標準普爾全球（S&P Global）旗下人工智慧（AI）部門Kensho近日推出一套劃時代的「Grounding」多代理AI框架，運用開源函式庫LangGraph，旨在將高度複雜的金融數據整合至單一自然語言介面。這項創新不僅徹底革新金融專業人士的數據存取方式，更為台灣金融業者在高價值資訊分析、量化交易與決策效率的提升上，帶來重要的啟示與借鑒意義。
「Grounding」多代理AI框架：金融數據存取新紀元
Kensho所部署的「Grounding」系統，其核心設計在於其精密的路由器（router）功能。此路由器能高效地將用戶以自然語言提出的查詢，智慧地分配至各個專業化的數據檢索代理（Data Retrieval Agents, DRAs）。這些DRAs涵蓋了股票研究、固定收益、總體經濟以及環境、社會與治理（ESG）指標等多元領域，且皆由S&P Global內部不同的數據團隊負責維護。
當用戶提出問題時，路由器會將複雜的查詢拆解為針對各DRAs的子查詢，並進行平行處理，大幅提升檢索效率。隨後，系統會將來自不同代理的結果彙整成一份連貫且附有明確引述來源的答案，確保資訊的完整性與可追溯性。這項技術的突破，讓金融專業人士能以前所未有的便捷性，從龐雜的數據海洋中精準擷取所需情報。
克服複雜數據挑戰：客製化協定與信任機制
S&P Global的金融數據結構向來以其高度複雜與細緻著稱，這使得單純的檢索增強生成（RAG）實作方式難以有效應對。Kensho工程師Ilya Yudkovich及Nick Roshdieh對此指出，為了解決代理之間溝通介面不一致的問題，Kensho特別開發了客製化的DRA協定。
Kensho工程師Ilya Yudkovich及Nick Roshdieh指出：「S&P Global的數據結構高度複雜且細緻，單純的檢索增強生成（RAG）實作方式難以應對。」
此創新架構的優勢在於，它不僅賦予各數據團隊對其專屬代理的自主權，更透過路由層協調整體運作，確保即使有新代理加入，也無需重建既有的數據管線，大幅提升系統的彈性與擴展性。這項設計也為結構化與非結構化數據的回傳建立了通用格式，是確保系統高效運作的關鍵。
在開發過程中，Kensho團隊也歸納出建立金融級別信任的三大關鍵操作洞察：
- 大規模多代理行為的調試，需仰賴全面的追蹤與元數據支援。
- 建立金融級別的信任，必須透過涵蓋路由精準度、數據品質與答案完整度的多階段評估。
- 持續分析用戶互動模式，方能迭代優化協定設計，提升使用者體驗。
實務應用與未來潛力：精準分析與風險控管
「Grounding」系統的應用範疇已展現其廣泛潛力。目前，它已催生多項專業應用，例如針對產業表現比較的股票研究助理，以及協助追蹤永續性指標的ESG合規代理。這些應用實例證明了多代理AI在提升金融分析效率方面的強大能力。
值得注意的是，此系統在降低生成式AI潛在「幻覺」風險方面，也採取了嚴謹的措施。透過讓每個回答皆附有經過驗證的S&P Global來源引述，「Grounding」系統有效確保了資訊的可靠性與準確性，這對於高度依賴數據正確性的金融產業而言，至關重要。
台灣金融業的啟示與展望
對於正積極擁抱人工智慧應用的台灣金融業者而言，S&P Global Kensho的這項創新，提供了在高價值金融數據領域，如何透過多代理AI技術實現高效、精準且可驗證數據存取的具體案例。這不僅為台灣金融資訊分析、量化交易與決策效率的提升，帶來重要的啟示與借鑒意義，更預示著未來金融服務將更加智慧化、客製化。
台灣的金融機構可以借鏡Kensho的經驗，探索建構類似的多代理AI架構，以應對本土市場的複雜數據需求。這將有助於業者在快速變化的全球金融環境中，保持競爭力，並提供更優質、更可靠的金融服務。建議諮詢專業人士，以評估此類技術在特定業務情境下的應用潛力。
