金融業的 AI Agent 實戰 — Kensho 怎麼用 LangGraph 做可信數據檢索

為什麼是 Kensho？

Kensho 是 S&P Global 旗下的金融 AI 公司，專門處理金融數據分析。他們面臨的問題很典型：客戶要查各種金融數據，但這些數據散落在不同系統裡，格式也不統一。更要命的是，金融業不能給錯資料 — 一個數字錯了可能就是幾千萬的損失。

傳統做法是建一堆 API，讓分析師自己組合查詢。但這樣效率很差，而且容易出錯。所以他們決定用 multi-agent 的方式，讓 AI 幫忙處理這些複雜的數據檢索流程。

LangGraph 的角色

LangGraph 是 LangChain 推出的框架，專門用來建構複雜的 AI workflow。跟單純的 chatbot 不同，LangGraph 可以讓你定義多個 Agent 之間的協作流程，每個 Agent 負責不同的任務。

Kensho 選它的原因很實際：金融數據檢索不是一個 Agent 能搞定的事。你需要一個 Agent 理解用戶問題，另一個 Agent 決定要查哪些數據源，還要有 Agent 負責驗證資料正確性。這種多步驟、有條件分支的流程，正是 LangGraph 的強項。

系統架構拆解

從他們公開的資料來看，整個系統大概分幾個層次：

Query Understanding Agent

第一關是理解用戶在問什麼。金融業的查詢通常很複雜，比如「幫我找 Apple 過去五年的 EBITDA，然後跟同業比較」。這個 Agent 要把自然語言拆解成結構化的查詢意圖。

Data Source Router

接著決定要去哪裡找資料。Kensho 有很多數據源：財報數據庫、市場數據、新聞資料等等。Router Agent 要根據查詢類型，選擇最合適的數據源組合。

Retrieval Agents

實際去撈資料的 Agent。每種數據源可能都有專門的 Agent，因為 API 格式、查詢語法都不一樣。這些 Agent 要懂得怎麼跟各種系統溝通。

Validation Agent

最關鍵的一環。金融數據不能有錯，所以需要專門的 Agent 來驗證結果。檢查數據完整性、時間範圍對不對、單位有沒有搞錯等等。

實際運作流程

假設用戶問：「Tesla 2023 年營收多少？」

1. Query Understanding Agent 解析出：要查 Tesla、2023 年、營收數據
2. Data Source Router 決定去財報數據庫查
3. Retrieval Agent 去 API 撈數據
4. Validation Agent 檢查資料：時間對不對、單位是不是美金、數字合不合理
5. 如果驗證失敗，可能觸發重新查詢或去其他數據源交叉驗證

整個流程是用 LangGraph 的 state machine 來控制，每個步驟都有明確的輸入輸出，也可以處理錯誤狀況。

為什麼不用單一 RAG？

很多人可能會想，這幹嘛搞這麼複雜，直接用 RAG 不行嗎？

老實說在金融業真的不行。RAG 適合處理非結構化的文件檢索，但金融數據大多是結構化的，而且需要實時更新。更重要的是，RAG 的黑盒子特性讓你很難確保資料正確性 — 你不知道它是從哪裡撈出來的數據，也不知道有沒有幻覺。

Kensho 的方式雖然複雜，但每一步都是可追蹤的。用戶可以看到資料來源，IT 部門可以監控每個 Agent 的表現，出問題也知道哪裡壞掉了。

技術挑戥與解法

最大的挑戰是 state management。多個 Agent 協作時，要確保狀態在不同 Agent 間正確傳遞。LangGraph 提供了 persistent state 機制，可以把中間結果存起來，也支援 parallel execution。

另一個問題是錯誤處理。金融數據 API 經常會有各種奇怪狀況：服務掛掉、資料延遲、格式改變等等。他們在每個 Agent 都加了 retry 機制，也設定了 fallback 策略。

實際效果

從他們分享的數據來看，這套系統讓數據檢索的準確率提升到 95% 以上，查詢速度也比傳統方式快了 60%。更重要的是，分析師不用再花時間搞懂各種 API，可以專心做分析工作。

給前端工程師的思考

這個案例讓我想到，AI Agent 的價值不在於取代人，而在於把複雜的 workflow 自動化。就像前端開發，你不會把所有邏輯塞在一個 component 裡，而是拆分成不同的模組，各司其職。

對我們來說，這種 multi-agent 的思維可以應用在很多地方：自動化測試、數據處理、甚至 UI 生成。關鍵是要想清楚每個步驟的責任邊界，然後用合適的工具把它們串起來。

LangGraph 雖然還很新，但這種 workflow orchestration 的需求會越來越多。值得關注一下。

<h2>延伸閱讀</h2> <ul> <li><a href="/blog/anatomy-of-agent-harness">拆解 Agent Harness — 你以為的 AI Agent 其實 90% 是 harness</a></li> <li><a href="/blog/how-we-monitor-internal-coding-agents-for-misalignment">How we monitor internal coding agents for misalignment</a></li> <li><a href="/blog/coding-agents-reshaping-epd">Coding Agent 正在改變工程、產品、設計的協作方式 — 但改變的不是你想的那個</a></li> </ul>