AREX Viewpoint Article
Using Agents for Long-Horizon Financial Work — Aman Singh, Arca
导读
2026年10月12日至14日，AI Engineer NYC 2026 在纽约举行。Arca AI 负责人 Aman Singh 与 Latent Space 编辑负责人 Richard MacManus 同台，讨论代理如何承担跨越多日的财富管理工作；10月31日，Latent Space 发布这场对谈的视频并刊出文字版。对财富管理行业而言，值得注意的不是“又一个代理演示”，而是一家已进入实际运营的 AI 原生公司，把自己的生产系统拆开给外界看。
据 FFNews 2026年7月的报道，Arca 已退出隐身状态，累计融资6400万美元，管理资产超过10亿美元。Altruist 9月10日的公告则称，双方整合让 Arca 的专属财富管理 AI 代理简化核心客户和运营流程。融资和合作只能证明这家公司已经进入实际运营，却不能说明代理究竟怎样在数天里保持上下文、何时该让人接手。视频补上的正是这层缺失。
视频里，Singh 把代理的能力归因于一套自建系统，而不是某个单一模型：Arca 用定制 harness 路由任务，用持久记忆维持跨日工作的连续性，并以内部基准选择模型。代理可以在一个目标上断续工作数天，每天回顾并刷新对当前世界状态的认知；需要人介入时，它再把合适的角色拉进流程，而不是让人从头到尾盯着。交互由此从人不断指挥代理，变成代理在关键节点提示人。
这套设计也划出清晰的权限边界。处理十万美元税务账单时，代理负责分析资金分布、比较变现方案，但资金转移、资产变现和直接联系客户都必须经过人工审批；交易建议可以由代理提出，是否执行仍由人类专家决定，Arca 目前不做代理自主交易。
安全与合规被做成系统约束，而不是靠提示词提醒代理自律。Singh 说，每次写数据的工具调用都会经过 LLM 验证，外部邮件、文档和通话在边缘接受提示注入检测，出站数据要过确定性的 PII 检查；代理和人类操作者的每次变更都会生成日志，使审计成为默认能力。
更关键的是反馈闭环。Arca 要求员工在修改或取消代理输出时说明原因，把这些操作与对应代理日志关联，转成评估数据；夜间运行的元代理会用真实客户场景的痕迹测试系统变更，找出误导性工具、错误来源或知识库缺口。但提示词变更发布前仍保留人类工程师，因为 Singh 观察到，让代理自行改写提示词会把小修复膨胀成整段重写，难以泛化。
因此，这场对谈的价值不在于再给出一个“AI 将取代顾问”的口号，而在于提供一套判断 AI 原生财富管理公司的标准：记忆和运营知识是否自有，长周期任务能否在无人值守时保持状态，资金与客户沟通的审批边界是否明确，合规审计是否默认发生，员工反馈能否进入评估闭环。把这些标准放回 Arca 已管理逾10亿美元资产、并推进平台整合的背景中，读者才能理解视频为何在此时值得看：它展示的不是未来设想，而是一家运营中公司的取舍。
核心结论
- AI的价值不在替代顾问，而在替代顾问周边的全部工作，从而创造主动式服务体验：Arca将AI定位为后台效率引擎，客户不直接接触AI，而是通过人类顾问感受到服务深度的跃升。代理持续为客户工作，主动推动进程，使服务从被动响应变为主动推进，这是AI原生公司与使用AI工具公司的根本区别。
- 资金移动、资产清算和客户沟通被刻意保留在人类审批环节，代理只负责分析、规划和提出建议：在处理十万美元税务账单等场景中，代理自动完成资金分布分析和最优清算方案设计，但任何涉及资金转移、资产变现或直接客户沟通的动作都必须经过人类审批。这种边界设计既保证了服务质量，也体现了对代理自主权的审慎态度。
- 自建代理基础设施而非依赖托管代理，是掌控企业智能和差异化能力的关键战略选择：托管代理的核心资产是记忆和运营知识，一旦交给外部供应商，就等于交出了企业的智能控制权。自建基础设施使Arca能够将行业运作方式和公司自身原则统一编码进代理行为中，同时保持平台与具体模型解耦，确保内部决策的独立性。
- 安全护栏和合规审计被设计为确定性的系统约束，AI在合规检查上比人类更可靠：Arca的安全机制包括对每次数据写入的LLM验证、对外部输入的提示注入检测、以及对出站数据的确定性PII检查。同时，代理的每一次操作都自动生成变更日志，使审计成为系统默认属性。AI不会因疲劳而遗漏最细微的违规信号，合规质量反而优于纯人工流程。
- 代理的主动服务能力能发现人类顾问难以察觉的隐藏费用和合规问题，创造具体的客户价值：在一个客户案例中，代理通过分析客户提供的全部文件和现有顾问的收费数据，发现该客户被收取了未披露的费用，且其顾问并非受托人。代理还主动跟踪RMD截止日期等时间敏感事项，这种对细节的持续关注和主动预警能力是Arca代理服务的核心差异化价值。
观点拆解
1. Arca 的 AI 定位不是替代顾问，而是替代顾问周边的全部工作，从而创造前所未有的服务体验
-
AI 的角色是替代顾问周边的全部工作，而不是替代顾问本身：Aman Singh 明确划定了 Arca 中 AI 的边界：它不取代人类顾问，而是接管顾问周边的繁琐任务。这意味着 AI 的价值被定位在后台效率提升，而非前台人际交互的替代，从而保留了财富管理中最核心的人类信任关系。
“是的，AI 在 Arca 的角色不是替代顾问，而是替代顾问周边的所有工作。”
-
客户不直接接触 AI，而是通过人类顾问体验前所未有的服务水平：Arca 的产品逻辑是让 AI 在后台工作，客户感知到的不是技术本身，而是服务质量的跃升。这种设计将 AI 的能力转化为人类顾问的服务深度，使客户在保持人际信任的同时获得此前行业无法提供的体验。
“所以，我们的客户不直接与 AI 打交道。他们体验到的是这个行业前所未有的服务水平，通过人类顾问的共情和关怀来传递。”
-
AI 驱动的服务是主动式的，代理比人更频繁地推动工作进程：Arca 的 AI 架构创造了一种主动服务模式：代理系统持续为客户工作，而不是等待人类指令。这种「代理推动人」的机制是 AI 替代周边工作后产生的核心体验差异，也是 Arca 作为 AI 原生公司区别于传统 SaaS 工具的关键。
“代理推动人的频率比人推动代理更高，这是一种为客户全天候工作的主动服务。”
2. 长周期代理工作流的核心是让代理在正确的时间点唤醒正确的人，而不是让人持续指挥代理
-
长周期代理不是靠人持续指挥，而是靠长期记忆和每日状态刷新维持对世界的认知：Arca 的代理工作流可以跨越十天，涉及多个参与方。代理依靠长期记忆和每日对进展的回顾来持续反映当前世界状态，从而在任务中断数日后仍能恢复上下文，而不是依赖用户反复输入指令。
“我们的代理，凭借长期记忆以及对所发生事情的每日回顾，反映着当前的世界状态。”
-
代理在出现人工介入信号时才精准唤醒合适的人，而不是让所有人全程待命：Arca 的代理工作流模仿人类专业协作方式：一个持续十天的流程中有多个参与者，但第七步的负责人不需要提前知道所有信息。代理只在出现需要该角色介入的信号时，才把合适的人引入流程，从而避免不必要的打扰和低效沟通。
“第七步的负责人可能还不需要知道这件事，对吧？他们会在合适的时机被引入。”
“他们能够在出现需要引入某人的信号时，让合适的人参与进来。”
-
「代理提示人」反转了传统交互模式，使服务从被动响应变为主动推进：Arca 的核心区别在于，使用 AI 工具的公司要求用户不断指挥代理去完成工作，而 Arca 作为 AI 原生的财富管理公司，让代理主动提示人。这种模式使服务能够全天候主动为客户推进工作，而不是等待客户发出指令。
“使用 AI 工具的公司要求其用户指挥代理去产出或完成工作。但在 Arca，代理提示人的程度超过了人提示代理的程度。”
“这是一种主动式服务，全天候为他们工作，以我们期望的最典型方式管理工作，并达到我们追求的服务水平。”
3. 资金移动、资产清算和客户沟通被刻意保留在人类审批环节，代理只负责分析、规划和提出建议
-
代理负责分析资金分布与最优清算方案，但不触碰资金执行：在客户提出十万美元税务账单需求时，代理的职责被限定在分析客户当前资金分布，并设计最优的资产变现方案。这一分析环节完全自动化，但代理不会自动执行任何资金移动或资产清算，体现了分析权与执行权的明确分离。
“在这个例子中，当客户就税务账单联系我们时，有一部分工作是分析客户当前资金如何分布，以及变现其中一部分以凑齐十万美元的最佳方式是什么。这部分最适合代理来做。”
“分析部分完全自动化，但他们无法自动执行任何资金移动或资产变现。”
-
资金转移、资产清算和直接客户沟通被刻意保留在人类审批环节：尽管 Arca 与托管方有深度集成、具备执行交易的 API 能力，公司仍然设置了严格的管控，要求涉及资金转移、资产变现或直接联系客户的事项必须经过人工介入。代理完成内部分析后，会引入合适的人员来执行交易，并生成可由顾问审阅修改的个性化方案。
“我们与托管方有深度集成，这给了我们执行这些操作的 API。但我们设置了严格的管控，要求涉及资金转移、资产变现、甚至直接与客户沟通的事项必须有人工介入，以确保我们期望的质量和服务水平。”
“因此，代理会完成所有内部分析，但在需要时会引入合适的人来执行交易。他们会提供一个个性化方案，供顾问审阅和修改。”
-
交易执行权完全保留给人类专家，代理只提出交易建议：Arca 目前不进行代理自主交易。代理的角色是提出交易建议，而是否执行该交易完全由人类专家判断。这进一步强化了代理在金融决策中的辅助定位，而非替代人类决策者。
“目前，我们不使用代理进行自主交易。很大程度上，代理向我们提出交易建议，而是否执行这笔交易完全由我们的专家来决定。”
4. Arca 坚持自建代理基础设施而非依赖托管代理，因为拥有记忆和运营知识就是拥有企业的智能控制权
-
对模型乐观，但对托管代理保持警惕：记忆和运营知识是企业的智能控制权：Aman Singh 明确区分了对基础模型和对托管代理产品的态度。他认为托管代理的核心资产是记忆和运营知识，一旦交给外部供应商，就等于交出了企业智能和差异化能力，这会削弱公司对自身业务的控制力。
“我们对 Anthropic 和 OpenAI 等实验室发布的模型非常乐观，但对依赖托管代理这类产品则不那么乐观。因为托管代理最重要的支柱之一，就是模型如何保留并贡献关于世界正在发生什么的记忆，以及它们成功所需的全部运营知识。”
“让他们拥有那部分业务是一种风险，因为拥有它就意味着拥有你的智能，也就是影响你业务的能力。如果你把智能的控制权交给另一个供应商，你就会失去构建真正独特、为你的业务量身定制的东西所需的控制力。”
-
自建基础设施让 Arca 把行业运作方式和公司原则统一编码进代理行为：Arca 自建平台的价值不仅在于技术自主，更在于能够将行业知识、公司自身的运作原则和标准流程统一注入代理行为中。作为业务主体而非 SaaS 公司，Arca 可以确保代理按照公司认可的标准方式参与工作。
“用它来运行关于这个行业如何运作的上下文，不仅如此，还包括 Arca 希望如何运作，以及我们关于这个领域工作方式的原则。这是另一个优势，因为我们不只是 SaaS 公司。实际上，我们不是 SaaS 公司。我们就是业务本身。所以我们可以统一这项工作的完成方式，让我们的代理以应当完成工作的标准方式参与其中。”
-
自建平台独立于模型，使 Arca 能够内部掌控决策而不依赖外部代理：Arca 的平台是内部构建的，并且与具体模型解耦。这意味着公司可以在不依赖外部托管代理的情况下，在内部做出关键决策，从而保持对业务逻辑和客户体验的掌控。
“不，我们有自己的平台，是内部构建的，并且独立于模型。”
5. 安全护栏被设计为确定性的能力边界约束，而非依赖代理自觉遵守的软性规则
-
安全护栏是确定性的能力边界约束，直接剥夺代理的决策权：Arca 的安全机制不是依赖代理自觉遵守的软性规则，而是被设计为确定性的系统约束。这些护栏被放置在能力边界处，从代理手中直接剥夺某些决策权，确保安全不是可选项，而是系统强制执行的硬性限制。
“我们所有的安全约束都是完全确定性的，它们从代理手中剥夺了决策权。”
“我们在系统中内置了大量不同的护栏，原则是我们要将它们遏制在能力边界处，而不是在此之前。”
-
每次数据写入都经过 LLM 验证，构成独立的检查层：Arca 在每次调用写入数据的工具时，都会运行基于大语言模型的验证。这些快速 LLM 调用会分析每一次对数据库的单独写入操作，形成一层额外的验证机制，确保数据变更在进入系统前经过审查。
“每次调用写入数据的工具时，我们都会对该操作运行基于大语言模型的验证。这些快速的 LLM 调用会分析每一次对数据库的单独写入。所以这是我们运行的又一层验证。”
-
外部输入在边缘处接受提示注入检测，出站数据经过确定性 PII 检查：Arca 对进入系统的外部信息（如邮件、文档、电话）在边缘处运行提示注入检测，同时对离开系统的数据（如网络搜索、发送日历邀请）应用确定性的个人身份信息检查和防泄露模型比对。这种双向的边缘防护确保数据进出系统时都受到约束。
“我们还会摄取大量外部信息。有收到的邮件、收到的文档、进行的电话通话，这些都是提示注入的目标。所以我们在边缘处运行某种检查，以检测某些类型的提示注入。”
“任何时候数据离开我们的系统——例如最明显的网络搜索，但如果我们向 Richard 发送日历邀请也是如此——那些外部数据上我们会应用确定性检查，检查我们已知是个人身份信息的特定信息，同时还有小型模型之间的比对，确保不会发生任何类型的数据泄露。”
6. 合规与审计能力通过代理的变更日志机制成为系统默认属性，且 AI 在合规检查上比人类更可靠
-
代理的每一次操作都自动生成变更日志，使审计能力成为系统默认属性：Arca 不仅记录代理所做的每一次变更，还记录人类操作者的变更，包括变更内容、执行者、来源系统和时间。这意味着审计不是事后补做的流程，而是内建在系统架构中的默认能力，为金融合规提供了可追溯的基础。
“我们让代理执行的每一个操作都生成一条变更日志，记录变更了什么、谁做的变更、来自系统的哪个部分，以及何时发生。这不仅仅适用于代理，顺便说一句，它也适用于人类操作者。所以，如果你在用户界面中做了影响客户的变更，我们会记录这个操作。因此，它让我们默认拥有审计能力。”
-
沙箱生成的财务计划在发布前必须通过确定性与模型化的多重验证：代理在沙箱中生成的财务计划不会直接发布，而是先经过两类检查：确定性检查用于拦截原始账号等硬性违规，模型化检查则用于识别承诺回报等更细微的合规风险。这种双重验证机制将合规审查前置到发布环节，而不是事后补救。
“一旦生成了财务计划，我们就会运行验证工具。在它被生成的那一刻，我们会执行一系列不同的检查。有些是确定性的，检查诸如“你是否刚刚在那里放了一个原始账号？”你不应该这样做。所以我们可以确定性地检查这一点。但我们也使用快速模型，比如较小的模型或 Jev，来分析是否存在可能使这份工作簿不合规的内容。例如，你真的不应该在那份工作簿中承诺回报。所以，这是我们在它可发布之前要检查的另一件事。”
-
AI 在合规检查上比人类更可靠，因为它不会因疲劳而遗漏最细微的违规信号：Aman Singh 明确指出，这种自动化合规检查使 Arca 的合规质量优于纯人工流程。AI 不会像人类一样因为疲劳或注意力下降而忽略最微小的不合规文本信号，这构成了 AI 在金融合规领域的核心竞争优势。
“关于这一点，我要说的最后一件事是，这样做让我们的合规比人类来做更好，因为 AI 不会厌倦于寻找最微小的不合规文本信号。所以，是的，我们会继续在这方面投入更多，并在边界处限制能力。”
7. 员工对代理输出的每一次修改和取消都被强制转化为评估数据，形成从一线反馈到系统改进的闭环
-
Arca 利用运营公司而非 SaaS 供应商的身份，强制员工在修改或取消代理输出时提供原因，将一线反馈转化为评估数据：Arca 作为一家实际运营的财富管理公司，而非向外部客户销售软件的 SaaS 供应商，拥有对内部员工工作流程的强制约束力。当员工修改或取消代理的输出时，系统要求他们必须提供原因，这些原因随后被转化为评估数据，成为系统改进的原始素材。
“这是作为运营公司而非 SaaS 公司的另一个优势：我们有能力强制他们向我们提供反馈。”
-
所有员工反馈都被关联到产生该输出的代理日志中，夜间运行的元代理会测试系统变更并识别误导性工具或知识库缺失：Arca 将收集到的员工反馈发送到数据存储中，并与产生该输出的代理日志建立关联。夜间，系统会运行一个元代理，汇总来自真实客户场景的痕迹，测试系统变更，识别可能误导的工具、导致错误的原因或知识库中缺失的信息，从而形成从反馈到改进的自动化闭环。
“所有这些反馈都会被发送到一个数据存储中，并与产生它的代理日志关联起来。”
“在夜间，我们运行一个流程，收集来自真实世界、来自我们客户的痕迹，并运行一个元代理来测试我们系统上的变更。可能存在误导性的工具、导致错误的东西，或者我们知识库中缺失的信息，它们会把这些信息展示给我们，然后我们就能改进它。”
-
人类工程师始终保留在提示词变更的发布环节中，因为代理自行修改提示词会产生糟糕且无法泛化的结果：尽管 Arca 建立了自动化的反馈收集和元代理测试机制，但在任何提示词变更发布之前，仍然必须有人类工程师参与把关。Aman Singh 指出，如果让代理自行修改提示词，它们会做出非常糟糕的变更，把每一个小修复都变成整个提示词，并且无法保持元层面的抽象和泛化能力。
“在发布任何提示词变更之前，我们仍然有一个人类、一个人类工程师在回路中。”
“我注意到，如果让代理自己修改提示词，它们会做出非常糟糕的变更。每一个小修复都会变成整个提示词。它们无法保持元层面的抽象，也无法将修复泛化为一个可泛化的提示词。”
8. 代理的主动服务能力能够发现人类顾问难以察觉的隐藏费用和合规问题，从而创造具体的客户价值
-
代理能从客户文件中发现人类顾问未披露的收费，并揭示顾问是否真正承担受托责任：在一个准客户案例中，Arca 的代理阅读并分析了客户提供的全部文件、投资数据和现有顾问信息，发现客户在不知情的情况下被收取额外费用，且该顾问并非受托人，没有法律义务为客户最大利益行事。这说明代理的细节分析能力可以直接暴露传统顾问关系中的利益冲突和隐性成本。
“他们发现存在一些费用，是那个人在他们不知情的情况下向他们收取的。他们向他们展示了这一点，让他们不仅意识到自己支付了过高的费用，还意识到那个人甚至不是受托人。”
-
代理会主动跟踪时间敏感的合规事项，将人类难以规模化执行的提醒变成默认行为：除了发现隐藏费用，Arca 的代理还会主动监测诸如最低分配额（RMD）截止日期等时间敏感事项，并在客户面临错过风险时发出预警。这种主动性在人类顾问中难以大规模持续实现，却成为 Arca 代理的默认工作方式，体现了从被动响应到主动服务的转变。
“比如某人的截止日期临近，或者他们面临错过最低分配额（RMD）的风险，或者类似的事情。人类很难大规模地跟踪这些，但这是我们在 Arca 的代理的默认行为。”
总结
Arca的实践揭示了一个关键判断：AI在专业服务中的真正价值不在于替代人类专家，而在于接管那些人类不愿做、做不好或无法规模化执行的周边工作。当代理负责分析、规划、合规检查和主动预警，而人类守住资金执行和客户沟通的最终审批权时，服务体验的跃升来自系统性的能力边界设计，而非单纯的技术堆叠。自建基础设施、确定性的安全护栏和默认的审计能力，共同构成了AI原生公司区别于AI工具使用者的护城河。这才是AI在金融专业服务中真正可传播、可复制的核心经验。
信息源
视频来源
- Using Agents for Long-Horizon Financial Work — Aman Singh, Arca：
外部资料
- Schedule | AI Engineer NYC 2026：
- AI Engineer 🔜 CODE Summit🌉 on ...：
- Agents prepare the work | Aman Singh, Arca | AI Engineer New ...：
- Using Agents for Long-Horizon Financial Work：
- Using Agents for Long-Horizon Financial Work — Aman Singh ...：
- Using Agents for Long-Horizon Financial Work — Aman...：
- Arca AI Agents: Own Harness, Memory, 10-Day Tasks：
- Using Agents for Long-Horizon Financial Work — Aman Singh ...：
- Using Agents for Long-Horizon Financial Work — Aman Singh ...：
- Arca Exits Stealth with $64M to Scale AI-Native Wealth ...：
- Arca Partners With Altruist to Power Its Wealth ...：