📢 转载信息
原文作者：Suyeol Yun, Jaeseon Ha, Subeen Pang, Jacob (Chanyeol) Choi, Joungwon Yoon, Sungbae Park, and YongHwan Yoo
本文由LinqAlpha的Suyeol Yun、Jaeseon Ha、Subeen Pang和Jacob (Chanyeol) Choi撰写，并与AWS合作。
LinqAlpha 是一家总部位于波士顿的多智能体AI系统公司，专门服务于机构投资者。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见解。该系统支持和简化了公司筛选、入门报告生成、股价催化剂映射等方面的智能体工作流程，现在还通过一个名为“魔鬼代言人”（Devil’s Advocate）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，但未经审查的投资论点会带来风险。在分配资本之前，投资者通常会问：“我遗漏了什么？”识别盲点通常需要耗时地交叉比对专家电话会议记录、经纪商报告和文件。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。以这样的论点为例：“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。”这个论点看似合理，直到你探究开源替代方案是否会侵蚀定价权，或者产品堆栈中货币化机制是否被完全理解。这些细微差别常常被忽略。这时就需要一个“魔鬼代言人”，即一种角色或思维模式，故意挑战论点以发现隐藏的风险和薄弱的假设。对于投资者来说，这种结构化的怀疑是避免盲点和做出更高信念决策的关键。
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绘制利弊图，来践行魔鬼代言人的思维。LinqAlpha的目标是利用AI来结构化这个手动和即兴的过程。
解决方案
“魔鬼代言人”是一个专门为帮助投资者系统性地压力测试其投资论点而构建的AI研究智能体，它利用投资者自己信赖的信源，速度是传统审查的5到10倍。为了帮助投资者更严格地测试其投资论点，“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、文档摄取，到自动化的假设分析和结构化的反驳生成：
- 定义论点
- 上传参考文档
- AI驱动的论点分析
- 结构化的批评和反驳
本节概述了系统端到端的运行方式：投资者如何与智能体交互，AI如何使用可信证据解析和挑战假设，以及结果如何呈现。我们特别强调系统如何将论点分解为假设，将每次批评链接到源材料，并使用Amazon Bedrock中的Anthropic的Claude Sonnet 4.0 高效扩展此过程。Amazon Bedrock 是一项全托管服务，通过统一的API为您提供领先AI公司和亚马逊高性能基础模型（FM）的使用。
定义论点
投资者将他们的论点表述为一个核心断言以及支持该断言的潜在理由。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) 字段中上传研究材料，如经纪商报告、专家电话会议记录和公开文件，如下截图所示。系统会解析、分块并索引这些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”将论点解构为明确的断言和隐含的假设。它扫描证据基础，以查找挑战或矛盾这些假设的内容。
结构化的批评和反驳
系统会生成结构化的批评，其中每个假设都会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具体摘录。下图展示了系统如何生成结构化的、有证据链接的批评。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。在本例中，ABCD将从生成式AI中受益的主张正受到两个核心弱点的检验：尽管有如“产品”等新功能，但缺乏经过验证的货币化路径，以及由于客户敏感性而避免提价的历史。
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，并带有可点击的引文。投资者可以追溯每一次挑战的来源，评估其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。与固定的流水线不同，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，然后再循环进行细化。正是这种迭代的来回交互使得系统具有智能体特性，而不是静态的工作流程。整体架构可以描述为从数据摄取到批评交付的四个相互依赖的阶段。架构遵循一个从数据摄取到批评交付的四阶段流程。
输入论点
用户提交一个投资论点，通常是投资委员会（IC）备忘录的形式。输入由运行在Amazon 弹性计算云（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 运行由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实例上的预处理流水线处理，该流水线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。虽然AWS Lambda 或AWS Fargate 也是替代方案，但选择 Amazon EC2 是因为在受监管的金融环境中，客户要求具有可审计日志和严格网络控制的持久计算能力。 原始文件存储在Amazon Simple Storage Service (Amazon S3) 中，结构化输出进入Amazon 关系数据库服务 (Amazon RDS)，解析后的内容由Amazon OpenSearch Service 索引以便检索。
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 汇总反面证据。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。你的任务是使用结构化的、有证据链接的反驳意见来挑战投资论点。始终使用提供的文档（专家电话会议记录、经纪商报告、10-K、成绩单）。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}
步骤 1. 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（未说明但论点成立所必需的）。
- 为每个假设贴上 ID 标签（A1、A2、A3...）。
步骤 2. 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。
- 优先考虑权威来源的顺序：1. SEC 文件（10-K、10-Q、8-K）2. 专家电话会议记录 3. 经纪商/分析师报告
- 找出直接削弱、矛盾或对假设产生不确定性的段落。
步骤 3. 结构化输出
对于每个假设，以具有以下字段的 JSON 格式输出：
{ "assumption_id": "A1", "assumption": "<对假设的简洁重述>", "counter_argument": "<有证据支持的批评，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，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": "<高 | 中 | 低>（此反驳意见对论点的相对重要性）"
}
步骤 4. 输出格式化
- 将所有假设和批评作为 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 设为“未在提供的来源中找到反驳证据”并将 citation 设为 null。
- 保持语气事实和中立（避免推测）。
- 除非高度相关，否则避免在假设之间重复证据。
步骤 5. 分析师语气校准
- 以机构股票研究分析师的风格撰写 counter_arguments。
- 简洁明了（每个反驳意见 2-3 句话）。
- 关注对投资案例的重大风险（竞争动态、监管、利润率压缩、技术采用）。
以下是一个样本输出：
[ { "assumption_id": "A1", "assumption": "ABCD将成功地从Product等GenAI功能中获利", "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。这引发了对短期收入贡献的疑问。", "citation": { "doc_type": "10-K", "doc_id": "ABCD_10K_2023", "page": "47", "excerpt": "管理层指出，Product功能的货币化仍然是探索性的，没有确定的定价模型。" }, "risk_flag": "High" }, { "assumption_id": "A2", "assumption": "开源竞争对手不会显著侵蚀ABCD的定价权", "counter_argument": "专家评论表明，用于创意工作流程的开源替代品的采用率正在增加，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
最终的批评被返回到用户界面，显示了受到挑战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可扩展、可审计和高质量的投资想法压力测试。
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，促进了文档保真度和推理深度。投资者通过两种方式与系统交互，构成了下游处理的基础。用户可以以自然语言陈述投资观点的形式输入他们的论点。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，例如财报电话会议记录、10-K文件、经纪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（标题、脚注、图表）来增强 Amazon Textract 的输出
- Amazon EC2 编排层 – 运行LinqAlpha的基于Python的流水线，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 – 维护结构化内容输出
- Amazon OpenSearch Service – 索引解析和丰富的内容以实现定向检索
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 制定定向查询，并从 Amazon RDS 和 Amazon S3 汇总反面证据
- 合成智能体 – 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 编排层将结果返回给用户界面
LinqAlpha“魔鬼代言人”智能体采用模块化多智能体设计，其中不同的Claude模型专注于不同的角色：
- 解析智能体 – 将 Amazon Textract 用于 OCR 与 Claude Sonnet 3.7 VLM 结合，以实现文档结构的丰富化。此阶段确保在索引前忠实地重建表格、图表和章节层级。
- 检索智能体 – 由 Claude Sonnet 4 驱动，针对 OpenSearch Service 制定检索查询，并通过 Amazon RDS 和 Amazon S3 汇总反面证据，具备长上下文推理能力。
- 合成智能体 – 也使用 Claude Sonnet 4，构建结构化的反驳意见，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评。这种由 Amazon EC2 上的基于 Python 的服务管理的来回编排，使系统真正具有多智能体特性，而不是线性流水线。
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 上采用混合方法，结合使用 Claude Sonnet 3.7 进行文档解析（支持 VLM），以及 Claude Sonnet 4.0 进行推理和反驳生成。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 经常扭曲的表格、图表和章节层级。这确保了财务报表、经纪商报告和扫描的成绩单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，生成了严谨且带有引用的反驳意见。
- 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智能体。Amazon EC2 上的编排层协调 Amazon Bedrock 调用，使得在实时分析师工作负载下可以快速迭代，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。这使得以前使用短上下文模型难以实现文档级别的综合分析成为可能。
- 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 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 – 每条反驳意见都链接回其源文档（10-K、经纪商笔记、成绩单），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 虚拟私有云 (Amazon VPC) 上的 EC2 实例的集成，将敏感文件保留在公司安全的 AWS 环境内，这是受监管投资者的一项关键要求。
- 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，而 Sonnet 4.0 增加了金融推理的强度，两者共同帮助投资者发现传统工作流程中容易被忽略的盲点。
这种 AWS 多智能体编排和 LLM 可扩展性的结合，使 LinqAlpha“魔鬼代言人”智能体独特地适用于机构金融领域，其中速度、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、完全控制数据和弹性扩展。
“这帮助我在 IC 会议前客观地检查我的看涨论点。我没有在自己的确认偏误中浪费时间，而是快速浮现出可信的反驳意见，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 环境中能够更安全、更可扩展地部署。
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”智能体使分析师可以将更多时间花在更高层次的投资辩论和判断驱动的分析上。IC 备忘录和股票推介可以受益于结构化的、有源材料支撑的怀疑态度，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 系统如何将零散且手动的投资研究工作流程转变为可扩展、可审计和决策级的流程，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。
作者简介
🚀 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