Absorbing Complexity: An Interaction-Native Knowledge Harness for Financial LLM Agents

TL;DR InKH 通过被动知识注入与时态图记忆，将金融 LLM 智能体的交互复杂性吸收进系统，显著降低延迟、成本与陈旧知识使用，同时提升任务质量与可追溯性。

问题

金融 LLM Agent 的上下文断裂问题

在金融高频场景（市场分析、跟单审核、交易准备）中，LLM Agent 的部署正从实验走向生产，但实际采用率仍受限于金融认知摩擦 (financial cognition friction)：用户必须在多轮交互中反复重述目标、风险偏好、持仓上下文和历史判断，系统每次回答后即“遗忘”，导致连贯决策能力薄弱。

现有方法的局限

当前金融 Agent 普遍采用回合式 (turn-based) 架构，依赖以下模式：

• Agent 驱动的记忆检索：类似 wiki-walk 的主动搜索，每次调用都需要重新检索、组装上下文，带来高延迟（~5s）和高 token 消耗。
• 静态上下文窗口：仅靠近期消息维持状态，无法处理跨会话的增量知识和市场事件流。
• 缺乏结构化知识生命周期管理：未引入成熟度、衰减和写时失效 (write-time invalidation)，陈旧记忆被无差别复用，在行情快速变化时极易产生误导性决策。
• 可审计性缺失：决策过程仅表现为模型输出，缺少可追溯的、人类可读的治理表面。

这些设计导致延迟高、错误重复出现、审计困难，尤其当用户需要维护多个并行投资组合时，认知负载指数上升。

为什么这个问题难且重要

金融领域对时效性和合规性要求极高：

• 时效性：市场事件可能在秒级改变资产相关性，陈旧知识意味着错误信号；系统必须自动感知并废弃过时事实。
• 合规与审计：监管要求决策可追溯、可解释，而“黑箱式”记忆检索无法提供清晰的溯源链。
• 安全边界：错误的知识复用可能直接导致不合规持仓或交易执行，风险远高于一般对话任务。

行业正寻求从**“用户承担复杂性”到“系统吸收复杂性”**的范式转变——这正是自动驾驶领域已验证的逻辑：将操作复杂度内化到系统中，用户仅需定义目标。金融 AI 同样需要一套能够持续消化交互、市场和个人上下文，并将之转化为结构化操作知识的原生架构。

核心洞察

• 金融 LLM 代理的瓶颈不在于模型推理质量，而在于交互架构将认知负担转嫁给用户，要求用户反复重述目标、组合、假设等上下文。InKH 通过事件流视角和被动知识注入，在每次模型调用前自动组装有限工作上下文，完全摆脱了 agent 主动搜配记忆的依赖。这种架构突破让系统吸收复杂性，从根源上减少延迟和错误，与现有基于 agent 自主记忆遍历的方案形成本质差异。
• 动态领域的知识管理不能只依赖检索，必须有主动的新鲜度控制。InKH 引入成熟度、衰减和写入时失效机制，在写入时自动标记并失效相关过时知识，将陈旧记忆重用大幅降低 96.58%。相比于简单时间图系统，这一设计补齐了记忆维护的关键短板，对金融等时效性极强的应用场景尤为重要，为记忆系统增添了生命周期管理的新维度。

方法

InKH 将金融交互视为持续事件流，输入包括用户意图、市场数据切换、持仓变动与工具调用结果。系统不依赖 LLM 代理在每次对话回合中主动搜寻记忆，而是通过 被动知识注入 在模型主步之前构建有界工作上下文缓冲区：事件经过 背景提取 生成结构化片段，附上 成熟度 与 衰减 权重，并在写入时执行 失效规则，确保过时信息被即时淘汰。

核心记忆层由 时态知识图谱 实现低延迟检索，图谱中的节点代表用户、资产、风险偏好等实体，边携带时间关系与置信度；缓冲区组装时，直接从图中注入相关子图而非遍历全量维基页面，避免“维基漫步”式的昂贵开销。人机可读治理则由 Wiki 审计表面 承担，把所有系统决策、知识变更、检索路径投影为可追溯的文本记录，便于合规与调试。

关键模块协同如下：

1. 事件摄取与背景提取：将原始事件转为带类型与时间戳的知识片段。
2. 写时失效与成熟度：片段写入时即按规则判定是否覆盖旧知识，避免更新滞后；成熟度控制片段在上下文中的优先级。
3. 被动注入式缓冲区：不等LLM召唤，自动注入当前任务相关的最新片段，减少上下文窗口浪费。
4. 时态图谱记忆：支持 O(1) 级实体关系查询，维持高时效性。
5. 审计表面：生成人类可读的决策轨迹，增强可解释性。

与同类方法的差异：InKH 用被动注入取代主动记忆搜索，从根本上消除了检索步数与延迟波动，同时以图谱原生的写时失效替代批量失效，将陈旧知识使用率压至极低，而基准系统（无失效的图谱记忆或维基行走）均存在认知摩擦或时效问题。

实验

实验设计

论文构建了一个可复现的受控合成基准，模拟金融代理的多轮交互场景，包含用户意图、市场事件、组合变动和工具调用。实验采用 24 个随机种子、4 轮会话、每轮 80 个 episode，覆盖 6 个基线，共生成 46,080 次 baseline 条件评估。主要对比 InKH 与两类代表性基线：

• agent-driven wiki-walk memory（代理主动检索记忆，类似 ReAct 风格）
• temporal graph without invalidation（仅有时序图存储，无写时失效与成熟度管理）

关键发现

InKH 在 900 ms 平均延迟下达到 0.815 的均值任务质量，在效率与可靠性上全面超越基线：

• 对比 wiki-walk memory：延迟降低 82.95%，Token 消耗减少 82.29%，陈旧知识使用量下降 96.58%，同时任务质量提升 0.108，决策可追溯性提升 0.461。
• 对比无失效的时序图：质量再提升 0.050，陈旧知识使用量同样减少 96.58%，且服务成本相当。

这说明被动知识注入 + 写时失效机制几乎消除了过期记忆的危害，而无需牺牲响应速度。

深度解读

传统 agent 依赖主动检索，容易产生“徘徊式记忆查找”（wiki-walk），导致高延迟、高 Token 开支和上下文污染。InKH 通过事件流驱动的知识成型将复杂逻辑下沉至系统层：

• 被动注入在模型调用前预先组装有限工作上下文，避免无目的搜索；
• 时序图 + 成熟度/衰减/写时失效确保记忆的时效性与一致性，从根本上减少陈旧信息重用。
• wiki audit surface 再添一层可解释性，使人类审计成为可能。

该设计并非追求绝对质量上限，而是以可接受的质量换取显著的成本与延迟改善——这正是金融 AI 走向生产的关键：系统吸收复杂度，而非转嫁给用户。合成基准虽非真实交易，但验证了架构级行为的有效性，为后续落地提供了清晰工程蓝图。

行业影响

落地场景

InKH 的架构天然适用于强上下文连续性的知识密集型交互场景。除金融领域的市场分析、跟单交易审核与交易预备外，该设计可无缝迁移至：

• 医疗辅助决策：医生在多轮患者咨询中反复陈述病史、过敏史与治疗偏好，系统被动吸收交互事件形成结构化病程图谱，降低信息遗漏风险。
• 企业级合规审计：合同审查、监管申报等流程中，时间图记忆与维基审计表面可提供不可篡改的决策链路，同时通过成熟度与衰减机制管理政策失效。

商业价值

• 降本：对比 agent-driven wiki-walk 基线，InKH 降低延迟 82.95%、令牌成本 82.29%，直接压缩每次交互的推理开销，适合大规模用户服务。
• 增收：任务质量提升 0.108，支持更精准的贸易决策或临床建议；可追溯性提升 0.461 使审计成本大幅下降，可在合规市场中提供高毛利服务。
• 体验升级：用户无需重复陈述上下文，系统主动注入相关背景知识，交互回合数与认知负担显著下降，提升高频专业用户粘性。

与现有产品 / 工作流的接口

InKH 可作为现有 LLM 代理框架的增强层，不要求推翻现有栈：

• 事件流总线：通过标准化事件源（用户输入、市场数据轮询、工具回调）接入 Kafka / Pulsar，已有实时数据管道可直接对接。
• 时间图记忆：替代传统向量数据库或关系型记忆表，与 LangChain / LlamaIndex 等框架的 Memory 模块适配，被动知识注入 可封装为 Context Builder 插件。
• 维基审计表面：生成人类可读的决策追溯页面，可嵌入内部审计平台或客户可视化面板，天然对接 ELK / Splunk 等日志系统。

具体落地用例

1. 金融智能投顾助手：某个性化财富管理平台为投顾提供 AI 辅助工作台。传统做法下，投顾每次服务客户都需重述风险偏好、持仓历史和过往决策摘要。接入 InKH 后，系统持续吸收客户交互、市场事件与资产配置变更，生成 working_context_buffer，并利用时间图记忆即时检索上次调仓理由。每次对话前即完成上下文准备，投顾仅需核对，延迟由 3200 ms 降至 900 ms 以内，且因陈旧记忆使用减少 96.58%，错误建议率显著下降。

2. 法律合同持续审查系统：企业法务 AI 审查工具处理多轮修订。基于 InKH，每次修订提交、批注意见和沟通记录转化为背景事件，时间图记忆保留条款变迁关系，写时无效化机制确保引用旧版本条款时自动标记，维基审计表面输出完整修改变动史，满足 SOC 报告要求。

局限

• 论文明确声明基准测试仅验证架构行为，并不评估真实交易性能。合成环境中的用户交互、市场模拟和工具调用都经过简化，无法反映真实金融场景的噪声、延迟和意外失败。因此，InKH 在实际部署时的鲁棒性、对真实市场波动的适应能力和用户预期管理仍需通过现场试验验证，这是该架构从研究到生产的关键鸿沟。
• InKH 的设计高度耦合金融领域的特定认知模式（如多轮风险偏好、持仓上下文），其被动知识注入和时间图结构可能在其他领域（如医疗或法律）中需大幅调整。论文未探讨架构的跨领域泛化能力，仅聚焦金融任务，限制了其作为通用记忆框架的潜力。此外，系统依赖预定义的事件 Schema，对动态拓展新事件类型的灵活性未加讨论。
• 基线对比仅限于 agent-driven wiki-walk memory 和 no-invalidation 变体，缺少与最新记忆增强范式（如 MemGPT 的无限上下文、反思式记忆 MetaGPT 等）的比较。同时，未对背景提取、成熟度/衰减、写时失效等关键机制进行消融研究，难以区分各模块的贡献，也无法判断性能提升主要来源于整体架构还是单一创新点。