从0到落地：提示工程架构师带你实现Agentic AI在金融财富科技（WealthTech）中的应用

关键词：Agentic AI, 提示工程, 金融财富科技(WealthTech), 智能投顾, 自动理财助手, 合规提示设计, 多工具协同Agent

摘要：在金融科技飞速发展的今天，传统财富管理服务正面临"高门槛、低效率、个性化不足"的痛点。本文将以提示工程架构师的视角，带你从零开始理解Agentic AI（智能体AI）的核心原理，并通过手把手教学，实现一个能处理客户财务分析、资产配置、风险监控的智能财富管理Agent。我们将拆解Agentic AI的"大脑结构"，设计符合金融合规要求的提示模板，编写可落地的Python代码，最终让你掌握将AI智能体嵌入实际金融业务的全流程方法论。无论你是金融科技开发者、产品经理还是对AI+金融感兴趣的学习者，这篇文章都能让你轻松理解复杂概念，快速上手实践。

背景介绍

目的和范围

想象一下，如果你是一位刚工作的年轻人，想开始理财却不知道从何下手——银行理财经理太忙没时间详细沟通，网上的理财文章要么太专业看不懂，要么像"算命"一样给不出具体建议。这正是当前财富管理行业的普遍痛点：专业服务门槛高、个性化不足、响应速度慢。

而Agentic AI（智能体AI）就像一位"24小时在线、永不疲倦、严格遵守规则"的智能理财助手，它能理解你的财务状况、分析市场动态、制定个性化资产配置方案，甚至帮你监控投资组合并动态调整。但如何把这样的AI助手从概念变成实际可用的产品？这正是本文要解决的问题。

本文目的：通过"原理+工具+代码+案例"四步走，让读者掌握：

  1. Agentic AI的核心工作原理及提示工程在其中的关键作用
  2. 金融财富场景对AI智能体的特殊要求（合规性、准确性、风险控制）
  3. 从零构建一个能落地的WealthTech AI智能体的完整流程
  4. 实际部署中的关键技术和避坑指南

范围界定：我们聚焦于财富管理的"客户资产配置"场景（最典型也最容易落地），不涉及高频交易、量化投研等复杂领域。技术实现上使用Python+LangChain+OpenAI API，确保普通开发者能复现。

预期读者

本文适合三类读者，无论你是哪类，都能有所收获：

  • 技术开发者：想了解如何设计和实现AI智能体，特别是提示工程架构
  • 金融科技产品经理：想理解Agentic AI在财富管理中的应用边界和落地路径
  • 金融从业者：想知道AI如何改变传统理财服务模式，提升服务效率

不需要你是AI专家——我们会从基础概念讲起；也不需要你是金融博士——关键金融知识会用"小学生能懂"的方式解释。你只需要有基本的编程基础（能看懂Python代码）和对AI+金融的好奇心。

文档结构概述

本文采用"认知→拆解→构建→落地"的渐进式结构，共分为8个核心章节：

  1. 背景介绍：为什么WealthTech需要Agentic AI？当前面临什么挑战？
  2. 核心概念：用生活比喻解释Agentic AI、提示工程等关键概念及它们的关系
  3. 架构设计：AI财富管理智能体的"大脑蓝图"——模块组成和工作流程
  4. 提示工程实战：如何给AI智能体写"操作手册"（提示模板设计）
  5. 核心算法与代码实现：手把手编写智能投顾Agent的核心代码
  6. 合规与风险控制：金融场景特有的提示设计和技术保障
  7. 应用场景与案例：智能体在财富管理中的具体用武之地
  8. 未来趋势与挑战：技术发展方向和落地难点

每个章节都遵循"原理→比喻→代码→案例"的节奏，确保"听得懂、学得会、用得上"。

术语表

核心术语定义
术语 通俗解释 专业定义
Agentic AI（智能体AI） 能自己制定计划、调用工具、完成任务的AI助手，像有自主意识的"数字员工" 具备目标导向性、环境交互能力、自主决策能力和记忆机制的AI系统
提示工程（Prompt Engineering） 给AI写"使用说明书"，告诉它该做什么、不该做什么、怎么做 通过精心设计输入文本（提示）来引导AI模型生成期望输出的技术
WealthTech（金融财富科技） 用技术手段帮人管钱、理财的服务，比如智能投顾、自动记账APP 应用信息技术优化财富管理、投资咨询、资产配置等金融服务的行业
智能投顾（Robo-Advisor） 用AI代替人类理财顾问，给你推荐投资组合的服务 基于客户风险承受能力、财务目标和市场数据，自动生成和调整资产配置方案的系统
多工具协同 AI智能体像"多面手"一样，能同时使用计算器、查数据、写报告等多种工具 Agent根据任务需求，自主选择并调用多个外部工具（API、数据库、应用程序）完成复杂任务的能力
相关概念解释
  • 大语言模型（LLM）：Agentic AI的"大脑核心"，就像智能体的"记忆力"和"语言理解能力"，但单独的LLM不能主动做事，需要提示工程来引导它成为Agent
  • 工具调用（Tool Calling）：Agent的"手脚"，让AI能操作外部世界（比如查股票价格、计算风险指标），而不只是"空想"
  • 长期记忆（Long-term Memory）：Agent的"日记本"，记录用户的财务状况、风险偏好、历史交互，让服务更连贯
  • 合规性（Compliance）：金融AI的"行为准则"，就像开车必须遵守交通规则，AI理财必须遵守金融监管要求
缩略词列表
缩略词 全称 用途
LLM Large Language Model 大语言模型，Agent的基础AI能力
RAG Retrieval-Augmented Generation 检索增强生成，让Agent能使用最新金融数据
KYC Know Your Customer 了解你的客户，金融合规基本要求
AML Anti-Money Laundering 反洗钱，金融监管核心要求
API Application Programming Interface 应用程序接口，Agent调用工具的"桥梁"

核心概念与联系

故事引入：小明的理财困境与AI管家的诞生

小明是一家互联网公司的程序员，月薪2万，工作3年攒了10万元积蓄。他想理财，但遇到了3个难题：

  1. 没时间：下班只想躺平，没时间研究股票基金
  2. 看不懂：财经新闻全是"宏观经济"“行业周期”，像看天书
  3. 不敢信：听说有人跟着"大师"炒股亏了钱，怕被坑

传统解决方案有三种，但都有缺点：

  • 银行理财经理：专业但太忙，每次沟通要预约，而且主要服务高净值客户（小明的10万不够"资格"）
  • 理财APP：推荐的产品千篇一律，不管小明是想买房还是养老
  • 自己研究：试过错买P2P暴雷，现在不敢随便操作

这时，小明的朋友推荐了一款"AI理财管家"APP。他下载后输入：“我有10万积蓄，30岁，想5年后买房首付，能接受中等风险”。5分钟后，AI管家给出了详细方案：

  • 目前可投资金额：8万元（留2万应急）
  • 推荐配置：40%指数基金+30%债券基金+20%黄金ETF+10%现金
  • 每月定投建议：工资到手后自动转入1000元到指数基金
  • 风险提示：如果市场下跌超过20%，会自动发提醒并建议调整

更神奇的是，这个AI管家会每天监控市场，每月生成理财报告，还能解答小明的问题：“为什么黄金能避险？”“现在该加仓还是减仓？”

这个"AI理财管家"就是我们要实现的Agentic AI在WealthTech中的应用。它为什么能解决小明的问题？因为它具备三个关键能力：

  • 理解需求：能听懂小明的财务目标和风险偏好（需要提示工程引导它准确提取信息）
  • 自主行动：能自己查市场数据、算资产配置比例、生成报告（需要工具调用能力）
  • 持续服务：记得小明的情况，动态调整方案（需要记忆机制）

接下来，我们就拆解这个"AI理财管家"的核心部件和工作原理。

核心概念解释（像给小学生讲故事一样）

核心概念一：Agentic AI——会自己"干活"的AI助手

生活比喻：传统AI（比如ChatGPT）像"顾问"，你问它问题它回答，但不会主动帮你做事；而Agentic AI像"管家"，你告诉它"家里乱了"，它会自己制定计划（先收拾客厅，再整理卧室）、找工具（吸尘器、收纳盒）、完成任务（打扫干净），甚至汇报结果（“主人，家里收拾好了，还帮你把衣服洗了”）。

为什么金融场景特别需要Agentic AI？

  • 理财是"持续任务"：不是一次问答，而是长期的资产配置、监控、调整
  • 涉及多步骤操作：需要分析客户情况→查市场数据→算风险→推荐产品→监控变化
  • 对准确性要求高：不能"拍脑袋"，需要调用专业工具计算（比如用真实的基金数据计算夏普比率）

关键特征（判断一个AI是不是Agentic AI的"四要素"）：

  1. 目标导向：给定目标（如"帮小明做5年买房首付规划"），能自己想办法实现
  2. 工具使用：会调用外部工具（如查股票API、计算器、Excel）
  3. 自主决策：能决定下一步做什么（比如"现在需要先查小明的风险承受能力"）
  4. 记忆能力：记得过去的信息（比如"小明上次说过不想碰加密货币"）
核心概念二：提示工程——给AI管家写"操作手册"

生活比喻：如果把Agentic AI比作新入职的理财管家，提示工程就是给它写《工作手册》：

  • 第一章：你的职责（“帮客户做资产配置，不能推荐高风险产品给保守型客户”）
  • 第二章：工作流程（“第一步问客户财务目标，第二步评估风险承受能力…”）
  • 第三章：工具使用说明（“查市场数据用XX网站，算风险用XX公式”）
  • 第四章：禁忌事项（“不能承诺保本，不能说’一定赚钱’”）

为什么金融场景的提示工程特别重要？

  • 合规红线：金融监管严格，一句话说错可能违法（比如"这只基金稳赚不赔"）
  • 专业性要求：理财涉及复杂规则（比如不同基金的申购费率计算），需要精确引导
  • 个性化服务：每个客户情况不同，提示要让AI能"因材施教"

提示工程的核心原则（金融场景版）：

  1. 明确边界：告诉AI什么能做、什么绝对不能做（比如"禁止讨论未上市股票"）
  2. 流程固化：把理财顾问的标准流程写进提示（比如"必须先完成KYC问卷才能推荐产品"）
  3. 风险提示：强制AI在所有建议前加上风险声明（“投资有风险，决策需谨慎”）
  4. 错误处理：告诉AI遇到不懂的问题怎么办（“回答’这个问题我需要咨询人类顾问’”）
核心概念三：WealthTech场景特性——给AI管家立"家规"

生活比喻：普通场景的AI（比如聊天机器人）像"在自己家随便玩"，而金融场景的AI像"在皇宫里工作"——规矩多、要求严、不能出错。这些"家规"就是金融场景的特殊性。

金融场景对AI智能体的特殊要求：

  • 合规性：必须遵守金融法规（如中国的《资管新规》、美国的SEC规则），就像开车必须遵守交通法规
  • 可解释性：推荐理由要清晰（“推荐这只基金是因为它过去3年夏普比率1.5，高于同类平均”），不能"黑箱决策"
  • 风险控制：自动识别高风险操作（比如给60岁客户推荐80%仓位的股票），及时刹车
  • 数据安全：客户财务数据是"绝密信息"，AI不能泄露（比如"禁止把客户的存款金额告诉任何人"）

为什么这些特性让WealthTech的Agentic AI更难落地？

  • 普通AI只需要"回答正确"，金融AI需要"过程合规+结果正确+风险可控"
  • 普通提示可以灵活开放，金融提示必须"又紧又活"——既严格限制违规行为，又能提供个性化服务

核心概念之间的关系（用小学生能理解的比喻）

Agentic AI和提示工程的关系：管家与工作手册

生活例子：想象你请了一位外国管家（Agentic AI），他很聪明但不懂中文，也不知道你的生活习惯。你需要给他一本《中文工作手册》（提示工程），写清楚：

  • “早上7点要做早餐，我不吃辣”（目标和约束）
  • “牛奶在冰箱第二层，锅在橱柜左边”（工具和资源位置）
  • “如果遇到不认识的食材，不要随便做，问我”（错误处理）

技术本质：Agentic AI的"自主能力"不是天生的，而是通过提示工程"塑造"出来的。大语言模型（LLM）提供基础的"理解和生成能力"，提示工程则定义"如何使用这些能力来完成特定任务"。

金融场景的特殊联系：在金融场景，这本《工作手册》需要更严格——比如必须包含"禁止给客户推荐风险等级高于R3的产品"这样的硬性规定，而且要确保管家每次都遵守。

Agentic AI和金融场景特性的关系：管家与家庭规则

生活例子：如果这位管家在普通家庭工作（非金融场景），规则可能比较简单（“保持家里干净”）；但如果在"金融家庭"（比如一个严格的富豪家庭）工作，规则会非常多：

  • “主人的财务文件必须锁在保险柜，不能给外人看”（数据安全）
  • “投资决策必须有书面记录，不能口头决定”（可追溯性）
  • “任何支出超过1万元必须请示主人”（风险控制）

技术本质：金融场景的特性（合规、安全、可解释）是Agentic AI的"约束条件"。提示工程需要把这些约束"编码"到Agent的行为规则中，确保Agent在自主行动时不越界。

关键挑战：如何平衡"自主性"和"约束性"？——既让AI能灵活处理不同客户的需求，又确保不违反金融规则。

提示工程和金融场景特性的关系：工作手册与家庭特殊要求

生活例子：如果你家有特殊要求（比如"主人对坚果过敏"），你会在《工作手册》的"饮食安全"章节特别注明。同样，金融场景的特性（合规、风险控制）需要通过提示工程"写进"Agent的操作指南。

具体做法：在提示模板中加入金融特有的"安全检查清单"，比如：

  • 在生成任何投资建议前，必须检查：客户风险等级是否匹配产品风险等级？
  • 所有输出必须包含：“本建议仅供参考，不构成投资承诺”
  • 如果客户问"这只基金能赚多少钱"，必须回答：“历史收益不代表未来表现，可能赚也可能亏”

为什么这很重要？：金融监管要求"卖者有责"，如果AI推荐了不合适的产品导致客户亏损，公司可能面临法律风险。提示工程是预防这种风险的"第一道防线"。

核心概念原理和架构的文本示意图（专业定义）

Agentic AI智能财富管家的"大脑架构"

一个能落地的WealthTech Agentic AI系统包含以下核心模块，各模块通过提示工程串联协作：

┌─────────────────────────────────────────────────────────────────┐
│                        Agentic AI 智能体                         │
│                                                                 │
│  ┌─────────────┐    ┌─────────────┐    ┌─────────────────────┐  │
│  │   感知模块   │    │   决策模块   │    │       执行模块       │  │
│  │ (输入处理)   │───>│ (规划与判断) │───>│ (工具调用与行动)     │  │
│  └─────────────┘    └─────────────┘    └─────────────────────┘  │
│        ▲                    ▲                    │              │
│        │                    │                    ▼              │
│  ┌─────────────┐    ┌─────────────┐    ┌─────────────────────┐  │
│  │   记忆模块   │    │   提示工程   │    │       环境交互       │  │
│  │ (用户与历史) │<───│ (规则与指令) │<───│ (市场数据/客户反馈)  │  │
│  └─────────────┘    └─────────────┘    └─────────────────────┘  │
│                                                                 │
└─────────────────────────────────────────────────────────────────┘

各模块功能详解：

  1. 感知模块：理解用户输入（财务目标、风险偏好、提问），提取关键信息（如"5年买房首付"、“可接受中等风险”）。依赖提示工程中的"信息提取模板"（引导AI识别客户需求的关键维度）。

  2. 记忆模块：存储用户数据（如年龄、资产、风险评级）、历史交互（如"客户上次拒绝了保险产品"）、市场知识（如"当前国债收益率"）。分为短期记忆（单次对话）和长期记忆（数据库存储）。

  3. 决策模块：Agent的"指挥官"，决定下一步做什么。比如：“现在需要先计算客户的风险承受能力→然后查当前市场的股债比→再用马克维茨模型计算配置比例”。依赖提示工程中的"决策逻辑模板"（定义理财规划的标准流程）。

  4. 执行模块：调用外部工具完成具体操作，如：

    • 调用金融数据API获取基金实时净值
    • 调用计算器计算资产配置比例
    • 调用文档生成工具输出PDF理财报告

  5. 环境交互：与外部世界交换信息，包括获取市场数据（如股票价格）、接收客户反馈（如"我觉得风险太高了"）、执行交易指令（如"买入1万元沪深300ETF"）——注意：实际交易需要严格的合规审批，AI通常只生成建议，最终由用户确认。

  6. 提示工程：贯穿所有模块的"隐形胶水"，定义：

    • 如何提取用户信息（感知模块规则）
    • 如何做决策（决策模块的流程）
    • 如何调用工具（执行模块的格式）
    • 如何遵守合规要求（所有模块的安全检查）

Mermaid 流程图 (Agentic AI财富管家的工作流程)

以下是AI理财管家处理"客户资产配置请求"的完整工作流程，展示了提示工程如何引导Agent完成从"接收需求"到"生成方案"的全过程：
提示工程:信息提取模板
是否有客户历史数据
无历史数据
提示工程:决策流程模板
提示工程:算法参数模板
提示工程:合规检查模板
合规通过
合规不通过
客户输入需求
调用感知模块提取信息
提取关键信息:目标/资金/风险/期限
检查记忆模块
获取客户风险评级/资产情况
调用KYC问卷工具
客户填写问卷
调用决策模块
判断需执行步骤:1查市场数据 2算配置比例
步骤1:调用金融数据API
获取股票/债券/黄金当前收益率和波动率
步骤2:调用资产配置算法工具
输入客户风险评级+市场数据 计算配置比例
调用执行模块
生成资产配置报告
合规检查
检查:风险匹配?有免责声明?
输出最终方案给客户
调整方案/补充风险提示
记忆模块存储本次交互结果

流程关键点：

  • 每个判断节点（如"检查记忆模块"、“合规检查”）都由提示工程定义判断标准
  • 工具调用（如KYC问卷、金融数据API）的格式和参数由提示工程指定
  • 整个流程是"循环的"（客户可能反馈"风险太高"，Agent需要重新调整方案）

核心算法原理 & 具体操作步骤

Agentic AI财富管家的"决策大脑"：核心算法原理

Agentic AI在财富管理中的核心任务是基于客户需求和市场数据，生成并动态调整个性化资产配置方案。这背后涉及三个关键算法/机制，都需要通过提示工程引导实现：

1. 客户需求分析与风险画像算法

作用：把客户的自然语言需求（如"我想5年攒够50万买房首付，能接受一点风险"）转化为可计算的"风险画像参数"（如风险承受能力等级、投资期限、流动性需求）。

核心步骤（通过提示工程定义分析流程）：

  • 信息提取：从客户输入中提取5个关键维度：

    1. 投资目标（购房/养老/教育）
    2. 投资期限（短期<1年/中期1-5年/长期>5年）
    3. 可投资金额（总资金+每月定投）
    4. 风险偏好（保守/稳健/平衡/进取）
    5. 特殊限制（如"不投行业X"、“需要每月可取现”）

  • 风险评级计算：将提取的信息转化为标准化风险等级（1-5级，1最低，5最高）。例如：

    • 保守型（1级）：只能接受本金损失<5%，对应产品：货币基金、国债
    • 平衡型（3级）：能接受本金损失<20%，对应产品：股债平衡基金、指数基金

提示工程引导示例：

你现在是客户风险分析师，请按以下步骤处理客户需求：
1. 从客户输入中提取：投资目标、期限、金额、风险偏好、特殊限制（如有）
2. 根据以下规则计算风险等级（1-5级）：
   - 保守型（1级）：期限<1年，风险偏好低，不能接受本金损失
   - 稳健型（2级）：期限1-3年，风险偏好中低，可接受本金损失<10%
   - 平衡型（3级）：期限3-5年，风险偏好中，可接受本金损失<20%
   - 进取型（4级）：期限5-10年，风险偏好高，可接受本金损失<30%
   - 激进型（5级）：期限>10年，风险偏好极高，可接受本金损失>30%
3. 输出格式：{"风险等级": X, "关键需求": "..."，"特殊限制": "..."}
2. 资产配置算法（基于马克维茨均值-方差模型）

作用：根据客户风险等级和市场数据，计算最优资产配置比例（如股票60%、债券30%、黄金10%）。这是财富管理的"核心技术"，Agent需要调用专业算法工具完成。

核心原理：
马克维茨均值-方差模型的目标是：在给定风险水平下最大化预期收益，或在给定收益水平下最小化风险。用数学语言说，就是找到"有效前沿"上的最优组合。

Agent调用步骤（通过提示工程定义工具调用逻辑）：

  1. 确定资产池：根据客户风险等级筛选合适的资产类别（如保守型客户排除加密货币）
  2. 获取市场数据：调用金融API获取各资产的预期收益率（μ）和波动率（σ，风险）、资产间相关性（ρ）
  3. 计算有效前沿：通过均值-方差模型计算不同资产比例的预期收益和风险
  4. 选择最优组合：根据客户风险等级（最大可接受波动率）选择有效前沿上的对应点

提示工程引导示例：

你现在需要调用资产配置算法工具，参数设置规则如下：
1. 资产池选择：
   - 风险等级1-2级：[货币基金 国债 银行理财]
   - 风险等级3级：[货币基金 国债 债券基金 沪深300ETF]
   - 风险等级4-5级：[股票基金 债券基金 黄金ETF 海外指数基金]
2. 输入参数：
   - 各资产预期收益率：从金融数据API获取（最近3年平均值）
   - 各资产波动率：从金融数据API获取（最近3年标准差）
   - 目标风险水平：风险等级1级<5%，2级<10%，3级<15%，4级<20%，5级<25%
3. 调用格式：<工具调用>{"name":"asset_allocation","parameters":{"risk_level":X,"assets":["..."]}}<工具调用>
3. 工具调用与反思机制

作用：让Agent能自主选择工具、执行操作，并根据结果调整策略（比如发现市场数据过时，会重新调用API获取最新数据）。

核心步骤：

  1. 工具选择：根据当前任务选择合适工具（提示工程定义"任务-工具"映射表）

    • 任务：查市场数据 → 工具：Yahoo Finance API
    • 任务：算风险指标 → 工具：风险计算函数
    • 任务：生成报告 → 工具：PDF生成器

  2. 参数生成：根据任务需求生成工具所需参数（提示工程定义参数格式）

    • 例：调用Yahoo Finance API需指定：资产代码（如"000300.SS"代表沪深300）、时间范围

  3. 执行与反思：调用工具后检查结果是否有效（提示工程定义"结果检查规则"）

    • 例：如果获取的收益率为负数且波动率>50%，判断为"数据异常"，重新调用API

提示工程引导示例：

工具调用反思规则：
1. 检查工具返回结果：
   - 数据是否在合理范围（收益率-100%~100%，波动率0~50%）
   - 是否包含所有必要字段（收益率 波动率 相关性矩阵）
2. 若结果异常：
   - 重新调用工具，更换数据源（如Yahoo Finance API→聚宽API）
   - 若多次失败，输出"当前市场数据获取失败，请稍后再试"
3. 若结果正常：
   - 进入下一步：计算资产配置比例

具体操作步骤：构建Agentic AI财富管家的"六步落地法"

以下是从零构建并部署AI理财管家的具体操作步骤，每一步都包含提示工程设计和技术实现要点：

步骤1：定义产品需求与边界（避免"什么都想做"）

操作：明确AI管家的核心功能和不做什么（避免范围蔓延）

  • 核心功能：资产配置建议、投资组合监控、理财知识问答
  • 不做：实盘交易（只建议不执行）、复杂税务规划（需人类顾问）、非法金融活动

提示工程准备：撰写"功能边界提示"，明确告知Agent能处理和不能处理的任务

步骤2：选择技术栈与工具集（搭积木前先选积木）

核心技术栈：

  • 大语言模型：OpenAI GPT-4（理解能力强，工具调用支持好）
  • Agent框架：LangChain（提供Agent、工具调用、记忆模块的封装）
  • 金融数据源：Tushare API（A股数据）、Yahoo Finance API（全球市场）
  • 前端界面：Streamlit（快速搭建演示界面）
  • 数据库：SQLite（存储客户数据和交互历史）

工具集配置：

  • 数据查询工具：调用Tushare API获取基金/股票数据
  • 计算工具：Python财务函数库（计算夏普比率、最大回撤）
  • KYC问卷工具：自定义Streamlit表单
  • 报告生成工具：Python-docx生成PDF报告
步骤3：设计提示工程体系（给AI写"操作手册"）

核心提示模板：

  1. 系统提示（Agent的"性格和职责"）：定义AI的角色、功能、合规要求
  2. 信息提取提示（从客户输入中抓关键信息）：定义提取维度和格式
  3. 决策流程提示（指导Agent下一步做什么）：定义步骤优先级和条件
  4. 工具调用提示（指导Agent使用工具）：定义工具选择规则和参数格式
  5. 合规检查提示（避免违规输出）：定义必须包含的免责声明和风险提示

提示工程设计原则：

  • 具体化：不说"注意风险"，而说"必须包含：‘历史收益不代表未来表现’"
  • 结构化：用编号、列表明确步骤，避免模糊表述
  • 防错性：预判Agent可能犯的错误（如推荐高风险产品），提前在提示中禁止
步骤4：开发核心模块（组装"大脑部件"）

关键模块开发：

  1. 感知模块：用LangChain的create_extraction_chain实现信息提取
  2. 记忆模块：用LangChain的VectorDBQA+SQLite存储客户历史数据
  3. 决策模块：用LangChain的AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION实现决策逻辑
  4. 工具调用模块：用LangChain的Tool类封装各工具API

开发重点：确保各模块通过提示工程串联，例如：决策模块根据信息提取结果调用相应工具

步骤5：集成与测试（让AI管家"试运行"）

集成测试流程：

  1. 单元测试：测试单个工具调用是否正常（如调用Tushare API能否返回数据）
  2. 流程测试：模拟客户需求，测试完整流程（输入需求→提取信息→调用工具→生成方案）
  3. 合规测试：故意输入高风险需求（如"我想快速赚大钱，不怕亏"），检查Agent是否拒绝并提示风险

问题修复：根据测试结果优化提示模板（如发现Agent漏提风险声明，在提示中加入"必须以红色字体显示免责声明"）

步骤6：部署与监控（正式"上岗"并看着它工作）

部署选项：

  • 演示版：Streamlit Cloud部署，公开访问
  • 生产版：Docker容器化，部署到云服务器（需添加用户认证和数据加密）

监控指标：

  • 交互成功率（成功生成方案的比例）
  • 合规率（输出包含免责声明的比例）
  • 用户满意度（通过反馈按钮收集）

持续优化：定期分析失败案例，更新提示模板（如发现Agent无法识别"教育金规划"需求，更新信息提取提示）

数学模型和公式 & 详细讲解 & 举例说明

核心数学模型：马克维茨均值-方差模型（资产配置的"黄金公式"）

资产配置是Agentic AI财富管家的"核心技能"，而马克维茨均值-方差模型是现代资产配置的基础理论。我们不需要让AI推导这个模型，但需要理解它的原理，以便正确设计提示工程引导AI使用该模型。

模型核心思想

生活比喻：假设你要带零食去春游，有三种零食可选：巧克力（好吃但易融化，风险高）、饼干（一般好吃但稳定，风险中）、水果（健康但易坏，风险中高）。你需要决定每种带多少——目标是"又好吃又不容易坏"（高收益低风险）。马克维茨模型就是帮你计算这个"最佳搭配比例"的数学工具。

专业定义：通过计算不同资产组合的预期收益率（均值）和风险（方差/标准差），找到在给定风险水平下收益最高，或给定收益水平下风险最低的资产组合。

核心公式
1. 组合预期收益率（衡量"有多好吃"）

组合的预期收益率是各资产收益率的加权平均：

E ( R p ) = ∑ i = 1 n w i E ( R i ) E(R_p) = \sum_{i=1}^{n} w_i E(R_i) E(Rp​)=i=1∑n​wi​E(Ri​)

  • $ E(R_p) $：组合预期收益率
  • $ w_i ：资产 ：资产 ：资产i 的配置比例（权重， 的配置比例（权重， 的配置比例（权重，\sum w_i = 1$）
  • $ E(R_i) ：资产 ：资产 ：资产i$的预期收益率

举例：小明的资产组合包含20%货币基金（预期收益3%）、50%债券基金（预期收益6%）、30%股票基金（预期收益10%），则组合预期收益率为：
E ( R p ) = 0.2 × 3 % + 0.5 × 6 % + 0.3 × 10 % = 0.6 % + 3 % + 3 % = 6.6 % E(R_p) = 0.2×3\% + 0.5×6\% + 0.3×10\% = 0.6\% + 3\% + 3\% = 6.6\% E(Rp​)=0.2×3%+0.5×6%+0.3×10%=0.6%+3%+3%=6.6%

2. 组合风险（波动率，衡量"有多容易坏"）

组合的风险（波动率）用收益率的标准差表示，不仅取决于各资产的风险，还取决于资产间的相关性：

σ p = ∑ i = 1 n ∑ j = 1 n w i w j σ i σ j ρ i j \sigma_p = \sqrt{\sum_{i=1}^{n} \sum_{j=1}^{n} w_i w_j \sigma_i \sigma_j \rho_{ij}} σp​=i=1∑n​j=1∑n​wi​wj​σi​σj​ρij​ ​

  • $ \sigma_p $：组合波动率（风险）
  • $ \sigma_i ：资产 ：资产 ：资产i$的波动率
  • $ \rho_{ij} ：资产 ：资产 ：资产i 和资产 和资产 和资产j$的相关系数（-1到1之间，越接近-1，分散风险效果越好）

举例：延续上面的例子，假设：

  • 货币基金波动率$ \sigma_1=1% ，债券基金 ，债券基金 ，债券基金 \sigma_2=3% ，股票基金 ，股票基金 ，股票基金 \sigma_3=10% $
  • 相关系数：货币与债券$ \rho_{12}=0.2 ，货币与股票 ，货币与股票 ，货币与股票 \rho_{13}=0.1 ，债券与股票 ，债券与股票 ，债券与股票 \rho_{23}=0.5 $

则组合波动率计算如下（简化版，展开后有9项）：
σ p = w 1 2 σ 1 2 + w 2 2 σ 2 2 + w 3 2 σ 3 2 + 2 w 1 w 2 σ 1 σ 2 ρ 12 + 2 w 1 w 3 σ 1 σ 3 ρ 13 + 2 w 2 w 3 σ 2 σ 3 ρ 23 \sigma_p = \sqrt{w_1^2\sigma_1^2 + w_2^2\sigma_2^2 + w_3^2\sigma_3^2 + 2w_1w_2\sigma_1\sigma_2\rho_{12} + 2w_1w_3\sigma_1\sigma_3\rho_{13} + 2w_2w_3\sigma_2\sigma_3\rho_{23}} σp​=w12​σ12​+w22​σ22​+w32​σ32​+2w1​w2​σ1​σ2​ρ12​+2w1​w3​σ1​σ3​ρ13​+2w2​w3​σ2​σ3​ρ23​ ​

代入数值：
σ p = 0. 2 2 × 1 2 + 0. 5 2 × 3 2 + 0. 3 2 × 1 0 2 + 2 × 0.2 × 0.5 × 1 × 3 × 0.2 + 2 × 0.2 × 0.3 × 1 × 10 × 0.1 + 2 × 0.5 × 0.3 × 3 × 10 × 0.5 \sigma_p = \sqrt{0.2^2×1^2 + 0.5^2×3^2 + 0.3^2×10^2 + 2×0.2×0.5×1×3×0.2 + 2×0.2×0.3×1×10×0.1 + 2×0.5×0.3×3×10×0.5} σp​=0.22×12+0.52×32+0.32×102+2×0.2×0.5×1×3×0.2+2×0.2×0.3×1×10×0.1+2×0.5×0.3×3×10×0.5 ​
= 0.04 + 2.25 + 9 + 0.12 + 0.12 + 4.5 = 16.03 ≈ 4.00 % = \sqrt{0.04 + 2.25 + 9 + 0.12 + 0.12 + 4.5} = \sqrt{16.03} ≈ 4.00\% =0.04+2.25+9+0.12+0.12+4.5 ​=16.03 ​≈4.00%

这意味着小明的组合预期收益6.6%，风险（波动率）约4%，属于中低风险水平，适合风险等级2-3级的客户。

3. 有效前沿（最佳零食搭配的"菜单"）

有效前沿是所有"最优组合"的集合——在相同风险下收益最高，或相同收益下风险最低的组合。如下图所示（纵轴收益，横轴风险）：

收益
^
|   有效前沿
|   /
|  /
| /
|/
+------> 风险（波动率）

如何使用有效前沿：根据客户的风险承受能力（最大可接受波动率），在有效前沿上找到对应的点，即为该客户的最优资产配置比例。

提示工程如何引导AI使用该模型

虽然AI不需要手动计算这些公式（由专门的算法工具完成），但提示工程需要引导AI正确设置模型参数，确保结果符合客户需求：

资产配置算法参数设置提示：
1. 预期收益率计算：
   - 使用最近3年的月收益率数据，计算算术平均值作为E(R_i)
   - 若某资产数据不足3年，使用同类资产的平均收益率代替
2. 波动率计算：
   - 使用最近3年的月收益率数据，计算标准差作为σ_i（年化处理：乘以√12
3. 相关系数：
   - 使用最近3年的月收益率数据计算Pearson相关系数ρ_ij
4. 有效前沿约束条件：
   - 单个资产权重不超过40%（避免过度集中）
   - 股票类资产总权重不超过风险等级对应的上限（3级<50%）

客户风险承受能力评分模型（给客户"量体裁衣"）

除了资产配置算法，Agent还需要准确评估客户的风险承受能力，这需要一个量化评分模型。

核心公式：风险承受能力得分

风险承受能力得分 = 基本信息得分 + 风险偏好得分 + 投资经验得分

  • 基本信息得分（年龄、收入、资产）：
    年龄得分 = 10 - 年龄/10（年龄越小得分越高，60岁以上得4分）
    收入得分 = 年收入（万元）/10（最高5分）
    资产得分 = 可投资资产（万元）/50（最高5分）

  • 风险偏好得分（通过KYC问卷获取）：
    对亏损的容忍度（如"能接受的最大亏损"）：0-20%（5分），20-40%（3分），>40%（1分）
    投资期限：>5年（5分），3-5年（3分），<3年（1分）

  • 投资经验得分：
    无经验（0分），1-3年（2分），3年以上（4分）

总分范围：0-30分，对应风险等级1-5级（每6分一级）

举例：小明的风险得分计算

小明：30岁，年收入24万，可投资资产10万，能接受最大亏损20%，投资期限5年，有1年投资经验

  • 基本信息得分：
    年龄得分 = 10 - 30/10 = 7分
    收入得分 = 24/10 = 2.4 → 2分（向下取整）
    资产得分 = 10/50 = 0.2 → 0分
    基本信息总分 = 7+2+0=9分

  • 风险偏好得分：
    亏损容忍度：20% → 5分
    投资期限：5年 → 5分
    风险偏好总分 = 5+5=10分

  • 投资经验得分：1年 → 2分

总得分：9+10+2=21分 → 风险等级4级（19-24分对应4级）

提示工程引导示例
风险评分计算提示：
1. 基本信息得分计算：
   - 年龄得分=10-min(年龄//10,6)（60岁以上统一4分）
   - 收入得分=min(年收入//10,5)（最高5分）
   - 资产得分=min(可投资资产//50,5)（最高5分）
2. 风险偏好得分从KYC问卷提取：
   - 问题1："能接受的最大亏损比例"选项对应得分：<10%(3),10-20%(5),20-30%(3),>30%(1)
   - 问题2："投资期限"选项对应得分：<1年(1),1-3年(3),3-5年(4),>5年(5)
3. 总分=基本信息得分+风险偏好得分+经验得分，映射风险等级：
   - 0-6分：1级，7-12分：2级，13-18分：3级，19-24分：4级，25-30分：5级
4. 输出格式：{"risk_score":21,"risk_level":4,"risk_level_desc":"进取型"}

项目实战：代码实际案例和详细解释说明

开发环境搭建（10分钟上手）

环境准备

步骤1：安装Python和必要库

# 创建虚拟环境
python -m venv wealth_agent_env
source wealth_agent_env/bin/activate  # Windows: wealth_agent_env\Scripts\activate

# 安装核心库
pip install langchain openai streamlit tushare python-dotenv numpy pandas scipy matplotlib python-docx

步骤2：获取API密钥

  • OpenAI API密钥：访问OpenAI平台注册获取
  • Tushare API密钥：访问Tushare官网注册获取（需要实名认证才能获取金融数据）

步骤3：创建项目文件夹结构

wealth_agent/
├── .env                  # 存储API密钥
├── app.py                # 主程序（Streamlit界面）
├── agent/                # Agent核心模块
│   ├── __init__.py
│   ├── prompts.py        # 提示模板
│   ├── tools.py          # 工具定义
│   └── memory.py         # 记忆模块
├── utils/                # 辅助函数
│   ├── __init__.py
│   ├── risk_score.py     # 风险评分计算
│   └── asset_allocation.py # 资产配置算法
└── data/                 # 数据库
    └── users.db          # SQLite数据库文件

步骤4：配置.env文件

OPENAI_API_KEY=your_openai_key
TUSHARE_TOKEN=your_tushare_token

源代码详细实现和代码解读

1. 提示模板设计（agent/prompts.py）

这是整个项目的"灵魂"，定义了Agent的行为规则：

# 系统提示：定义Agent的角色和核心职责
SYSTEM_PROMPT = """
你是一位专业的AI财富管理助手，名叫"财富小管家"，负责为客户提供个性化资产配置建议。你的工作必须遵守以下规则：

1. 角色与职责：
   - 仅提供资产配置建议，不执行实际交易
   - 不承诺任何投资收益，必须包含风险提示
   - 对超出能力范围的问题（如税务规划、法律咨询），引导客户咨询人类顾问

2. 工作流程：
   - 第一步：了解客户需求（目标、资金、期限、风险偏好）
   - 第二步：评估客户风险承受能力（调用风险评分工具）
   - 第三步：获取当前市场数据（调用金融数据工具）
   - 第四步：生成资产配置方案（调用资产配置算法）
# 人工智能 # 金融 # 科技
Logo
葡萄城开发者空间

葡萄城是专业的软件开发技术和低代码平台提供商，聚焦软件开发技术，以“赋能开发者”为使命，致力于通过表格控件、低代码和BI等各类软件开发工具和服务

更多推荐

React 进阶优化概念（6 个）——从能写组件到写好组件（下）| 葡萄城技术团队

React 开发必备的 8 个基础概念包括：JSX 语法（类似 HTML 的 JavaScript 扩展）、State 和 Props（组件数据管理）、事件处理机制（合成事件）。这些是构建业务组件的基础，如商品卡片、后台表格等常见场景。JSX 会被编译为 React 元素，需注意 className、自闭合标签等语法细节。State 用于组件内部状态（如分页），Props 用于父子组件通信。事件处

avatar 葡萄城开发者空间

React 基础核心概念（8 个）——从入门到能写业务组件（上）| 葡萄城技术团队

本文介绍了React开发中的8个核心基础概念，重点讲解了JSX语法、State与Props、事件处理等关键知识点。文章通过国内常见的电商商品卡片、后台管理系统等实际案例，详细演示了如何将这些概念应用到实际业务组件开发中。特别针对国内开发者容易遇到的坑点（如JSX语法规则、状态管理、事件绑定等）进行了说明，帮助初学者快速掌握React开发的基础技能，为后续业务组件开发打下坚实基础。

avatar 葡萄城开发者空间
cover

思维的维度战争：上下文工程如何拓展AI认知边界

avatar 葡萄城开发者空间