arXiv cs.AI· Pradeep Kumar GS, Ravi Tanniru·· 13 小时前AI 评分43
超越 LLM 封装：面向可靠金融 AI 的上下文工程与三引擎架构
Beyond LLM Wrappers: Context Engineering and the Three-Engine Architecture for Reliable Financial AI
AI 导读
一套面向金融场景的三引擎架构将金融知识图谱、确定性优化引擎与多智能体 LLM 层结合，通过上下文工程协调层跨 ERP 系统选择与校验查询上下文。基于约 11 个月内 15 次部署的观察，单智能体流程的模型幻觉率约为 7-9%，图支撑的多智能体校验将其降至 1% 以下（属观察性结论而非因果）。可复用映射、图模板与校验策略使部署时间从约六周缩短至两周。
正文 · AI 翻译
摘要：金融 AI 系统必须支持涉及支付、催收、现金流和合规的决策性问题，同时确保数值准确性、可追溯性和可审计性。大语言模型（LLM）可实现自然语言交互，但无法独立保证可复现的计算或有证据支撑的建议。我们提出一种基于生产环境的架构，集成三个组件：用于企业关系、时间上下文和来源溯源的金融知识图谱；用于金融计算和决策的确定性优化引擎；以及用于意图解释、任务编排、解释和主张验证的多智能体 LLM 层。一个称为上下文工程的协调层负责跨 ERP 系统、工具和租户选择、排序、组合并验证查询特定的上下文。
基于约 11 个月内 15 次部署的观察，单智能体流水线表现出约 7-9% 的幻觉率（按查询类型为 5-10%），包括虚构发票和无依据的金融主张。图支撑的多智能体验证将观察到的比率降至 1% 以下，尽管这些发现是观察性的而非因果性的。ERP 数据质量和租户特定模式仍是主要的实施挑战。可复用的映射、图模板和验证策略与部署时间从约六周缩短至两周同时出现。
我们认为，金融上下文工程超越了以文本为中心的检索增强生成，因为它要求结构化关系、时间有效性、精确的数值证据、访问控制，以及针对源记录和求解器输出的验证。我们概述了评估、可复现性、隐私、上下文质量和跨租户泛化方面的研究挑战。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.39230 [cs.AI] |
| （或 arXiv:2610.39230v1 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.39230 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Pradeep Kumar Gs Mr [查看电子邮件]
[v1]
2026年10月29日星期四 02:50:00 UTC（824 KB）
来源：arXiv cs.AI · arxiv.org