📢 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 撰写，并与 AWS 合作完成的客座博文。
LinqAlpha 是一家总部位于波士顿的多智能体 AI 系统公司，专为机构投资者设计。全球有超过 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，利用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、基础知识生成、股价催化剂映射以及现在通过名为“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可能会引入风险。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交叉引用专家电话会议记录、经纪商报告和监管文件。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 货币化并占据竞争地位。”这个论点听起来很合理，直到您探究开源替代方案是否会侵蚀其定价能力，或者产品栈中的货币化机制是否被完全理解。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——一种有意识地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来描绘利弊，从而进行“魔鬼代言人”式的思考。LinqAlpha 旨在利用 AI 来结构化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 研究智能体，旨在帮助投资者使用他们自己信任的资料，以传统审查速度的 5 到 10 倍的速度系统地对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”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论据
本节概述了系统如何端到端地工作：投资者如何与智能体互动，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，将每一次批判与源材料联系起来，以及如何使用 Amazon Bedrock 上的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 公司和亚马逊高性能基础模型 (FMs) 的使用权限。
定义您的论点
投资者将他们的论点表述为一个得到基本推理支持的核心断言。例如：ABCD 将成为生成式 AI 的受益者，实现成功的 AI 货币化并占据竞争地位。他们将此论点输入到“魔鬼代言人”的投资论点字段中，如下图所示。
上传参考文档
投资者在上传文件字段中上传研究资料，如经纪商报告、专家电话会议记录和公开文件，如下所示。系统会解析、分块并索引这些内容，构建成一个结构化的证据存储库。
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。它会扫描证据库，查找挑战或反驳这些假设的内容。
结构化的批判和反驳论据
系统会生成结构化的批判，其中每一项假设都会被重述并直接受到挑战。每一条反驳论点都有来源并链接到上传材料中的具体摘录。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特定的来源。在本例中，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测试：尽管有新功能（如 Product），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记录。每个论点都基于上传的研究，例如专家电话会议记录和分析师评论，并附有可点击的引用。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，负责编排专门用于文档解析、检索和反驳生成的智能体。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，综合智能体生成反驳论据，然后循环返回以进行完善。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 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智能体执行。
上传文档
这些文档由在 EC2 实例上运行的预处理管道处理，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 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 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，智能体接收到的提示如下：
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、有证据链接的反驳论据来挑战投资论点。始终使用提供的文档（专家电话会议记录、经纪商报告、10-K 表格、文稿）。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. 经纪商/分析师报告
- 找出直接削弱、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": "<对假设的简洁重述>", "counter_argument": "<有证据支持的批判，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> (此反驳点对论点的重要性相对程度)" }
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。
- 保持语气事实性和中立性（避免推测）。
- 除非高度相关，否则避免在假设之间重复证据。
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（每个反驳论点 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）。以下是一个示例输出：
[ { "assumption_id": "A1", "assumption": "ABCD 将成功地为 Product 等 GenAI 功能实现货币化", "counter_argument": "最近的披露表明 Product 的货币化仍处于实验阶段，管理层强调定价模式存在不确定性。这引发了对其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，基于 Stable Diffusion 的插件在创意工作流程中被越来越多地采用，这可能会影响 ABCD 维持溢价定价的能力。", "citation": { "doc_type": "Expert Call", "doc_id": "EC_DesignAI_2024", "page": "3", "excerpt": "客户正在试验 Stable Diffusion 插件作为 ABCD Product 的低成本替代品。" }, "risk_flag": "Medium" }
]审查输出
最终的批判会返回到用户界面，显示被挑战的假设列表和支持证据。每条反驳点都链接到原始材料，以确保可追溯性。这种端到端流程实现了可扩展、可审计和高质量的投资创意压力测试。
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。专业智能体迭代工作，每一阶段都反馈到下一阶段，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来输入他们的论点。这通常采用 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、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 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），增强 Amazon Textract 的输出
- Amazon EC2 编排层 – 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 针对 OpenSearch Service 制定定向查询，并从 Amazon RDS 和 Amazon S3 聚合反向证据
- 综合智能体 – Sonnet 4 生成结构化的反驳，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：
- 解析智能体 – 将 Amazon Textract 的 OCR 功能与 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 驱动，制定针对 OpenSearch Service 的检索查询，并利用长上下文推理从 Amazon RDS 和 Amazon S3 聚合反向证据。
- 综合智能体 – 也使用 Claude Sonnet 4，撰写结构化的反驳，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，综合智能体生成可能触发额外检索的批判。这种由 Amazon EC2 上的 Python 服务管理的来回编排，使系统真正具备多智能体特性，而非线性管道。
在 Amazon Bedrock 中实施 Claude 3.7 和 4.0 Sonnet
LinqAlpha 的“魔鬼代言人”智能体在 Amazon Bedrock 上采用混合方法，结合 Claude Sonnet 3.7 用于文档解析（支持 VLM），以及 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 的多模态功能增强了 Amazon Textract，重建了纯 OCR 经常会扭曲的表格、图表和章节层次结构。这确保了财务文件、经纪商报告和扫描文稿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，它更紧密地与财务分析师的工作流程保持一致，生成的反驳既严谨又链接到引用。
- 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 – 借助 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 可以在不截断的情况下分析整个 10-K 文件、数小时的专家电话会议记录和长篇 IC 备忘录。这实现了以前短上下文模型难以实现的文档级综合。
- 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 在受监管的金融客户所需的安全部署、对客户数据的完全控制和弹性扩展提供了优势。
对于对冲基金、资产管理公司和研究团队来说，选择带有 Anthropic 模型的 Amazon Bedrock 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 – 每条反驳论点都链接回其源文档（10-K、经纪商注释、文稿），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) 中的 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个关键要求。
- 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时间，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 增加了金融推理能力，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 驱动的多智能体编排与 LLM 可扩展性的结合，使 LinqAlpha 的“魔鬼代言人”智能体独特地适合机构金融领域，在其中速度、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，提供了快速部署、对数据的完全控制和弹性扩展。
“这帮助我在 IC 之前客观地检验了我的看涨论点。我没有将时间浪费在自己的确认偏误上，而是迅速发现了值得信赖的反驳意见，使我的陈述更紧凑、更平衡。”
— Tiger Cub 对冲基金 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论据。
通过在 Amazon Bedrock 上结合Claude Sonnet 3.7（用于支持 VLM 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。
对于机构客户来说，影响是深远的。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 Amazon Bedrock 上的多智能体 LLM 系统如何将碎片化和手动的投资研究转变为可扩展、可审计且可用于决策的工作流程，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