Enterprise agentic workflows and multi-agent systems for investment strategy：JPMorgan认为，可部署的投资研究智能体需要受治理的自主性，而非不受约束的自动化

概览

JPMorgan全球量化策略团队总结了与Google共同举办的2026年9月研讨会，主题是为投资研究构建企业级智能体工作流。报告认为，实际目标是受治理、可审查的自主性：智能体应自动化可重复、数据密集型任务，同时在经批准的工具、数据源、验收标准和升级路径内运行。

核心观点

报告区分了Agentic AI与传统自动化、机器学习和生成式AI。固定式自动化遵循预定义代码路径，机器学习识别模式，生成式AI则扩大了与非结构化信息进行自然语言交互的能力。Agentic AI则管理工作流本身：它可拆解目标、选择工具、执行行动、审查中间工作并迭代。JPMorgan强调，这并不意味着无人监督的行为。在投资工作流中，自主性必须受到权限、审查节点和升级路径的约束，以使流程保持可解释和可辩护。 其经济逻辑是选择性部署，而非普遍适用。报告认为，AI更适合文档分类、起草和部分编程等可扩展、可重复的工作，而人类在高风险判断、战略工作和创造性工作中仍具结构性优势。部署是否合理取决于相对于人工时间的token成本、完成时间、返工、错误率、一致性和监督要求。金融研究被视为合适用例，因为其具有多步骤和工具密集的特点；但其直接服务于投资决策，也意味着可靠性和可追溯性至关重要。 研讨会的首个专业智能体使用实时市场数据工具，在查询时获取最新股票价格输入并执行计算。这弥合了模型训练时点知识与不断变化市场之间的差距，替代了单独获取数据再粘贴到提示词中的人工流程。报告强调，速度并非唯一好处：对获准数据源的限制，以及对缺失、陈旧或不一致数据的明确处理方式，是防止看似合理但缺乏依据的输出所必需的。原型使用了一个在未找到ticker时默认返回100的定价函数；报告同时强调，针对数据不可得的护栏有助于降低幻觉风险。 第二个专业智能体是面向私有文档的RAG分析师。文档被分块、转换为语义嵌入并存储在向量数据库中；用户查询以相同方式嵌入后，相似度搜索会检索相关段落并提供给模型作为上下文。报告称，这能够使回答建立在获批准的内部政策、市场展望或公司文档之上，帮助智能体与机构观点及相关约束保持一致。报告还强调，RAG只有经过测试才能可靠：团队应检查代表性回答背后的检索段落。如果检索正确但回答较差，应收紧指令和回应约束；如果检索遗漏相关证据，则应调整分块、嵌入或搜索设置。所示RAG智能体采用30秒超时机制，以避免无休止地搜索数据库中不存在的信息。 经理主导的编排是下一步。路由经理会理解用户目标、规划子任务、将任务委派给专业智能体，并整合其输出。JPMorgan认为，更狭窄的职责范围可减少混乱并提升输出质量；同时，将常规任务路由给成本更低、速度更快的模型，并将高能力模型保留给复杂推理，可控制成本。当组织从少量工具扩展至数十或数百个专业智能体时，这种机制的价值更大，因为人们无法可靠追踪每个智能体的职责和访问权限。模型选择、路由规则、准确性、延迟和成本应因此按具体工作流进行测试和调优，而不是采用单一标准配置。 最终演示将这些组件组合为一个由明确角色和停止条件治理的自主研究团队。目标细化器将宽泛请求转化为精确的研究简报。研究循环结合RAG分析师、合规官和终止检查器；终止检查器决定输出是否达到验收标准，或是否需要再次迭代。图示循环最多进行4次迭代。随后，报告智能体仅使用研究循环的输出撰写执行摘要，并被指示不得用外部知识填补空白。这种层级结构旨在控制质量和token消耗，同时使责任划分和证据流保持可见。 报告的结论是，生产级“harness”是聪明原型与可部署系统之间的分界。harness会展示计划、中间步骤、工具调用、子智能体活动和资源使用情况，使用户能够诊断问题并进行干预。JPMorgan指出三项实际调优手段：温度等推理设置以降低变异性、更丰富的指令及few-shot示例以标准化输出，以及通过测试决定何时函数应作为工具保留、何时应成为被委派的子智能体。治理被描述为工程要求，而非事后补充：系统需要明确的权限、审查和升级关卡、迭代与运行时间限制，以及随着规模扩大仍可检查的证据链。

分析框架

报告按层级展开：先说明Agentic AI的定义和经济性，再介绍实时数据专业智能体、RAG专业智能体、经理主导的路由，以及完整研究团队架构。报告以研讨会原型说明，经批准的数据访问、检索基础支撑、测试、角色分工、合规审查和循环限制如何使自动化研究工作流保持可审查和可控。

方法论与常识提炼

• 其他

  检索增强生成（RAG）

  该工作流从经过批准且已向量化的文档集中检索相关段落，并将其作为上下文提供，旨在使回答基于来源证据而非未经支撑的模型知识。

• 其他

  经理主导的多智能体编排

  经理智能体拆解请求、将子任务路由给专业智能体、合并结果，并应用明确的质量、成本和终止控制。

关键数据

• RAG智能体连接超时30 seconds旨在防止智能体无休止地搜索其数据库中不存在的信息。
• 自主研究循环最大迭代次数4循环会在达到验收标准或达到迭代上限时结束。
• 自主研究团队阶段数3目标细化器、迭代研究循环和报告智能体。

影响与含义

报告将受治理的智能体系统定位为一种自动化可重复研究步骤的方式，同时保留证据可追溯性和人工监督。报告认为，组织应针对具体工作流定制工具、模型、提示词、路由和控制措施，而非部署通用型自主智能体。

风险

• 当早期错误未被发现时，幻觉可能在端到端自动化工作流中逐步传播。
• 即使基础数据未被检索、缺失、陈旧或不一致，输出仍可能显得很有信心。
• 没有边界的循环、过多的工具调用和定义不当的智能体权限可能造成失控的成本、安全和可靠性问题。
• 如果未测试检索质量、分块、嵌入、搜索设置和来源支撑，RAG输出可能不可靠。

后续跟踪

• 企业是否选择时间和资金成本能够由可衡量收益证明合理性的工作流用例。
• 模型选择、推理设置、指令、工具配置、准确性、延迟和成本的测试结果。
• 生产系统是否展示工具调用、中间输出、证据来源和资源使用情况以供审查。
• 智能体工作流是否具备明确的权限、验收标准、升级路径和迭代限制。