吸收复杂性：面向金融LLM智能体的交互原生知识测试架

金融人工智能代理经常失败的原因很简单：它们让用户承受复杂性。用户必须反复重申目标、风险偏好、投资组合背景、过去的判断和不断变化的市场假设，而代理则回答、检索、行动和忘记。在金融领域，这不仅仅是不方便。在市场分析、跟单交易审查和交易准备等任务中，忘记上下文和过时的内存可能会造成延迟、重复错误、可审计性弱和不安全的决策。我们提出了交互原生知识工具（InKH），这是一种金融 LLM 代理的架构，可以将复杂性吸收到系统中。 InKH 将用户、市场、投资组合和工具事件转换为结构化的运营知识。它使用被动知识注入在主模型步骤之前组装有界工作上下文缓冲区、用于低延迟检索的时间图内存、用于人类可读治理的 wiki 审计表面，以及具有成熟度、衰减和写入时失效的背景提取。我们在可重复的受控合成基准上评估 InKH，其中包含 24 个随机种子、4 轮、每轮 80 个片段和 6 个基线，产生 46,080 个基线条件评估。 InKH 在 900 毫秒延迟下实现了 0.815 的平均任务质量。与代理驱动的 wiki-walk 内存相比，它减少了 82.95% 的延迟，减少了 82.29% 的词元成本，减少了 96.58% 的过时知识使用，同时将质量提高了 0.108，可追溯性提高了 0.461。与没有失效的时间图系统相比，在服务成本相当的情况下，它的质量提高了 0.050，陈旧内存使用量减少了 96.58%。结果支持了金融人工智能的设计论点：当复杂性被系统吸收而不是转移给用户时，就会被采用。该基准测试验证架构级行为，而不是实时交易性能。