用GPT-4跑一份财报分析，账单能买两杯精品咖啡。但真正的痛点不是钱——是当你把十万块仓位押在一个"可能幻觉"的数字上时，那种后背发凉的感觉。
hallucination（幻觉）在财务场景里不是理论风险。2024年某券商内部测试显示，通用大模型在处理多表合并计算时，小数点漂移率高达12%。这不是模型笨，是单一代理天生缺乏校验机制。
Google ADK（Agent Development Kit，代理开发套件）的解法很产品经理：别造一个全能神，造一个能互相挑刺的委员会。
三层验证架构：从"信我"到"验我"
Financial Research Agent的核心设计，是把传统投研流程拆成三个专职代理。
数据抓取代理只干一件事：从SEC EDGAR、Yahoo Finance等公开接口拉原始数据，输出结构化JSON。它不做判断，甚至不"理解"这些数据——就像交易所的行情员，只负责报数，不负责解读。
计算代理接过JSON，执行比率分析、DCF建模、同业对比。这里用了OpenRouter接入的免费模型层（DeepSeek、Qwen等），关键约束是：所有计算必须展示中间步骤，接受审计。
复核代理是最后的闸门。它拿不到原始数据，只能看到计算代理的输出，任务是反向验证逻辑一致性。比如毛利率突然跳涨20%，它会标记"请确认收入确认政策变更"——这种设计逼着前两个代理不能偷懒。
三层之间用ADK的会话状态（session state）传递数据，W&B Weave（Weights & Biases的LLM可观测性工具）记录完整调用链。哪一步出幻觉，追溯成本从"黑箱猜谜"变成"看监控回放"。
零订阅成本的实现路径
整个技术栈的月度账单理论上可以归零。
Google ADK本身是开源框架；OpenRouter聚合了多家模型的免费 tier，包括DeepSeek-V2.5、Qwen2.5-72B等足以处理财务分析的开源模型；W&B Weave的免费额度覆盖个人项目的全量追踪需求。GitHub仓库FinancialResearchAgent里，作者甚至写好了Docker Compose一键启动。
但这套系统的真正成本藏在别处：代理协作的延迟。
单次查询要经历"抓取→计算→复核"三跳，冷启动时延可能突破30秒。作者的对策是异步工作流设计——用户提交分析请求后，系统通过Webhook推送结果，而非阻塞等待。这对专业用户是可接受的：真正的投研本来就不是秒级决策。
从"AI用户"到"系统架构师"的门槛
项目文档里有个诚实的标注："deliberately incomplete（故意未完成）"。
作者的目标读者不是找现成工具的人，是想理解多代理系统如何设计的人。代码里留了大量TODO：实时数据接入、多货币支持、合规报告模板。这些缺口恰恰是学习入口——你得自己决定，复核代理应该用规则引擎还是再挂一个大模型，状态存储用内存字典还是Redis。
这种设计哲学和LangChain、CrewAI等框架形成微妙差异。ADK更强调"代理即服务"的编排，而非预制工作流。换句话说，它给的是乐高基础块，不是成品模型。
一个值得跟踪的细节：W&B Weave的追踪数据显示，三层代理架构下，数值类幻觉的拦截率相比单代理提升了多少？作者在GitHub Issue里提到正在整理对比数据，但截至发稿尚未发布。
如果你现在就想动手，最省力的起点是fork仓库，把OpenRouter的API key换成自己的，然后让复核代理去挑第一份真实财报的毛病——它大概率能找到你肉眼忽略的矛盾。
热门跟贴