Absorvendo Complexidade: Um Aparato de Conhecimento Nativo de Interação para Agentes LLM Financeiros

Resumo

Agentes financeiros de IA frequentemente falham por um motivo simples: eles transferem a complexidade para o usuário. O usuário precisa reafirmar repetidamente objetivos, preferências de risco, contexto de portfólio, julgamentos passados e suposições mutáveis de mercado, enquanto o agente responde, recupera, age e esquece. Em finanças, isso não é apenas inconveniente. Em tarefas como análise de mercado, revisão de copy-trading e preparação de negociações, contexto esquecido e memória desatualizada podem gerar latência, erros repetidos, baixa auditabilidade e decisões inseguras. Propomos o arcabouço de conhecimento nativo da interação (InKH), uma arquitetura para agentes financeiros baseados em LLM que absorve a complexidade no sistema. O InKH converte eventos do usuário, do mercado, do portfólio e de ferramentas em conhecimento operacional estruturado. Ele utiliza injeção passiva de conhecimento para montar um buffer de contexto de trabalho limitado antes da etapa principal do modelo, memória de grafo temporal para recuperação de baixa latência, uma superfície de auditoria wiki para governança legível por humanos e extração em segundo plano com maturidade, decaimento e invalidação no momento da escrita. Avaliamos o InKH em um benchmark sintético controlado e reproduzível com 24 sementes aleatórias, 4 rodadas, 80 episódios por rodada e 6 linhas de base, produzindo 46.080 avaliações condicionadas à linha de base. O InKH alcança qualidade média de tarefa de 0,815 com latência de 900 ms. Comparado à memória wiki-walk orientada por agente, reduz a latência em 82,95%, o custo de tokens em 82,29% e o uso de conhecimento desatualizado em 96,58%, enquanto melhora a qualidade em 0,108 e a rastreabilidade em 0,461. Comparado a um sistema de grafo temporal sem invalidação, melhora a qualidade em 0,050 e reduz o uso de memória desatualizada em 96,58%, com custo de operação comparável. Os resultados apoiam uma tese de projeto para IA financeira: a adoção ocorre quando a complexidade é absorvida pelo sistema, em vez de transferida para o usuário. O benchmark valida o comportamento em nível de arquitetura, não o desempenho em negociações ao vivo.

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.