📢 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 是一个总部位于波士顿的多智能体AI系统，专为机构投资者构建。全球超过170家对冲基金和资产管理者使用LinqAlpha来精简其对公开股票和其他流动证券的投资研究，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、入门报告生成、股价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”（Devil’s Advocate）的新AI智能体对投资想法进行压力测试。
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引入风险。在分配资本之前，投资者常问：“我遗漏了什么？”识别盲点通常需要耗费时间地交叉引用专家电话会议、券商报告和文件。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。以论点为例：“ABCD公司将受益于生成式AI，实现成功的AI货币化并保持竞争地位。”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权，或者产品堆栈中货币化机制是否完全被理解。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，它是一种故意挑战论点的角色或思维模式，旨在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，或通过非正式情景分析来绘制利弊图，来进行魔鬼代言人式的思考。LinqAlpha致力于用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，旨在帮助投资者系统地使用他们自己信任的来源对投资论点进行压力测试，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：
- 定义你的论点
- 上传参考文档
- AI驱动的论点分析
- 结构化批判和反驳
本节概述了系统的端到端工作原理：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。特别是，我们重点介绍了系统如何将论点分解为假设，将每次批判与源材料链接起来，并利用Amazon Bedrock中的Anthropic Claude Sonnet 4.0高效地扩展这一流程。Amazon Bedrock 是一项全托管服务，通过统一的API，可供您使用来自领先AI公司和亚马逊的高性能基础模型（FMs）。
定义你的论点
投资者将他们的论点表述为一个核心断言以及支持它的基本推理。例如：ABCD将受益于生成式AI，实现成功的AI货币化并保持竞争地位。他们将此论点输入“魔鬼代言人”的投资论点字段，如下截图所示。
上传参考文档
投资者在上传文件字段中上传研究材料，如券商报告、专家电话会议记录和公开文件，如下截图所示。系统会解析、分块并将这些内容索引到结构化的证据库中。
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。它扫描证据库，以查找挑战或反驳这些假设的内容。
结构化批判和反驳
系统生成结构化的批判，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特定摘录。下图显示了系统如何生成结构化、有证据链接的批判。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一个特定的来源。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记录。每个论点都基于上传的研究，如专家电话会议和分析师评论，并附有可点击的引文。投资者可以追溯每次挑战的来源，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”智能体是一个多智能体系统，负责协调文档解析、检索和反驳生成的专业智能体。与固定流水线不同，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意见，然后再循环以进行细化。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。
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、管理日志记录并控制智能体执行。
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。AWS Lambda或AWS Fargate本可以是替代方案，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性计算能力。原始文件存储在Amazon Simple Storage Service (Amazon S3) 中，结构化输出进入Amazon 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向Amazon OpenSearch Service发出目标检索查询，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、券商报告、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. 识别假设
- 提取所有明确的假设（在论点中直接陈述）。
- 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...)。
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. 券商/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。
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": "<对假设的简洁重述>", "counter_argument": "<基于证据的批判，以分析师风格表达>", "citation": { "doc_type": "10-K", "doc_id": "ABCD_10K_2023", "page": "47", "excerpt": "管理层指出，Product等功能货币化仍处于探索阶段，没有确定的定价模式。" }, "risk_flag": "<高 | 中 | 低> (此反驳点相对于论点的重要性)"
}
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”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（每个反驳意见 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）。以下是一个示例输出：
[
{
"assumption_id": "A1",
"assumption": "ABCD将成功地为其GenAI功能（如Product）实现货币化",
"counter_argument": "最近的披露表明Product的货币化仍处于实验阶段，管理层强调了对定价模式的不确定性。这引发了对其短期收入贡献的质疑。",
"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": "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的采用正在增加，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": "Clients are experimenting with Stable Diffusion-based plugins as lower-cost substitutes for ABCD Product."
},
"risk_flag": "Medium"
}
]
审查输出
最终的批判被返回到用户界面，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服务协调解析、检索和反驳生成。专业智能体进行迭代工作，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。他们可以用自然语言陈述的投资观点输入他们的论点。通常，这采取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，如财报电话会议记录、10-K文件、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 – 维护结构化的内容输出
- Amazon OpenSearch Service – 索引解析和丰富后的内容以进行目标检索
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 针对 OpenSearch Service 制定目标查询，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 的“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 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。
- 检索智能体 – 由 Claude Sonnet 4 提供支持，针对 OpenSearch Service 制定检索查询，并通过使用长上下文推理从 Amazon RDS 和 Amazon S3 聚合反驳证据。
- 合成智能体 – 也使用 Claude Sonnet 4，组合结构化的反驳意见，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。
这些智能体迭代运行：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 Python 服务管理的来回协调，使得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 的“魔鬼代言人”智能体在 Amazon Bedrock 上采用了混合方法，结合了 Claude Sonnet 3.7（用于带视觉语言支持的文档解析）和 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，通过重建纯 OCR 容易扭曲的表格、图表和章节层次结构。这确保了财务报告、券商报告和扫描记录在进入检索工作流程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。与早期版本相比，它更贴合金融分析师的工作流程，生成既严谨又带有引文链接的反驳意见。
- AWS 上的可扩展智能体部署 – 在 Amazon Bedrock 上运行使 LinqAlpha 能够在处理大量投资材料时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 – Sonnet 4.0 具有 1M token 的上下文窗口和支持高达 64,000 token 的输出，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 备忘录而无需截断。这实现了以前使用较短上下文模型不可行的文档级综合。
- 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 搭配 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 – 每个反驳意见都追溯到其源文档（10-K、券商注释、记录），创建了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，而 Sonnet 4.0 增加了金融推理强度，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 可扩展性的结合，使得 LinqAlpha 的“魔鬼代言人”智能体在机构金融领域独具优势，即速度、合规性和分析严谨性必须并存。通过 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、完全控制数据和弹性规模的能力。
“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，而是快速发现了可信的反驳意见，使我的陈述更紧凑、更平衡。”
— 某老虎幼崽对冲基金 PM
结论
“魔鬼代言人”是 LinqAlpha 多智能体研究系统中超过 50 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 环境内实现更安全和可扩展的部署成为可能。
对机构客户而言，影响是重大的。通过自动化重复的尽职调查任务，“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、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 Amazon Bedrock 上的多智能体 LLM 系统如何将支离破碎且手动的投资研究转变为可扩展、可审计和“可决策级”的工作流程，专门针对公开股票和其他流动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