← Каталог

· Apsara Conference 2026 · 云栖大会

Финансовые AI agents корпоративного уровня в E Fund: практика и выводы

Часть записи Саммит по практике корпоративных Agent с 1:42:09

В E Fund, по словам спикера, надёжность финансового агента держится на инженерной обвязке, а не на сильной модели: данные, кэш, малая модель и контроль skills.

  • Точность источников важнее ума модели — для аналитиков решают точность и происхождение информации, а не то, насколько умна модель. Без проверяемых источников результат в работе не используют.
  • Кэш под повторяющиеся запросы — около половины пользователей задают похожие вопросы о рынке и утренних обзорах. По словам спикера, кэш заметно снизил задержку и стоимость.
  • Малая модель под финансовый контекст — Qwen 4B дообучили на ответах внешней модели-учителя внутри контура, где данные не покидают периметр. Общая модель не знает, что многие названия относятся к публичным компаниям, и дообучение, по словам спикера, заметно повысило точность системы.
  • Отбор skills после запуска — за первые две-три недели смотрят на использование, дубли и слабые skills убирают. Иначе платформа быстро обрастает похожими инструментами.

Кому полезно: тем, кто выводит агентов в регулируемой отрасли, где данные должны оставаться в своём контуре, а от системы ждут доступности уровня 99,99%.

Статья по теме

На какие вопросы отвечает доклад

  • Как снизить задержку и стоимость агента, если пользователи задают похожие вопросы?

    Команда использует кэширование KV cache на уровне harness. По словам спикера, около половины запросов похожи, например, про состояние рынка или утренние обзоры, и кэш заметно снизил задержку и стоимость.

    ▶ 12:35Корпоративная платформа и расходы на вычисления
  • Как дать агенту знание финансовой терминологии, если данные нельзя отправлять во внешние модели?

    Внутри контура дообучили небольшую открытую модель Qwen 4B как студента на ответах внешней модели-учителя. По словам спикера, точность всей системы на финансовых задачах заметно выросла, а обучение обходится недорого.

    ▶ 15:45Управление данными и взаимодействие моделей
  • Как заставить данные компании стать пригодными для AI-агентов?

    Агент используется как драйвер очистки данных: без реального использования нет ни мотивации, ни тестовых наборов. Поэтому data governance стала стратегическим проектом компании.

    ▶ 15:45Управление данными и взаимодействие моделей
  • Как сделать агентную систему стабильной, если в open source фреймворке много багов?

    Команда перешла на более стабильную версию фреймворка из сообщества, где багов стало заметно меньше. В финансах важнее нижняя граница надёжности, чем верхняя, и требуется четыре девятки доступности.

    ▶ 18:44Архитектура и надёжность для финансов
  • Как проверить безопасность корпоративного агента перед тем, как дать ему доступ к бизнес-процессам?

    Команда долго тестирует уязвимости, а бывшие алгоритмические инженеры переведены в роли специалистов по безопасности и тестированию. Ядро бизнеса пока остаётся в песочнице, потому что финансы выбирают надёжность, а не новизну.

    ▶ 22:27Корпоративная безопасность и контроль рисков
  • Как понять, какие skills агента стоит удалить, если пользователи создают дубли?

    После выпуска команда две-три недели следит за использованием skill. Низкое использование и дубли с более удачными аналогами становятся поводом убрать skill с платформы.

    ▶ 25:31Саморазвитие и управление skills

Главы

  1. 0:00Вызовы AI в финансах
  2. 4:45Применение AI в инвестиционных исследованиях
  3. 9:19Экспертиза и доверие в финансовых услугах
  4. 12:35Корпоративная платформа и расходы на вычисления
  5. 15:45Управление данными и взаимодействие моделей
  6. 18:44Архитектура и надёжность для финансов
  7. 20:34Skills сотрудников и корпоративная культура
  8. 22:27Корпоративная безопасность и контроль рисков
  9. 25:31Саморазвитие и управление skills

Похожие доклады