破除虚假对立：受监管行业 AI 落地的四大现实约束
在金融、财富管理与保险等强监管领域，工作流程既需要极高的可靠性（Reliability）以满足合规审计标准，又需要充分的智能化（Intelligence）来应对现实业务中的非结构化模糊性。许多人误以为这两者是不可调和的矛盾体，但真正的关键在于工程架构上如何界定两者的边界。
Perpetual 作为一家通过并购传统资产管理公司并通过 AI 提升生产力与利润率的机构，在将人工智能深度嵌入生产系统的过程中，提炼出了金融资产管理业务必须面对的四大核心特征：
- 业务高度复杂且具备动态性：真实流程无法提前静态写死所有分支，需要根据运行时上下文动态生成策略；
- 数据严格保密：金融敏感数据要求系统架构必须支持平滑迁移至完全私有化部署的模型（Private-Hosted Models）；
- 合规与法律责任沉重：在严监管环境下，违规不仅是一份报错日志，而是伴随严厉的法律制裁与财务后果；
- 执行必须兼具高确定性与可追溯性：关键控制流与副作用必须是绝对确定性的。
当前大型模型实验室的主流论调往往是“燃烧更多 Token、赋予 Agent 更多自主权”，但在金融等垂直行业，Token 最大化是一个虚假目标。最聪明的系统设计应当是最小化使用模型智能：构建以确定性状态机为骨架的基础系统，仅在真正需要非结构化判断的极少数节点审慎地引入模型。
英文原文
你好，我是卡尔蒂克。技术总监永久。在此演示文稿 I 我会告诉你关于创造可靠的以及知识分子工作流程财务、管理资本和保险。在受管制区域工作流程有足够了可靠，因此回答规范标准和与此同时相当知识分子，在……工作实际情况，例如：这里是金融领域资产管理。这造成了两者技术问题所以问题就在这里。遵守监管要求。可靠性和智力并非相反的事物。只有你才能决定。界限在哪里他们，这就是这件事的意义所在。对话——关于确定位置这条边界线就在这里。为了这对我们来说并不容易。一个思想实验，以及这个问题后果严重。Perpetual 是一家拥有资产管理发展通过吸收。我们我们收购现有产品传统公司资产管理并最大限度地发挥生产力和利润借助人工智能。资产管理——它是可调节的行业，而这正是我们所处的领域。我们正在将人工智能应用于真正的工作。一切这段对话基于发展考虑到这些因素限制。工人金融和流程资产管理有四个功能，以及每个功能他们中的一些人指导一种建筑方向。首先，它们很复杂，需要策略以模式执行实时地，发展程度过程。你不能提前把每个步骤都写下来。其次，数据因此属于机密。你需要一种方法完全转会这些过程私人托管模型。第三，在严格监管违规区域政治——它不是只是一份关于……的报告错误。这有后果严重。因此，第四，执行必须极其可靠并且是确定性的。增加智能只有在它真正所在的地方需要判断在执行过程中，以及最小化对 LLM 的依赖在其他情况下。人工智能传播受监管行业但还没到那儿。共识建筑，提供高可靠性最低限度使用 LLM 智能。蒂姆有时来自开发人员大型实验室大多听到差不多就是这样燃烧更多代币。但在受监管行业代币最大化这是一个虚假的目标。这些任务接近主要的。你可以提前计划好它们并以此为基础进行建设巨型汽车各州，哪个你只需要一点点智慧导航。多数简单步骤跟随下一个节点。仅在少数地方决策该模型选择开发选项事件。真聪明发展方法是使用最低智力而且是故意的。
从一句话看现实复杂性：W-9 表格背后的不确定性陷阱
为了理解真实业务的严苛挑战，可以参考财富管理中的一个典型日常场景：理财顾问对其助理随口交代一句——“请帮我填写哈珀先生（Mr. Harper）的 IRS W-9 表格（美国国税局纳税人识别号与证明表格）”。
表面上看，这是一条极其简单的日常指令，但当真实的人类助理介入执行时，背后牵涉的隐性复杂度会迅速爆发：
- 获取最新模板：助理需要从企业档案库或 IRS 官网精准定位并下载最新的合规 W-9 模版；
- 消除实体歧义：助理登录内部会计与客户管理系统检索“Harper”，发现系统中存在三个不同的“Harper”家族客户。此时助理必须回溯并向顾问确认究竟是哪一位客户；
- 跨系统数据拼接：确定客户后，助理需要调取该客户的税务档案与历史签署记录，提取地址、社会安全号（SSN）或雇主识别号（EIN），并逐一比对格式；
- 人工审批与外发：生成填写完毕的 PDF 文档并起草外发邮件，但在任何内容发送给客户前，必须经过严格合规审核；
- 异步状态轮询与催办：发送电子签名链接后，若客户在一到两天内未签署，助理需要按策略发送提醒；
- 归档与审计闭环：完成签署后，文档归档入库，触发内部确认通知，并在次日早会上向顾问汇报最终状态。
短短一句话的指令，在现实中演变为跨越数天、交互多个孤立系统、依赖双向确认的复杂长周期流程。目前市面上的自动化工具往往两头受挫：硬编码的传统流程图无法处理非结构化歧义与动态意外；而完全由自主 Agent 驱动的设计，则因为黑盒与幻觉风险，根本无法通过合规团队的审批。
英文原文
让我们加强这是一个例子实际工作管理流程资产。金融的顾问转向他助手说一个短语：“填写表格”先生的 IRSW-9 表格《哈珀斯》”。对于一个人这是一条简单的指导原则。看看这是什么。实际上发射，当一个人开始执行它。它这项任务有困难之处远远超出什么的局限性似乎是第一个看法。第一的助理发现记录中的 W-9 表格公司或美国国税局网站。然后他们寻找先生。哈珀在体制内会计和查找三户人家哈珀斯。所以他们致电顾问：“哪位哈珀？”“如何明白了它的意思，意思相同，以及数字本身。作为仅表格它已装满。已发送至电子签名。如果客户不标志一两天，助理提醒又是他。后他们正在签约他们提交了一份文件对于客户而言，发送确认和更新信息顾问下一个每日会议。一句话来自一位顾问变成持续过程几天，涵盖数天系统，等待两个人们反复返回开始。看，这里面隐藏着什么？一句话。不确定性必须消除。采集数据。协议以天为单位修订周期固定证据基础在最后。工具自动化工作流程存在，但它们很少应对这种复杂性和歧义现实世界。固定流程图第一次尝试就失败了同样的障碍，但是缺乏可靠的会计系统整合与能够即兴发挥，是究竟什么不能批准合规性团队。一种方法崩溃不确定，另一个是不可能的批准不他们并没有决定这里面隐藏着什么？短语。那么，我们该如何处理这件事呢？该如何处理这个？时髦这种方法更机构和最佳模型。委托代理人完成所有任务等到下一个该模型将会成功可靠的。反射答案，尤其是在受监管公司，—对面的。较少的机构，更多规则。全部块和严格规定方方面面。两个都选项均为错误。
核心分工原则：确定性控制流与模型语义评估
解决这一困境的答案并非走向“全盘自主 Agent”或“死板硬编码规则”这两个极端，而是基于清晰的工程隔离原则：
- 确定性系统（Determinism）：全权掌控流程控制流（Control Flow）、副作用（Side Effects，如发送邮件、调用电子签署、写入数据库）以及审计证据链（Evidence Base）。系统明确知晓每一步状态转移逻辑，任何真实世界的副作用操作都必须受到严格审计与生命周期监管；
- 人工智能（Intelligence）：仅负责语义解释（Interpretation）与状态评估（Evaluation）。例如解析人类模糊的口头指令、从凌乱的文档中提取关键字段、评估客户回信是否完整回答了问题。
在这种架构下，模型永远不直接触发业务副作用。模型返回的结果经过确定性系统的裁判逻辑（Judge），若发现不确定性或缺少信息，确定性系统会递归生成局部的受控子计划（Bounded Sub-plan），或强制触发人机协同断点。
英文原文
在受监管行业可靠性取决于你从哪里在两者之间画一条线他们。各部分之间，应该是什么确定性的，以及那些才是真正的需要做出判断。就是这样。原则。决定论控制流量管理、证据以及副作用效果。什么进一步推进，我们知道该怎么做。我们知道的一切改变世界，就像录制好的录音已发送邮件或填写完整的表格。情报提供解释和评估。阅读模糊的说明，选择助理，理解客户反馈模型响应问题，以及确定性系统判定与此有关答案——以及这个互动是递归。判断力可以打开一个新的，一个较小的计划重新编译，有限且变得确定性的。你你马上就会看到了。以身作则采取进一步行动。限制他们之间——仅此而已。设计。事情就是这样。
语义图编译与强类型契约：防止模型越界的引擎架构
在 Perpetual 构建的工作流引擎内部，业务请求的处理被严格划分为语义解析与静态编译两大阶段：
- 语义图生成（Semantic Graph）：当输入自然语言请求时，规划模型（Planner）唯一的职责是进行语义广播，将指令转化为一张包含意图、实体、事实、制品、事件与约束的语义图（Semantic Graph）。图中的每个节点必须保留溯源指针，映射回用户输入的原始文本词句；
- 确定性编译器（Deterministic Compiler）：语义图输入给完全确定性的编译器，该编译器内部绝不调用任何模型。编译器通过 11 个确定性检查阶段将语义图转化为不可变的执行计划，并计算出唯一哈希值（Hash）。编译器只给出三种裁决：有效（Valid）、需澄清（Requires Clarification） 或 拒绝（Rejected）；
- 封闭域行动契约（Action Contracts）：系统预定义了 42 种强类型的行动契约（涵盖表格、文件、电子邮件、签名请求、日历以及人工介入环节等），并在引擎核心、后端和前端完全同步。模型只能请求契约库中已批准的安全动作，一旦规划器请求了语法字典之外的未定义动作，编译器会立即抛出安全错误（预置了约 40 种安全失败分支）；
- 语法自动补全与确定性插桩：针对计划中的副作用（如起草邮件、生成 PDF、等待客户回执），编译器会依据合规合同自动在流程图中插入审计与质检节点（如虚线标注的验证与评估步骤）。这些节点并非来自 LLM 的自由提示，而是语法契约强制要求生成的控制流。
英文原文
在发动机中工作工作流程，我们创造的。请求已收到规划师。它模型调用及其唯一的任务——广播。她生成一个类型语义图意图、本质、事实、文物、事件和限制其中每一方基于词语请求所有成立歧义。每个节点指的是回溯他所说的话源自。这张图表落入编译器，它从不导致模型。11 确定性舞台将图转换为实施计划或被阻止错误。只有三个判决：有效，需要澄清或被拒绝。选择助手返回为问题，而不是方法假设。计划是编译，不变的被他固定哈希。模型执行翻译。计划正在制定中。编译器检查计划一致性语法和允许的字典为了采取行动。42 种类型行动契约：表格、文件、电子邮件，电子邮件签名、日历和人类发育阶段。每个所请求的行动规划师，有回答合同。这里填写表格找到自己的合同和固定的。如果策划者问道不属于以下情况的行为语法，或设置好它错误的，编译器拒绝它是。大约有 40 个安全的方法失败：来自循环图表不支持的操作。同一个合同摘要固定在发动机内，后端和界面用户。所以，这三个组成部分理解相同该行为的意义。那给你一个封闭的领域。该模型可以只问这一点公司已知的信息注意安全。这里编制计划申请 W-9 表格。发送给客户表格，等待返回，检查一下。节省。前某些事情即将开始，对方表示同意。计划本身。寻找表格，准备它填充客户，生成 PDF 文件起草信。起草选秀是一项挑战模型，所以它紫色高亮部分。发送是行动检查点。任何东西都不会离开公司。直到一个人批准此具体字母。然后计划就此搁置回答，并在过程中法官介入了她的案件。评估。已收到表格正在审核中。如果匹配，它正在被存档。通过另一个网关。否则，计划启动。多次上诉。现在来看……虚线步骤。PDF 生成，文件附件，响应评估。计划者从不我没问他们。语法添加了它们，因为他们要求这样做合同。在此等待的故事批准和重复请求占据了更大的空间工作的一部分。这里它们是计划中的节点，而不是提示。
人在回路与副作用隔离：哈希校验与异步状态机
在真实执行阶段，引擎由确定性状态机严格调度，确保合规与安全边界万无一失：
- 超时与降级策略由确定性规则裁决：异步等待响应（如等待客户回传表格）默认设置了 72 小时的超时窗口（支持配置为数分钟至 30 天）。一旦超时触发，决策流由预设的确定性合规规则驱动，而非交由模型随机发挥；
- 内容哈希绑定与人工审批闸口：对于任何外发动作（如邮件发送或电子签章），系统设立了强制性的行动检查点（Action Checkpoints）。人工批准时，审批动作会与外发内容的具体数据哈希强绑定，在真实发出的最后一毫秒对哈希进行再次验证，确保内容绝无篡改或未审先发；
- 局部裁决与子计划迭代：当客户只回传了部分材料时，评估裁判会将该步骤标记为“部分完成”并进入阻塞状态，等待人工确认。确认后系统才会派生出受控的子计划进行补全，父级已固化的批准链条绝对不受影响（最多支持 5 轮受控重试）；
- 副作用生命周期管理：所有与外部现实环境交互的副作用都具备独立的状态生命周期（准备、已发送、已成功、未知需人工介入）。若外部接口异常，系统绝不进行不可控的自动重试，而是由人工接入检查。
英文原文
等待回复默认情况下持续 72 小时，该术语可以来自几分钟到 30 天。当时间耗尽时，做出决定这是一条规则，而不是一个模型。一项批准涵盖该计划，以及每个外部行动，例如寄信或签名请求已提交您的入口。赞同哈希边界具体内容并已核实紧接之前正在发送。什么时候客户回应仅部分调查，法官答案表明将其视为部分。它该决定为初步决定。这一步骤仍然有效。阻塞直到这个人不是我会确认一下。此人确认后，步骤已解锁。然后重复查询的执行方式如下：新子公司计划。得到正式认可的父元素从未改变，最多有五个回合。计划获得批准。执行自动各州。他选择了每一步和记录所有结果。什么时候该步骤需要进行评估。他提出了一个请求按照既定时间表模型。写一封信，评估答案。找出缺失的那些价值，提取字段，检查文档。回应返回打字，并且状态机决定如何处置她做。副作用其影响自有其特点。生命周期。准备好了，已发送，完成成功，或者，如果世界没有回应显然，结果未知且需要人工检查。自动的重试不。消息聊天可以批准步骤或答案回答这个问题。它不是已经可以改变了方案已获批准。该模型指南，但是从未成功过程。
95% 任务下放小型私有模型：低成本与私有化的落地演进
在明确了确定性状态机的核心地位后，分配给大模型的任务被大幅降维为微小的、类型化的具体判定任务（例如：“该字段提取是否完整？”、“附件格式是否正确？”）。
通过在实际生产系统中的监控统计：
- 在典型的 20 个决策周期中，有 19 个完全可以由轻量、快速的小型模型（如 Flash 级别模型）高效处理；
- 全流程中约 95% 的模型判断 根本不需要昂贵、笨重的前沿大模型；
- 只有不到 5% 极其复杂的边缘案例才需要路由到最先进的模型。
更关键的是，这 5% 的复杂长尾比例并非固定不变。系统在运行过程中对每一次打字、提取、决策以及人类审核员的确认与驳回动作都进行了完整的评估日志采集。这些生产级别的真实数据构成了高质量的微调训练集。通过持续的闭环迭代训练，剩余的疑难案例逐步被蒸馏并沉淀至轻量模型中。
这种设计使得受监管机构对私有化托管模型（Private-Hosted Models）的诉求成为现实：原本需要调用云端前沿大模型的任务，通过配置切换一行配置，即可平滑切换至本地私有部署的小模型，无需推倒重构任何业务代码。
核心结论：在受监管行业构建智能系统，不要问系统应该拥有更多还是更少的自主权，而要问限制与边界划在何处。让确定性统领控制流、证据链与副作用；让模型智能负责解释与判断；并在标准化的检查点上记录每一次决策，让系统随着运行越来越可控、越来越高效。
英文原文
现在瞧瞧什么待办事项模型。外部规划师判断是小的，典型化。这是什么？答案完整吗？或者这个合适。文档？这是哪个领域？哪一个？他们不需要它。高级智能。快速小型模型，闪光灯级别，或许可以应对它们。在本次演示 20 项决策周期 19 跌倒在水平线上闪光灯和一——开启先进的。这就是原因我们计算得出约 95% 的解决方案职场中的模特过程并非如此需要高级模型。闪光级别可以从事你使用的设备你掌控一切。仅有的非常复杂病例传播高级型号。和这 5% 并非恒定不变。因为要交税。每一次审判打字、录音、以及之前的那些已确认或被男人拒绝。每一个高级自行决定结构创建估计分布和真实数据教学。这些数据可以进一步研究闪光级别。日志记录评估方法已经存在。今天。循环培训——下一步步。所以，分数高级型号随着每次递减释放，直到甚至疑难案件并非将开始处理本地。你是否记得？我们提出的要求开始了？因为数据保密，你需要一种方法完全转会工作流程私立法学硕士课程。所以，这可以吗？这个设计真是太棒了达到？我们来谈谈一个打字员哈珀计划的请求波旁威士忌 9. 每一次挑战小型号，打字和已检查方案。前设置私人托管模型正在改变配置，而不是代码重写。一行变化，以及同一个返回回应。其他所有请求具有以下特点：最小的典型形式。因此，同样变更已应用几乎所有人。这里大约 95% 本地输出变得可行作为建筑结果，而不是作为政治承诺。这是通往……的道路要求机密数据，以及合规风险要求降低作为工程计划发布接连不断。所以，如果你记住一件事，不要问是否您的系统应该拥有更多或更少自治。问问它去了哪里限制。让决定论支配着一切控制流，证据和副作用。让理智负责解释和判断。在典型点您可以查看并使用每一个决定注册下次不再那么需要它们了。问问它去了哪里限制。谢谢。我是卡尔蒂克，技术总监永久。如果你在以下方面实施人工智能受监管区域，我会很高兴交流经验。