蚂蚁集团的创新实践：agentUniverse 在泛金融场景的多智能体应用

多智能体协同机制在金融场景中的应用，正从一个前沿概念逐步走向产业落地。蚂蚁集团 agentUniverse 团队基于自身实践，探索了一套在泛金融领域行之有效的系统方法论。以下是对他们经验分享的全面梳理。

背景知识

大模型时代下的多智能体协同机制

语言模型技术问世之初，就被视为一个压缩了海量知识的知识容器。但技术本身的不可控和不可靠问题非常突出，圈内初期的评价并不高。转折点出现在2022年底——OpenAI 的 ChatGPT 横空出世，一下子刷新了大家的认知。经过对齐训练等技术的迭代，语言模型已经能扮演助手的角色，处理问答、摘要、辅助建议，甚至在简单推理和工具调用上也开始展现潜力。

不过，细究下去会发现，语言模型本质上是一个无状态的系统。大部分上下文都得靠 prompt 来驱动，天然缺乏对复杂多轮对话的支撑能力。要让它在复杂任务场景下满足要求，必须依赖大量额外机制。这种天生的短板，使得它在应对真正的复杂问题时表现并不理想。

基于对这个问题的思考，业内逐渐发展出了智能体的设计理念。智能体的出现，恰好填补了传统语言模型在复杂任务中的不足，推动相关技术向前迈了一大步。

智能体的最大价值在于，它成功地把原本无状态的模型变成了一个有状态的状态机。模型不仅能感知周围环境，还能自主地与工具、知识库进行交互和规划。通过这种方式，它很好地弥补了传统模型在需要规划和深度思考的复杂场景中的能力缺失。

随着智能体技术的成熟，业界做了大量尝试和落地应用。但实践中一个发现是，单一智能体“单兵作战”在应对极度复杂场景时，效果并不理想。这就促使大家转向多智能体协同的路线——通过分布与集中、合作与竞争等协同手段，在不同环节和分支上让每个智能体的效率和性能都最大化。

这种多智能体协同机制，特别适合用来处理分析、归因、决策这类复杂问题，为相关领域打开了新思路。

严谨产业场景下的多智能体构建新模式

团队的核心工作聚焦在金融和泛金融领域。这个行业对分析、推理和归因的需求极为强烈。金融产业是一个高度严谨的行业，总结下来有三个显著特点，也是当前业界正在攻克的核心难点：

• 信息密集
  。每天市场上涌现出的资讯和数据量巨大，更新频率极高。信息之间虽然相互关联，但彼此不一定存在因果关系，这意味着里边掺杂着大量噪声。

• 知识密集
  。金融行业历史悠久，光是近代金融就已经发展了近百年。过程中积累了海量的金融理论和知识，形成了多个独立的学派。不同学派之间有冲突，也有共识。这种基于不同观点的投资逻辑，恰恰是金融市场促成交易的核心——买卖双方各持己见，最终通过交易达成一致。因此，金融行业对智能体的知识边界要求极高，它必须明确当前任务的知识边界在哪，并且知道当知识冲突时该如何处理。

• 决策密集
  。金融市场的核心始终是投资与交易。这个过程充满了不确定性和信息不对称。如何在这种环境下做出合理且正确的决策，是极具挑战性的任务。

在应对这些挑战时，团队采取了分层的策略。一方面，依靠底层模型进行能力对齐与提升；另一方面，通过多智能体与专家框架，将金融领域深厚的 Know-how 注入系统，确保整体的严谨性和专业性。

agentUniverse 框架

1. agentUniverse：让大模型学习专家、成为专家

基于这些实践，团队构建了一个名为 agentUniverse 的技术框架。它能帮用户构建智能体，并实现多智能体协同工作，通过专家对齐，把协同水平提升到领域内专家的水准。目前，基于这个框架已经孵化出了不少产品和服务。

2. agentUniverse 简介

agentUniverse 框架可以看作一个“模式工厂”和“智能体构建系统”的结合体。通过一系列智能体及多智能体编排组件，用户可以实现智能体协同、定制 SOP 模式，从而优化智能体的效果。框架内部预置了很多产业里有效的模式和组件，目前在 GitHub 上已经开源，感兴趣的同学可以关注。

3. agentUniverse - 架构与特点

从架构上看，agentUniverse 的底层设计了一套标准协议，用于连接模型、知识和系统 API。这套协议完全泛化，除了内置的模型、向量库、常用工具 API 之外，用户可以接入任何模型、私有知识库或者接口。再往上一层，框架融合了社区生态中的前沿技术和框架，提供了智能体搭建的组件，用户用这些组件可以构造出标准智能体。构造出的智能体会统一放入 Agent 池管理，并通过多智能体协同模式有机串联起来。再上一层是 Agent 协作模式工厂，内置了部分成熟的协作模式（比如 P-E-E-R 模式），可以开箱即用，也支持注入企业 SOP。

agentUniverse 的最下层提供标准服务部署方式，可以在任何终端或云端部署；最上层则提供标准智能体服务化机制，支持 HTTP 和 RPC 协议，也适配其他自研通信标准。

agentUniverse 框架应用

在实践层面，agentUniverse 框架已经在蚂蚁集团多个产品中落地，比如支小宝和支小助。支小宝定位为面向大众的理财助理，拥有千万级用户规模；支小助则定位为面向专业从业者的 AI 助手，依托蚂蚁财富的凤凰大模型，目标是确保产品达到金融级的严谨性和专业性，让 AI 像扫码支付一样，走进普通人的日常生活。

1. 支小助 | 投研 —— 大模型多智能体协同，实现媲美人类专家的定量、定性分析能力

支小助是一个面向专业从业者的 AI 助手，可以理解为金融专家知识智能体。它从定性和定量两个维度服务金融专家：

• 定性方面
  ：针对市场异动、政策、重要会议、行业要事、宏观中观数据等事件，做出解读与分析。

• 定量方面
  ：在金融信息处理、典型资产回测、基本因子挖掘、标准组合归因等方面，表现都不错。

投研支小助通过参考金融分析师构建的思考框架，模拟人类专家思维过程，实现了标的分析、宏观分析、市场分析、政策解读、策略建议、报告解读等九大类专业金融分析工作。以“大事解读”为例。当使用者选择上市公司大事解读框架后，支小助会首先学习框架中的方法论，然后结合对输入问题的理解，借助多维度策划能力，把原始问题拆解成多个不同角度的分析步骤。接着通过全市场信息收集能力，完成研报、财报、行情数据、新闻资讯和市场主流声音的搜集与提取。最后通过专业的信息整合与推理，输出分析结果。分析师还可以对解读过程进行精细化调整——通过点击策划分析步骤中的自定义分析框架，对思考过程进行增删或调整顺序，触发重新解读，使输出更贴合自己的研究体系。基于这些能力，投研支小助能有效替代浅层次的金融分析工作，让金融分析师把精力释放到更深层次的创新研究上。

在产品服务过程中，有几个设计要素被特别关注。

首先是严谨性。金融行业对解读类服务的严谨性要求极高，因此整个分析过程采用完全白盒化的方式，供专业分析师溯源。

其次是可干预性。金融分析师的研究框架和思路各不相同，因此支小助支持分析师干预 AI 的决策过程。

最后是框架化。为了提升智能体在金融分析场景下的水准，系统内置了九大类分析框架，包括信息查询、标的分析、报告解读、宏观分析、大事解读、市场分析、政策解读、策略建议、泛金融等。这些框架支持定制，分析师可以将自己的研究体系注入其中。

2. 支小助 | 投研 Showcase —— 报告解读

在报告解读场景中，智能体会主动把报告解读过程拆成若干步骤，对细化问题依次处理，最后整合分析产出。

3. 支小助 | 投研 Showcase —— 定量定性结合

除了定性分析，支小助也支持定量分析。不少分析师已经利用它的能力进行模型开发或观点产出。

NL2Quant 功能可以通过定量能力实现研报策略复现——借助智能体把研报中的指标和理论结构化，动态生成相关代码和策略。

4. 上市公司财报&研报生成

除此之外，金融及泛金融场景中还有更多落地应用，比如上市公司财报生成和研报生成。目前，这些生成过程已能完全由 AI 自主控制完成。

5. 核心思想：让机器还原专家协作模式，复制人类专家知识

团队的核心理念很明确：让机器还原金融场景内金融专家的协作模式，复制人类专家知识。

大模型在上下文理解和泛化推理上表现出色，但知识陈旧、幻觉等难题也客观存在。一方面，通过知识检索增强等技术来应对；另一方面，依靠智能体协同机制还原专家协作模式，最终实现高质量的金融任务产出。

6. 能力核心：高质量金融信息源 + 多智能体协同机制 + 专家知识工程

在模式最核心的位置，采用了 PEER 范式——通过计划、执行、表达、评价四步，结合右侧专家分析框架和左侧金融知识库，完成最终的协同工作。

7. 对外合作 —— ESG 智能分析助手

目前，团队已与多家机构合作，对外提供实际服务。上图案例是和《新京报》合作的 ESG 智能分析助手。

8. 对外合作 —— 央视合作（启动阶段）

另一个案例是与央视合作，为大学生就业和新闻写作提供辅导服务。

问答环节

A1：agent 本身不需要定制训练，训练更多是在模型层面进行。也有很多外部案例在使用 agentUniverse 框架时，是用通用模型在金融场景落地，具体需要按实际情况分析。

A2：蚂蚁集团AI金融管家“蚂小财”新版已经升级亮相，并在支付宝 App 内全量对外。同时，蚂蚁财富全新 App 搭载“蚂小财”Pro 版已上线灰测。

A3：报告生成需要按具体场景分析。通用模型基于多智能体机制已经可以达到一定水准。模型层面，团队拥有上千亿的优质语料、百亿级别的特色语料，以及60万+的高质量指令集。

A4：表现很好。千问基座在国产大模型中能力表现出色，感兴趣的可以体验一下。

A5：主要有三个难点。第一，金融场景信息密集，数据时效性和降噪处理是关键；第二，金融行业内知识和理论丰富，如何处理不同理论间的冲突、界定知识边界至关重要；第三，输出内容通常带有决策性，如何做好决策工作至关重要。

以上就是本次分享的核心内容。