Complexiteit absorberen: een interactie-inherent kennisbenuttingssysteem voor financiële LLM-agenten

Samenvatting

Financiële AI-agenten falen vaak om een eenvoudige reden: ze leggen de complexiteit bij de gebruiker. Een gebruiker moet herhaaldelijk doelen, risicovoorkeuren, portfoliocontext, eerdere oordelen en veranderende marktaannames herformuleren, terwijl de agent antwoordt, ophaalt, handelt en vergeet. In de financiële wereld is dit niet alleen onhandig. Bij taken zoals marktanalyse, beoordeling van kopieerhandel en handelsvoorbereiding kunnen vergeten context en verouderd geheugen leiden tot latentie, herhaalde fouten, zwakke auditbaarheid en onveilige beslissingen. Wij stellen de interactie-native kennisintegratie (InKH) voor, een architectuur voor financiële LLM-agenten die complexiteit in het systeem absorbeert. InKH zet gebeurtenissen van gebruikers, markten, portefeuilles en tools om in gestructureerde operationele kennis. Het gebruikt passieve kennisinjectie om vóór de hoofdmodelstap een begrensde werkcontextbuffer op te bouwen, temporeel grafiekgeheugen voor ophaling met lage latentie, een wiki-audit-oppervlak voor menselijk leesbaar bestuur, en achtergrond extractie met volwassenheid, verval en schrijftijd-invalidatie. Wij evalueren InKH op een reproduceerbare gecontroleerde synthetische benchmark met 24 willekeurige seeds, 4 rondes, 80 episodes per ronde en 6 baselines, wat 46.080 baseline-geconditioneerde evaluaties oplevert. InKH behaalt een gemiddelde taakkwaliteit van 0,815 bij een latentie van 900 ms. Vergeleken met agent-gedreven wiki-walk-geheugen vermindert het de latentie met 82,95%, de tokencost met 82,29% en het gebruik van verouderde kennis met 96,58%, terwijl het de kwaliteit verbetert met 0,108 en de traceerbaarheid met 0,461. Vergeleken met een temporeel-grafieksysteem zonder invalidatie verbetert het de kwaliteit met 0,050 en vermindert het het gebruik van verouderd geheugen met 96,58%, bij vergelijkbare servicekosten. De resultaten ondersteunen een ontwerpthesis voor financiële AI: adoptie vindt plaats wanneer complexiteit door het systeem wordt geabsorbeerd in plaats van overgedragen aan de gebruiker. De benchmark valideert gedrag op architectuurniveau, niet live handelsprestaties.

English

Financial AI agents often fail for a simple reason: they make users carry the complexity. A user must repeatedly restate goals, risk preferences, portfolio context, past judgments, and shifting market assumptions, while the agent answers, retrieves, acts, and forgets. In finance, this is not just inconvenient. In tasks such as market analysis, copy-trading review, and trade preparation, forgotten context and stale memory can create latency, repeated errors, weak auditability, and unsafe decisions. We propose the interaction-native knowledge harness (InKH), an architecture for financial LLM agents that absorbs complexity into the system. InKH converts user, market, portfolio, and tool events into structured operational knowledge. It uses passive knowledge injection to assemble a bounded working context buffer before the main model step, temporal graph memory for low-latency retrieval, a wiki audit surface for human-readable governance, and background extraction with maturity, decay, and write-time invalidation. We evaluate InKH on a reproducible controlled synthetic benchmark with 24 random seeds, 4 rounds, 80 episodes per round, and 6 baselines, producing 46,080 baseline-conditioned evaluations. InKH achieves mean task quality of 0.815 at 900 ms latency. Compared with agent-driven wiki-walk memory, it reduces latency by 82.95 percent, token cost by 82.29 percent, and stale-knowledge usage by 96.58 percent, while improving quality by 0.108 and traceability by 0.461. Compared with a temporal-graph system without invalidation, it improves quality by 0.050 and reduces stale-memory usage by 96.58 percent with comparable serving cost. The results support a design thesis for financial AI: adoption happens when complexity is absorbed by the system rather than transferred to the user. The benchmark validates architecture-level behavior, not live trading performance.