda 或 AWS Fargate 可以作为替代方案，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 会对 Amazon OpenSearch Service 发出定向检索查询，并从 Amazon RDS 和 Amazon S3 聚合反向证据。结构化的提示模板确保了反驳输出的一致性。例如，代理会收到如下提示：
您是一个旨在充当魔鬼代言人的机构研究助理。您的任务是使用结构化的、与证据链接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、经纪人报告、10-K、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。确定假设
- 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）。
- 用 ID（A1、A2、A3...）标记每个假设。
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。
- 按以下顺序优先考虑权威来源：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、反驳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，以包含以下字段的 JSON 格式输出：
{ "assumption_id": "A1", "assumption": "<假设的简洁重述>", "counter_argument": "<基于证据的批判，以分析师风格表述>", "citation": { "doc_type": "10-K", "doc_id": "ABCD_10K_2023", "page": "47", "excerpt": "管理层指出，Product 等功能货币化仍然是探索性的，没有确定的定价模式。" }, "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，将 counter_argument 设置为“在提供的来源中未找到反驳证据”，并将 citation 设置为 null。
- 保持语气客观和中立（避免推测）。
- 避免在假设中重复证据，除非高度相关。
第 5 步。分析师语气校准
- 以机构股权研究分析师的风格撰写 counter_arguments。- 保持简洁（每个反驳 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）。以下是输出示例：
[ { "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 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。这引发了对近期收入贡献的质疑。", "citation": { "doc_type": "10-K", "doc_id": "ABCD_10K_2023", "page": "47", "excerpt": "管理层指出，Product 功能的货币化仍然是探索性的，没有确定的定价模式。" }, "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": "专家评论表明，用于创意工作流程的开源替代品正在增加采用，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": "客户正在试验基于 Stable Diffusion 的插件作为 ABCD Product 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，显示了一系列受到挑战的假设和支持证据。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”代理作为一个多智能体系统运行，跨 AWS 服务协调解析、检索和反驳生成。专业代理会迭代工作，每个阶段都会反馈到下一个阶段，从而促进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。投资者可以在自然语言陈述投资观点的形式下输入他们的论点。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财务的材料，例如收益电话会议记录、10-K、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 vision-language model (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 编排层 – 运行 LinqAlpha 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，以实现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
- 检索代理 – Sonnet 4 对 OpenSearch Service 制定定向查询，并从 Amazon RDS 和 Amazon S3 聚合反向证据
- 合成代理 – Sonnet 4 生成结构化反驳，链接到源文档的引文，然后通过 Amazon EC2 编排层将结果返回给用户界面
LinqAlpha 的“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 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，针对 OpenSearch Service 制定检索查询，并通过 Amazon RDS 和 Amazon S3 使用长上下文推理聚合反向证据。
- 合成代理 – 也使用 Claude Sonnet 4，撰写结构化的反驳，链接到原始源的引文，并以机器可读的 JSON 格式化输出以供审计。
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，合成代理生成可能触发额外检索过程的批判。这种由 Amazon EC2 上的 Python 服务管理的来回编排，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 的“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（带有视觉语言支持），将 Claude Sonnet 4.0 用于推理和反驳生成。这种分离有助于准确的文档保真度和先进的分析严谨性。关键能力包括：
- 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，重建了纯 OCR 容易失真的表格、图表和章节层次结构。这确保了财务文件、经纪人报告和扫描记录在进入检索工作流之前保持结构完整性。
- 使用 Claude Sonnet 4.0 进行高级推理 – Sonnet 4.0 提供了更强的思维链推理、更清晰的假设分解和更可靠的结构化反驳生成。与以前的版本相比，它更贴合金融分析师的工作流程，生成既严谨又带有引用的反驳。
- AWS 上的可扩展智能体部署 – 在 Amazon Bedrock 上运行，使 LinqAlpha 能够在大量投资材料上并行扩展数十个代理。Amazon EC2 上的编排层协调 Amazon Bedrock 调用，使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 – 借助 1M token 的上下文窗口和支持高达 64,000 token 的输出，Sonnet 4.0 可以在不截断的情况下分析整个 10-K 文件、多小时的专家电话会议记录和长篇 IC 备忘录。这实现了以前使用较短上下文模型不可行的大文档级别综合。
- 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 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可扩展性。
对于对冲基金、资产管理公司和研究团队来说，选择带有 Anthropic 模型的 Amazon Bedrock 不仅仅是技术问题；它直接解决了投资研究中的核心运营痛点：
- 可审计性和合规性 – 每个反驳点都追溯到其源文档（10-K、经纪人注释、记录），创建了满足机构治理标准的审计跟踪。
- 数据控制 – Amazon Bedrock 与私有 S3 存储桶和部署在 Amazon Virtual Private Cloud (Amazon VPC) 上的 EC2 实例的集成，将敏感文档保留在公司安全的 AWS 环境内，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，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，而 Sonnet 4.0 增加了金融推理的强度，共同帮助投资者发现传统工作流中可能会隐藏的盲点。
这种 AWS 驱动的多智能体编排和 LLM 可扩展性的结合，使 LinqAlpha 的“魔鬼代言人”代理独特地适用于机构金融领域，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编排，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、对数据的完全控制和弹性扩展。
“这帮助我在 IC 之前客观地检查我的看涨论点。我没有浪费数小时沉浸在自己的确认偏误中，而是快速发现了可靠的反驳意见，使我的陈述更紧凑、更平衡。”
- Tiger Cub 对冲基金的 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，浮现盲点，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（用于带有 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，支持在投资者控制的 AWS 环境中更安全、更可扩展的部署。
对于机构客户来说，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的、基于来源的怀疑，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 Amazon Bedrock 上的多智能体 LLM 系统如何将投资研究从分散和手动转变为可扩展、可审计和决策级别的工作流，专门为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