合规与智能的边界：金融领域的双重挑战

在受监管的行业如金融、财富管理和保险中，工作流设计面临着一项核心矛盾：既要满足严格的合规标准以确保可靠性，又要具备足够的智能以应对现实世界的复杂性。可靠性和智能化并非对立面，关键在于如何划定两者之间的边界。Perpetual 作为一家通过收购传统财富管理公司并整合的财富管理机构，其核心目标是在受监管的环境中利用 AI 最大化 throughput（吞吐量）和收入。这要求所有技术构建必须基于严格的约束条件，而非单纯的实验性探索。

"Reliability and intelligence are not opposites. It is up to you where you draw the boundary between them... deciding where that boundary lies."（可靠性和智能化并非对立面。由你来决定两者之间的边界所在……这正是本次演讲的核心：确定这条界线在哪里。）

这种设计不仅仅是理论探讨，而是直接关系到严重的后果。在财富管理中，每一个决策点都承载着合规风险。因此，架构设计必须明确区分哪些部分需要确定性执行，哪些部分真正需要智能判断。这种边界意识是构建生产级 AI 应用的基础，也是区别于普通开发者追求 token 消耗量的关键所在。

工作流的四大事实与架构导向

金融和财富管理领域的工作流具有四个显著特征，这些特征共同推动着技术架构向特定方向演进。首先，工作流具有高度复杂性且需要运行时策略。由于无法预先脚本化所有路径，系统必须具备在过程展开时动态调整的能力。其次，数据敏感性要求私有化部署。为了保障数据安全，工作流必须能够完全迁移至私有的模型环境中运行。

第三，在高度监管的行业里，政策违规不是普通的 bug 报告。它意味着严重的法律和商业后果。因此，第四点要求执行必须高度可靠且确定性强。这意味着我们只能在真正需要运行时判断的地方注入智能，而在其他所有地方尽量减少对大型语言模型（LLM）的依赖。大多数开发者听到的建议是如何消耗更多 token，但在受监管行业中，最大化 token 使用量是错误的目标。任务可以预先规划并构建为巨大的状态机，该机器只需少量的智能来导航路径。

"In a highly regulated industry, a policy violation isn't a bug report. It has severe consequences."（在高度监管的行业里，政策违规不是bug报告。它具有严重的后果。）

大多数步骤只需遵循下一个边缘路径，只有在少数判断点模型才选择分支。因此，智能的方式是少用且有用地运用智能。这种架构理念旨在通过最小化 LLM 的使用来实现高可靠性，同时保留必要的灵活性以处理现实世界的模糊性。

案例解析：IRS W9 表单填写的复杂性

以财富顾问的一句简单指令“为 Harper 先生填写 IRS W9”为例，看似简单的任务背后隐藏着巨大的复杂性。助手首先从公司记录或 IRS 网站找到 W9 表格，然后在系统中查找 Harper，却发现了三个 Harper 家庭。歧义的解决需要人工介入：助手必须打电话给顾问确认具体指代哪一个 Harper。这一过程在任务的第一分钟内就包含了查找、歧义处理和人工循环。

填写表单并非简单的数据录入，而是一个小型程序。W9 首先确定纳税人身份（个人或实体所有者），如果是外国人则停止并转向 W8。接着决定税务处理方式，例如 LLC 添加字母以区分第一行和第二行的名称。数据来源必须来自验证过的文档而非记忆，SSN 或 EIN 二选一。豁免代码仅适用于某些实体且绝不适用于 S 公司。

"One sentence from the adviser became a process that runs for days, crosses several systems, waits on two people, and loops back on itself more than once."（顾问的一句话变成了一个持续数天的流程，跨越多个系统，等待两个人的响应，并多次自我循环。）

当发现记录缺失三个值时，助手启动邮件线程向客户请求。此时工作流进入等待状态，依赖外部人的时间表。如果两天内未回复，助手将在每日站会上向顾问汇报。这种对时间、人员和证据链的依赖，展示了传统工作流自动化工具无法处理的现实世界复杂性。固定的流程图会在歧义处崩溃，而缺乏原生系统记录集成的代理则无法通过合规团队的审核。

确定性控制与智能判断的递归边界

解决上述问题的关键不在于增加代理能力或改进模型，而在于重新定义确定性与智能的边界。原则是：确定性控制流程、证据和副作用（即下一步运行什么、我们知道什么以及如何知道）。任何改变现实的操作，如写入记录、发送邮件或提交表单，都必须由确定性系统执行。相反，智能提供解释和判断，如阅读模糊指令、决定哪个 Harper 是目标或理解客户回复。

这种交互是递归的：一个判断可能开启一个新的、较小的计划，该计划随后被编译为 gated（门控）和确定性的流程。例如，在跟进缺失数据时，模型判断需要发送提醒，但具体的邮件内容、等待时间和后续步骤则由确定性逻辑控制。这种架构避免了“给代理整个任务并等待下一个模型使其可靠”的时尚框架，也拒绝了“更少代理、更多规则”的反向极端。

"Determinism governs control flow, evidence, and side effects... And anything that changes the world, like a record written, an email sent, or a form filed"（确定性控制流程、证据和副作用……以及任何改变世界的事情，比如写入记录、发送邮件或提交表单）

在 Perpetual 构建的工作流引擎中，这种边界设计使得系统既能处理模糊性（通过智能判断），又能保证合规性和可追溯性（通过确定性执行）。这种混合架构是受监管垂直领域实现高可靠性与适度智能化平衡的唯一可行路径。

从语义图到编译器的闭环控制

该系统的核心在于将自然语言请求转化为类型化的语义图。Planner（规划器）仅负责翻译，提取意图、实体、事实及约束条件，并将每个节点与原始文本关联以消除歧义。随后，该图进入一个11 阶段的确定性编译器。这个编译器不调用任何模型，而是依据预定义的语法进行编译。其结果只有三种：有效、需要澄清或被拒绝。“The plan is compiled immutable and pinned by its hash.”（计划被编译为不可变状态并通过哈希固定）。这种设计确保了流程的透明性和可追溯性，任何模糊或不确定的环节都会以提问形式返回给用户，而非由模型猜测。

42 种动作契约与封闭域安全边界

编译器严格检查计划是否符合公司的“语法”，即公司允许执行的操作集合。系统定义了 42 种类型化的动作契约，涵盖表单、文档、邮件、电子签名、日历及人工步骤。Planner 请求的任何动作必须匹配现有契约，否则编译器会拒绝执行。“There are about 40 ways to fail closed from a cycle in the graph to an unsupported action.”（从图中的循环到不支持的动作，约有 40 种失败关闭的方式）。这种封闭域设计确保了模型只能请求公司已知且能安全执行的操作。引擎、后端和 UI 共享相同的契约摘要，保证三方对动作含义的一致理解。“That is what a closed domain buys you.”（这就是封闭域带来的价值）。

W9 表格追踪案例：人工审批与状态机驱动

以“W9 表格追讨”为例，编译后的计划包括发送表单、等待回复、检查及归档。在运行前，人工必须批准整个计划。邮件草稿由模型生成（标记为 violet），但发送动作受控于人工审批门。只有当人确认并批准特定哈希值的邮件内容后，数据才会发出。若客户回复不完整，“Reply Judge”会标记为部分完成并阻塞步骤，直到人工确认。“One approval covers the plan and every external action... has its own gate.”（一个批准涵盖整个计划，每个外部动作都有自己的门）。等待和后续跟进由规则引擎处理（如默认 72 小时超时），而非模型决策。状态机记录每一步的结果，侧效应有明确的生命周期（准备、分发、成功或未知），且没有自动重试机制，确保人工介入的必要性。

95% 本地推理与模型分层策略

系统架构将决策分为两类：大部分简单判断（如回复完整性、字段提取）由Flash Tier 小模型处理，仅极少数复杂判断（约 5%）需要调用前沿大模型。“In this illustrative run of 20 decisions, 19 go to the flash tier and one goes to the frontier.”（在 20 次决策的示例中，19 次进入 Flash Tier，仅 1 次进入前沿模型）。这种设计使得约 95% 的推理可在私有硬件上运行，满足数据敏感性和合规要求。所有判断均为类型化且记录在案，人工确认的 provisional 决策可转化为训练数据用于微调 Flash Tier。“The training loop is next. So the frontier share shrinks release over release until even the hard cases run locally.”（训练循环是下一步。因此，前沿模型的使用比例逐版本减少，直到即使是困难案例也能在本地运行）。最终目标是实现“Let determinism govern control flow, evidence, and side effects. Let intelligence handle interpretation and judgment.”（让确定性控制流程、证据和副作用，让智能处理解释和判断）。

结论

该架构通过严格划定确定性控制与智能判断的边界，证明了在金融合规领域可实现高可靠性与适度智能化的平衡。核心优势在于利用11阶段确定性编译器、42种动作契约及封闭域设计，确保流程透明可追溯并规避合规风险；同时通过95%本地推理与模型分层策略，在满足数据隐私要求的同时优化成本。其适用条件为高度监管场景及需人工审批的关键节点，短板在于对复杂歧义仍依赖人工介入且无自动重试机制。该方案并非追求全自动化，而是以最小化LLM调用换取确定性执行，为受监管行业提供了可落地的工程范式。