从多智能体编排到AI自主决策：资损防控体系的架构演进
一句话概括
介绍资损防控体系如何从多智能体编排架构演进到AI自主决策架构的实践经验。
实践内容
V1（多智能体编排方案）
- 5个专业化Agent协同编排：知识抽取、资损分析、核对布防、产出监控、指标监控
- 从需求分析到布防部署的全链路自动化
- 效果：准确率42.9%，召回率63%
- 瓶颈：每个Agent只负责一道工序，没有Agent能看到全貌；信息在Agent间传递时大量丢失；编排逻辑硬编码，无法享受模型能力提升红利
V2（单Agent自主决策方案）
从5个专业Agent+编排引擎的分布式架构，转向1个全能Agent+工具链+域知识库的集中式架构。效果：准确率86%，召回率90%。
六大核心技术突破：
- 上下文连续性：AI全程持有完整原始文档，每个风险点可追溯到文档具体段落
- 主动探索式知识获取：AI自主决定何时搜索、搜索什么、读取哪些文件，支持跨域关联
- 结构化SOP：数据先行→知识导航→深度比对→事实驱动→交互确认→知识自沉淀的工程化流程
- 自我迭代的域知识库：采用Index模式作为结构化索引层，每次分析后自动回写新发现，形成知识飞轮
- 事实驱动硬约束：表结构强制校验、信息不足暂停确认、事实追溯、二次校验过滤，杜绝编造
- 布防资产版本化管理：所有资产存储在Git仓库，AI在OpenSpec规范下自主完成全链路操作
项目组织设计
- “文档即代码”哲学：整个资损防控体系构建在Git仓库中，不构建独立平台
- Markdown格式，AI可直接读取，无需向量数据库
- 使用IDE插件+Git+MCP服务，10分钟内完成环境准备
- 工作流精简为5步：准备文档→发起分析→审查方案→实施布防→确认推送
实际对比（混合货盘下单抽奖需求）
- V1广撒网产出10个风险点，V2精准聚焦产出9个风险点，每个可追溯到文档原文
- V1向量召回识别4条相关存量核对，V2逐一阅读精确识别6条可覆盖布防
- V1部分SQL使用占位符需人工补充，V2通过两阶段校验确保SQL准确性
摘录
更强的模型意味着更薄的编排层。系统的复杂度应当由模型能力来消化，而非由繁琐的流程设计来弥补。V1的多Agent编排架构，本质上是在用工程复杂度弥补模型能力的不足。因为早期模型上下文窗口有限、指令遵循不稳定，所以需要将任务拆分为多个子任务，由不同Agent分别处理。但随着模型能力的跃升，这种拆分反而成了瓶颈：编排层引入的信息损耗和协调开销，已经超过了它所解决的问题本身。
V2在架构层面贯彻可信度优先的原则：通过表结构强制校验、信息不足暂停确认、事实追溯等硬约束，确保每一条产出都经得起验证，让用户可以直接基于分析报告做决策，而非花大量时间筛选”噪音”。在资损防控场景中，一个错误的布防规则比没有布防更危险，其可能掩盖真实风险，给用户带来虚假的安全感。
知识沉淀应该是分析流程的自然产物，而不是额外的人工工作。这是一个零成本的正向飞轮：每次分析都在为下次分析积累知识，用得越多，效果越好。域知识库在这个飞轮中扮演着索引层的关键角色，即以结构化的方式组织知识，让AI在面对新需求时能够快速定位最相关的分析方向和历史经验。
在资损防控这样需要深度理解和精准判断的场景中，与其让多个Agent各管一段，不如给一个Agent足够的上下文、工具和决策权，让它像一个真正的资深专家一样思考和行动。我们没有造一个更复杂的多Agent系统，而选择回归本质，用结构化的规范约束AI行为、用Git保障知识库安全、用域知识库的自我迭代实现知识飞轮，最终以更简单的架构、更完整的上下文、更大的AI自主权，实现了更好的效果。
涉及实体
- 多智能体系统 —— 编排与协作框架
- AI决策系统 —— 自主决策能力
涉及主题
- 多智能体编排
- AI自主决策
- 资损防控
- 系统架构演进