Heurist Finance：用 Amazon Bedrock AgentCore 搭建可审计的 AI 投资工作台

2026-09-10 42 预计阅读时间: 1 分钟
来源: aws.amazon.com AI 摘要 Original link

Disclaimer: This article is an AI-assisted summary. Read it together with the original source when precision matters. The summary may omit context, version differences, or edge cases and is not official documentation.

预计阅读时间：13 分钟

Heurist Finance 把投资研究从“聊天问答”推进成了一个可以执行任务的 AI 工作台。用户可以用自然语言提出研究问题，系统按需购买高级市场数据，在隔离沙箱中运行分析，并记录每一次关键动作。

这套方案的重点不只是接入一个大模型，而是把支付、身份、记忆、代码执行和可观测性放进同一个代理运行环境。对于小团队来说，这种组合能减少自建基础设施的范围，同时让金融分析流程更容易控制和审计。

从聊天机器人到投资工作台

普通金融问答应用通常只有一条链路：接收问题、调用数据接口、生成回答。真正进入研究流程后，系统还需要处理更多事情：

  • 判断用户是否有权访问某类数据；
  • 根据问题购买一次性的高级数据；
  • 执行财务计算、回测或表格处理；
  • 保存用户偏好和历史研究上下文；
  • 记录数据调用、工具调用和最终结论之间的关系。

Heurist Finance 选择 Amazon Bedrock AgentCore，正是因为这些能力可以作为代理工作流的基础设施来组合。AgentCore Payments 用于按查询购买高级市场数据，Identity 用于管理访问身份，Memory 用于保留跨会话上下文，Code Interpreter 用于在隔离环境中执行分析，Observability 则为代理行为提供审计和调试线索。

这里的关键变化是：代理不再只是“生成一段文字”，而是在受控工具边界内完成一组可追踪的动作。

按次付费，控制数据成本

投资数据往往分成多个层级。实时行情、机构级研究数据或深度基本面数据的价格，可能明显高于普通应用愿意长期订阅的范围。若系统为所有用户预先购买全部数据，不仅成本高，也会让低频问题变得不划算。

按查询支付改变了成本模型：

  1. 代理先理解用户的问题和所需数据类型；
  2. 系统检查当前身份是否允许购买；
  3. 通过 Payments 完成一次数据访问或购买；
  4. 只把必要的数据交给后续分析步骤；
  5. 将费用、数据来源和研究结果关联起来。

实践中应当给支付动作设置明确的边界。例如，低金额的数据调用可以自动完成；超过阈值时要求用户确认；同一问题的重复请求则优先使用缓存或已有记忆，避免重复付费。

下面是一个可以改造成服务端策略模块的最小 Python 示例。它不直接调用 AgentCore API，而是演示代理在执行付费数据工具前如何进行预算检查和用户确认。接入实际 SDK 时，只需把 purchase_market_data 替换为 Payments 工具调用。

from dataclasses import dataclass


@dataclass
class DataRequest:
    symbol: str
    dataset: str
    price_usd: float


def purchase_market_data(request: DataRequest) -> dict:
    # Replace this function with the AgentCore Payments tool call.
    return {
        "status": "paid",
        "symbol": request.symbol,
        "dataset": request.dataset,
        "price_usd": request.price_usd,
        "data": {"pe_ratio": 24.1, "revenue_growth": 0.18},
    }


def get_data(request: DataRequest, max_auto_spend: float, approved: bool = False) -> dict:
    if request.price_usd > max_auto_spend and not approved:
        return {
            "status": "confirmation_required",
            "message": f"This query costs ${request.price_usd:.2f}; ask the user to approve it.",
        }

    return purchase_market_data(request)


if __name__ == "__main__":
    request = DataRequest("AMZN", "premium_fundamentals", 0.35)
    result = get_data(request, max_auto_spend=1.00)
    print(result)

运行方式：

python3 payment_guard.py

这个策略还可以继续加入每日预算、用户级预算、重复查询去重和失败退款处理。支付工具不应被放进一个没有额度约束的通用函数中，否则代理可能因为误判问题而产生不可预期的费用。

在沙箱里执行研究代码

投资分析经常需要运行 Python 代码：计算收益率、清洗 CSV、绘制指标、比较多个资产，或者进行简单回测。让模型直接在生产容器或主应用进程中执行这些代码，会把数据泄露、资源消耗和任意代码执行风险带进核心系统。

Code Interpreter 提供了更合适的边界：代理生成分析代码，代码在隔离环境中执行，再把结果返回给代理。工作台可以据此完成以下流程：

用户问题
  -> 代理拆解研究任务
  -> 获取授权数据
  -> 在 Code Interpreter 沙箱中运行计算
  -> 校验结果与异常
  -> 生成带数据依据的回答

可以实践的沙箱策略包括：

  • 只传入当前任务需要的数据，不暴露长期凭据；
  • 限制执行时间、内存和输出文件大小；
  • 对网络访问采用默认拒绝；
  • 保存代码、输入数据摘要和输出摘要，便于复核；
  • 对回测结果标记数据区间、费用假设和缺失值处理方式。

需要注意，沙箱隔离并不等于分析结果自动正确。金融计算仍然需要检查前视偏差、幸存者偏差、数据时间戳和单位换算。AgentCore 负责提供执行边界，研究方法的正确性仍然属于应用层责任。

记忆和身份让结果保持连续

投资研究不是一次性问答。用户可能先要求比较两家公司，下一次再追问估值假设，几天后继续询问“上次的熊市情景”。如果每个请求都从零开始，用户需要重复提供资产范围、风险偏好和研究目标。

Memory 可以保存经过筛选的长期上下文，例如：

  • 用户关注的市场和资产；
  • 用户偏好的指标和报告格式；
  • 已经确认过的研究假设；
  • 对某次分析结果的反馈。

但不应把所有聊天内容无条件写入长期记忆。更稳妥的做法是区分会话记忆、用户记忆和研究文档，并为每类记忆设置保留期限、删除方式和访问范围。

Identity 则解决“谁在请求、谁能看到什么”的问题。至少应将用户身份、组织身份、数据供应商权限和工具权限分开处理。一个用户可以有权阅读公开行情，却没有权购买某种高级数据；一个代理可以调用代码解释器，却不应自动获得生产数据库凭据。

可观测性是金融场景的基础能力

在普通聊天应用中，一次错误回答可能只需要重新生成。在投资工作台中，调查重点会更具体：代理看到了哪份数据？是否支付了费用？调用了哪个工具？代码是否执行失败？最终结论使用了哪些输入？

Observability 应至少覆盖这些事件：

  • 请求 ID、用户身份和会话 ID；
  • 模型决策和工具调用顺序；
  • 数据访问范围与支付金额；
  • Code Interpreter 的代码摘要、运行状态和耗时；
  • 输入数据版本、错误信息和输出引用；
  • 人工确认、拒绝和重试记录。

日志中不要直接写入访问令牌、完整个人信息或不必要的高级数据原文。可以使用脱敏字段、哈希后的数据集 ID和结果摘要，同时保留足够的信息支持审计。

一个实用的事件结构可以这样设计：

event_type: tool_call
request_id: req-2025-001
user_id: user-42
agent: investment-research
capability: premium_market_data
payment:
  required: true
  amount_usd: 0.35
  approval: automatic
execution:
  sandbox: code-interpreter
  status: succeeded
output:
  dataset_id: fundamentals-amzn-2025-01
  result_hash: sha256:replace-with-real-hash

这段 YAML 是应用层审计事件的示例，字段名需要根据实际 AgentCore SDK 和日志系统调整。它表达的原则是：把工具动作、支付动作、身份上下文和分析结果放在同一个可关联的事件链中。

小团队应该怎样落地

Heurist Finance 的案例对小团队的启发，不是一次性构建完整的自动化投研平台，而是把高风险动作拆成明确的能力边界。

可以按以下顺序推进：

  1. 先限定一个研究任务，例如公司基本面摘要或多资产指标比较；
  2. 为每个数据工具定义输入、价格、权限和失败行为；
  3. 把代码执行放入隔离环境，并限制资源与网络访问；
  4. 只保存经过筛选的记忆，避免把原始对话当作永久事实；
  5. 为每次工具调用生成可关联的审计事件；
  6. 用预算上限、人工确认和回放测试验证代理不会越权或重复付费。

采用 AgentCore 的收益在于，支付、身份、记忆、代码执行和可观测性不必全部由应用团队从零搭建。代价则是系统仍然需要认真设计工具权限、数据治理、费用控制和金融研究验证。托管能力可以减少基础设施工作，但不能替代产品边界和风险模型。

结语：把代理当成受控的研究执行者

Heurist Finance 展示了一种更接近真实工作的 AI 投资应用形态：用户用自然语言提出目标，代理按需获取数据，在隔离环境中完成计算，并留下可以审查的行动记录。

对于准备采用类似架构的团队，最值得检查的是四件事：每个付费动作是否有预算边界，每段代码是否在正确的隔离环境执行，每条记忆是否有明确生命周期，以及每个结论是否能追溯到身份、数据和工具调用。只有这些环节同时成立，AI 工作台才不仅能回答问题，也能承担可控的研究任务。

# AI # AWS # LLM # 云平台 # 工程效能 # 机器学习

相关推荐