多智能体财务咨询中的检索增强生成与确定性税收计算：一项2×2因子实验

税收损失收割（tax-loss harvesting）对长期投资组合增长显示出一致的收益；然而，高效实施它往往涉及与组合内持仓及持有人个体相关的复杂考量。我们引入一个定制的资本利得计算引擎和一个RAG检索的市场咨询报告向量库，为多智能体交易推荐系统提供上下文。我们考察每个上下文提供者对推荐质量的影响，以投资组合清算时产生的相对资本利得来衡量。2×2重复测量方差分析显示税收优化引擎有显著主效应（F(1,29)=9.17，p=.005，η²p=.240）：启用该引擎使相对无引擎条件的税收节省减少了约55个百分点。RAG主效应不显著（p=.841），交互作用也不显著（p=.553）。仅RAG条件取得了最高的描述性平均税收节省（47.7%），基线条件次之（30.6%），这表明预训练语言模型内化的金融知识可能足以做出胜任的税收损失收割建议，而无需显式工具。这些结果表明，用领域特定计算引擎增强LLM智能体并不能保证性能提升，并可能引入相互冲突的优化信号。