arXiv cs.AI· Ming Ze Tang, David Cutting, Boyd Carson, Vasiliki Carson·· 11 小时前AI 评分31
DealsFlow：面向风投项目初筛的证据门控智能体框架
DealsFlow: An Evidence-Gated Agentic Harness for Venture Capital Deal Triage
AI 导读
DealsFlow 是一套部署在英国早期基金的人机协同智能体框架，让 LLM 阅读路演材料并引用证据打分，再由代码合并、封顶且只降不升。在 142 个满三年、结果已知的 SEIS/EIS 投资上，其评分与总价值倍数的 Spearman ρ=0.45，识别核销的 AUC 为 0.71，无约束 LLM 则为 ρ=0.38、AUC 0.68。
正文 · AI 翻译
摘要：大型语言模型（LLM）能够阅读初创企业路演材料，但让它们直接输出投资评分会带来评分虚高、多次运行结果波动以及难以审计的评分理由。我们介绍 DealsFlow，这是一个部署在英国一家早期基金的人机协同智能体框架。LLM 阅读路演材料、引用证据并对每个类别评分；代码将各项评分组合、设置上限，并且只会下调评分。该框架通过三种机制实现这一点：针对缺乏外部证据的事实类评分设置阶段感知的佐证上限（78、70 或 60 分，满分 100）；一次质疑者调用，可以下调但绝不上调评分；以及预取模式，在单次生成之前检索并索引所有证据。我们在 $N=243$ 项有记录结果的 SEIS/EIS 投资上进行评估。由于近期投资的结果尚未确定，我们使用其中至少已有三年历史的 142 项。在这些投资上，完整流程的评分与总价值倍数之间的 Spearman $\rho=0.45$（95% CI 0.32 至 0.57），识别核销的 AUC 为 0.71，而未加约束的 LLM 为 $\rho=0.38$、AUC 0.68。提升幅度很小，且主要来自质疑者调用；我们未测试其仅下调规则是否重要。后来超过 $2\times$ 的投资中，有 64% 的事实类评分获得佐证，而核销投资中这一比例为 38%（对五个结果组进行 omnibus Kruskal-Wallis 检验，$p=0.031$）；我们的检索未限制日期，因此这些数字可能高估了筛选能力。在一项针对 20 份入站申请的研究中，每份申请的分析师用时（包括核验和修正）从 44.7 分钟降至 18.9 分钟，240 条被引用的主张中有 84% 得到其来源的完全支持，但 70% 的报告需要至少一处修正。
| 评论： | 13 页，15 张表，2 幅图。提交至 ICAIF 2026 的 AI4F 2026 研讨会（面向金融的 LLM 与生成式 AI） |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.32380 [cs.AI] |
| （或本版本的 arXiv:2610.32380v1 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2610.32380 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Ming Ze Tang [查看邮箱]
[v1]
2026 年 10 月 23 日星期五 09:08:58 UTC（305 KB）
来源：arXiv cs.AI · arxiv.org