人工智能代理的承诺与挑战
2023年初,带着利用人工智能代理自动化金融科技和银行运营流程的愿景,Parcha成立了。早期的演示表明,像AutoGPT和BabyAGI这样的框架可以利用大型语言模型（LLM）动态创建和执行复杂计划,这为自动化带来了新的希望。然而,当Parcha尝试将这一概念应用于现实世界的合规流程（如KYB、KYC和欺诈检测）时,挑战也随之而来。
早期尝试：动态代理的复杂性
Parcha最初的模型是创建一个能够读取标准操作程序（SOP）并像人类分析师一样执行任务的代理。代理会根据SOP生成动态计划,利用各种工具执行任务,并记录结果。然而,这种方法在实际应用中却遭遇了困境。
动态生成的计划导致每次执行都不同,难以预测和评估系统的可靠性。此外,共享内存模型（暂存器）的使用导致任务之间紧密耦合,难以隔离和测试,从而影响效率。
转变方向：聚焦核心需求,打造高效解决方案
认识到构建完全自主代理的复杂性,Parcha迅速调整了方向。公司选择专注于构建模块化、可扩展的LLM驱动工作流程,以解决特定用例,例如KYB/KYC合规审查。
Parcha没有依赖代理动态生成计划,而是创建了一个基于静态代理配置的编排框架。这种方法允许将SOP分解为离散的任务,并使用专门的工具自动执行。例如,验证企业注册不再依赖于代理的推理,而是使用一系列工具来解析文档、提取信息并进行验证。
Parcha的解决方案：模块化LLM驱动的流程
Parcha现在专注于构建可重复使用、可独立评估的AI工具（“检查器”）。这些工具经过精心安排,以执行从提取信息到做出基于推理的决定的各种任务。
例如,在筛选新闻文章以识别与目标人物相关的负面媒体时,Parcha采用了一种结构化的方法：

精准提取： 使用低成本的LLM并发提取每篇文章的关键信息。
智能聚类： 使用更复杂的模型将文章聚类到“新闻事件”中,以便进行更深层次的上下文分析。
独立判断： 利用顶级模型根据提取的信息对每篇文章进行独立判断,确保判断的客观性。
最终决策： 汇总部分判断结果,生成最终决定和详细报告,为决策提供充分依据。

聚焦带来的优势
这种模块化方法为Parcha带来了显著的优势：

模块化和可重用性： 简化了维护和更新,提高了系统的灵活性,方便快速适应新的需求。
可扩展性和并行化： 实现高效处理大量数据,缩短处理时间,极大提高了效率。
准确性和可靠性： 允许对每个组件进行独立评估,提高整体准确性,确保结果的可靠性。
成本效益： 根据任务复杂性优化LLM的使用,降低成本,实现更高的性价比。
透明度和可审计性： 提供清晰的决策过程解释,确保可审计性,为合规工作提供有力保障。

未来的方向
虽然人工智能代理在某些领域（如客户支持和代码生成）显示出潜力,但在处理复杂工作流程（如合规自动化）方面,专注于构建模块化、可扩展的LLM驱动工作流程是更有效的方法。
Parcha的经验表明,专注于解决客户的特定问题并利用LLM的优势,可以构建出可靠、高效且具有成本效益的解决方案,这对于推动人工智能技术在各行业的落地应用具有重要的借鉴意义。