Поглощение сложности: нативный для взаимодействия знаниевый инструмент для финансовых LLM-агентов

Аннотация

Финансовые AI-агенты часто терпят неудачу по простой причине: они перекладывают сложность на пользователя. Пользователь вынужден многократно формулировать цели, предпочтения по риску, контекст портфеля, прошлые суждения и меняющиеся рыночные допущения, в то время как агент отвечает, извлекает информацию, действует и забывает. В финансах это не просто неудобно. В таких задачах, как анализ рынка, проверка копи-трейдинга и подготовка сделок, утерянный контекст и устаревшая память могут привести к задержкам, повторяющимся ошибкам, слабой аудируемости и небезопасным решениям. Мы предлагаем знаниевую обвязку на основе взаимодействия (InKH) — архитектуру для финансовых LLM-агентов, которая поглощает сложность в систему. InKH преобразует события пользователя, рынка, портфеля и инструментов в структурированные операционные знания. Она использует пассивное внедрение знаний для сборки ограниченного буфера рабочего контекста до шага основной модели, временную графовую память для извлечения с малой задержкой, поверхность аудита в формате вики для человекочитаемого управления, а также фоновое извлечение с учетом зрелости, затухания и аннулирования при записи. Мы оцениваем InKH на воспроизводимом контролируемом синтетическом бенчмарке с 24 случайными начальными значениями, 4 раундами, 80 эпизодами в каждом раунде и 6 базовыми моделями, что дает 46 080 оценок при заданных базовых условиях. InKH достигает среднего качества задачи 0,815 при задержке 900 мс. По сравнению с агентной памятью типа wiki-walk, она снижает задержку на 82,95%, затраты токенов на 82,29% и использование устаревших знаний на 96,58%, при этом улучшая качество на 0,108 и прослеживаемость на 0,461. По сравнению с временной графовой системой без аннулирования, она улучшает качество на 0,050 и снижает использование устаревшей памяти на 96,58% при сопоставимых эксплуатационных затратах. Результаты подтверждают тезис проектирования для финансового ИИ: внедрение происходит, когда сложность поглощается системой, а не переносится на пользователя. Бенчмарк проверяет поведение на уровне архитектуры, а не эффективность в реальной торговле.

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.