客户发邮件说要提取一笔 10 万美元现金交税，这事在财富管理公司里能断断续续拖上十天。刚拿到 4850 万美元融资的 AI 原生财富管理公司 Arca，选择把这十天的活交给 AI Agent 盯盘，但最后点下交易确认键的必须是人类顾问。10 月 31 日，Latent Space 发布了对 Arca 首席 AI 工程师 Aman Singh 的专访，拆解了这套跨日运转的金融系统。
这笔融资由 General Catalyst 领投，Index Ventures 与 Venrock 参投。早在 10 月 13 日的 AI Engineer NYC 大会上，Singh 就发表了题为《Inside Arca’s Long-Horizon Agents That Run the Business》的演讲，并在直播 2 小时 31 分 05 秒处抛出了那句原话：“agents prompt people more than people are prompting agents”。在他们公司，Agent 提示人多于人提示 Agent。
跨度十天的工作流靠什么撑住
很多人看到跨度十天的 Agent，第一反应是大模型在后台连续推理了十天十夜。这完全想岔了。
真实的财富管理业务受制于客户回邮件的速度、合规审批、托管行清算和资金划转，天然处于走走停停的碎片化状态。Arca 面对的不是连续烧算力的长工时，而是跨越多日等待外部响应的长跨度时长。模型不需要一直在线，但系统绝对不能失忆或越权。
为了应付这种高频中断，Arca 没有直接用现成的托管框架，而是自己手搓了一套底层的四件套架构，并以 Claude 为主力模型，配合内部基准测试在 Anthropic 和 OpenAI 等前沿模型之间自动路由：
- 持久记忆.为每位客户跨中断保留历史状态、待办事项、责任人，以及“禁售某持仓”这类严格约束与未竟义务。
- Agent 套件.提供工具与确定性安全护栏；计算虽然放进沙盒，但系统会把 Agent 写出的取数代码翻译成严格的预设格式后直接丢弃原代码，再对格式加装护栏，防范提示词注入并保护敏感数据。
- 信号与定时唤醒.靠外部邮件、托管行事件、转账或内部界面操作来激活休眠的 Agent，同时用定时唤醒去兜底那些迟迟没动静的缺失事件。
- 共享工作区.供人类顾问审查财务计划并批准具体操作，此外还有一个元 Agent 专门分析员工反馈和运行轨迹，用来反哺改进整套套件。
回到开头那个“客户提取现金交税”的多日案例。Agent 在后台跑完税务与持仓分析、拟好筹资方案，主动弹窗找人类顾问要批复；随后自己盯着客户的邮件回复，情况有变就重算方案，等时机成熟再把交易员和运营人员拉进工作流。
同样做金融 AI，为什么路线彻底分叉了
把视野拉宽一点看，金融 AI 赛道早就不是铁板一块。市场正在沿着“长工时”和“长跨度”裂成两条截然不同的路线。
一条路线以 Hebbia 和 Rogo 为代表，死磕的是高强度的单点脑力劳动。Hebbia 的金融服务基准测试覆盖了 600 多个工作流，核心是帮投行和买方做深度的多文档分析与可审查工作流；Rogo 则在今年 5 月 27 日发布了包含 928 个问题的 Big Finance Bench，又在 10 月 8 日把评估范围扩展到了金融数据集成与工具路由。它们要解决的是怎么让 AI 在几分钟到几小时内，把一份复杂的投研报告或财务模型算得更准。
Arca 走的是另一条路。它不卖软件给华尔街，而是自己下场做持牌的财富管理服务。我更在意的是这背后的商业算计：在财富管理行业，真正拖垮人效的往往不是算不出一个期权定价，而是同时伺候几百个客户时，谁忘了回复邮件、谁的税单还没催下来、哪个账户有禁售期限制。
用传统的软件工程状态机管住“烂尾和遗忘”，再用大模型处理非结构化的邮件和方案起草，这才是 Arca 拿 4850 万美元讲出来的真故事。不过有意思的是，尽管融资金额不小、口号也很响亮，但目前 Hacker News、Reddit 和 X 等主流开发者社区里几乎看不到围绕这套架构的公开热议，讨论基本还停留在行业会议和专业播客的小圈子里。
给“完成 90% 工作”泼一盆冷水
Singh 在演讲中给出了一个很诱人的数字：当 Agent 把人类拉进工作流时，它已经完成了约 90% 的工作。
这话听听就好，千万别直接写进采购报告里。因为这只是演讲者自己的运营体感描述，整场分享下来，Arca 并没有公布单次工作流的真实成本、Token 消耗量、系统延迟或端到端准确率的量化基准数据。
我对这类“AI 干完九成活、人类只需最后点个头”的叙事向来不太买账。《韩非子》里早讲过一句大实话，“闻言必责其用，观行必求其功”。放到金融风控场景里，半成品有时候比不干活更可怕。学术界最新的 FrontierFinance 基准测试，刚好给这种乐观情绪提供了一面冷酷的镜子。
FrontierFinance 包含 25 个复杂的金融建模任务，人类专家做完一个平均要花 18 个小时以上。在其中 10 个由专家严格打分的任务子集里，人类专家的平均量表得分为 77.2%，GPT-5.4 agent 拿到 70.9%，而 Opus 4.6 agent 只有 61.8%。更扎眼的是完全推倒重做率：人类专家交出的活只有 1/10 需要重做，GPT-5.4 有 2/10 需要推倒重来，到了 Opus 4.6，这个比例高达 6/10。
哪怕强如 GPT-5.4，面对复杂金融任务时依然有两成概率给你交出一份必须全盘重做的废稿。查别人代码里的隐蔽 Bug，往往比自己从头写还要费劲。
查 AI 的隐蔽错账，有时比自己从头算一遍更累。
FrontierFinance 的研究还顺手戳破了另一个评估盲区：哪怕给足了详细的评分标准，用大模型当裁判（LLM judge）依然会比人类专家系统性地高估 AI 的产出质量。这也是为什么 Arca 不敢完全指望自动化跑分，而是老老实实把内部员工的修改解释和反馈收集起来，转化成真实的评估材料。
- 风险.当 Agent 每次都把看似完美的“90% 方案”推到人类面前提示审批时，疲惫的人类顾问极易在高频点击中丧失警惕，退化成替 AI 错账背锅的合规橡皮图章。
账本算完，谁来签字
一百多年前电报刚进证券交易所时，信息传递速度翻了几十倍，但经纪人因为看错一条简报而下错单的赔偿责任，从来没有分摊给电报局半毛钱。今天华尔街和财富管理机构买单 AI，重复的依然是这套权责结构——效率归机器，牌照和信托责任归肉身。
不完全一样的地方在于，当年的电报只管传话，今天的 Agent 却在主动替你做完前期的方案筹划，反过来催着人类签字。
这件事对两类人冲击最直接。在买方机构和财富管理公司内部，初级分析师和运营岗正在从“信息搬运工”变成“状态审查员”，持牌顾问一个人能服务的客户上限确实会变高；而对于企业 IT 采购与风控合规部门来说，再去听厂商吹嘘单次问答的准确率已经毫无意义，真正的考核指标必须换成中断恢复能力、权限隔离护栏，以及遇到那 20% 甚至 60% 废稿时的人工返工时间成本。
- 结论.金融长周期 AI 的胜负手不在连续推理十天的模型算力，而在管住异步中断的状态机与守住最后 10% 审批底线的真实核查机制。
接下来真正要盯紧的，不是 Arca 又接入了哪个新模型，而是当市场剧烈波动或托管行出现异常中断时，这套十天工作流的容错表现到底如何；以及金融监管机构面对“Agent 主导方案、人类点击批准”的新常态，会在第一张罚单里如何界定人类顾问的失职边界。