摩根大通公開了他們的多 Agent 系統架構：Ask David 怎麼做到的

Ask D.A.V.I.D. 是摩根大通投資研究團隊內部使用的 AI 問答系統，讓分析師可以用自然語言查詢財務數據、公司研究報告、複雜市場分析——系統自己去找資料、整理、審查完再回答。

2025 年，摩根大通的工程師在 LangChain Interrupt 大會上公開了這套系統的完整架構細節。這是金融業頭一次把企業等級的多 agent 系統架構攤開來講，業界反應熱烈。

這篇拆解他們怎麼做的。

一句話說清楚這套系統的設計哲學

企業 AI 不是讓 LLM 更聰明，而是讓它知道什麼時候要找誰幫忙。

Ask David 的核心想法很簡單：不要一個全能的 AI，而是一個會分工的 AI。

從一個爛 agent 進化來的

摩根大通的工程師不是一開始就設計出這套架構。他們經歷了四個迭代：

Plain ReAct agent — 一個 agent 包辦所有事，很快就發現它在複雜查詢上不穩定
RAG agent — 加入文件檢索能力，但結構化數據（財報、時序資料）依然是短板
Multi-agent with supervisor — 加入 supervisor 分工後，穩定性和準確性都明顯提升
加入 Reflection 和 Human-in-the-loop — 最後補上 LLM-as-judge 審查層和人工確認機制

這個進化路徑很誠實——他們沒有一開始就設計出完美架構，是在實際踩坑之後才長成這樣。值得學習的是這個「為什麼要這樣走」的過程，不只是最終架構本身。

四個角色分工

Loading diagram...

Supervisor Agent：負責聽懂你在問什麼

Supervisor 是整個系統的大腦，但它不負責回答問題，只負責「讀懂問題，然後分配任務」。

它做三件事：理解用戶的意圖、決定把任務路由給哪個 subagent（或哪幾個同時跑）、以及協調整個流程的狀態。它還有 short-term memory（這次對話的上下文）和 long-term memory（用戶的歷史偏好和角色設定），讓它能根據你是哪種分析師、平常問什麼類型的問題，給出個人化的路由決策。

Structured Data Agent：把中文問題翻成資料庫語言的那個

「過去五年蘋果的毛利率趨勢」——這種問題看起來很簡單，但背後要查的是結構化的財務時序資料，不是文字文件。

Structured Data Agent 專門處理這種情況。它把你的自然語言問題轉換成 SQL 查詢或 API 呼叫，去資料庫拉數字，再用 LLM 把原始數字整理成可讀的摘要。重點是它不只是機械地翻譯語言，還負責判斷應該查哪個資料來源、用什麼查詢邏輯。

RAG Agent：去文件堆裡挖答案的那個

研究報告、市場分析、公司公告——這些是非結構化的長文件，沒辦法直接查資料庫。

RAG（Retrieval-Augmented Generation）Agent 的工作就是在這些文件裡找到相關段落，再整合成答案。向量搜尋、文件分塊、語意比對，這些技術細節都在這個 agent 的內部處理，supervisor 只需要知道「有問題要查文件，丟給 RAG agent」。

Analytics Agent：跑複雜模型的那個

有些問題需要跑 proprietary 的量化模型或呼叫外部 API——比如風險評估、情境分析、預測模型。

Analytics Agent 負責這層。因為這類查詢的不確定性和複雜度最高，摩根大通在這個 agent 上設置了額外的人工監督機制，複雜查詢不會直接送出，會先等人確認。

Reflection Node：讓 AI 審查自己的輸出

這是整個架構裡最有意思的一個設計：在答案送出去之前，先讓另一個 LLM 來審查它。

這就是所謂的 LLM-as-judge 模式。Reflection Node 收到 subagent 整合出來的答案，判斷：這個答案完整嗎？有沒有邏輯漏洞？有沒有跟用戶的問題不對焦的地方？

如果審查通過，答案往下走。如果審查不通過，系統會重試——可能是重新路由、重新查詢、或是換一種整合方式。

這個設計解決了一個 LLM 的根本問題：模型對自己的錯誤沒有感知。它不知道自己什麼時候在亂說。Reflection Node 相當於在流程上強制加了一道「自我懷疑」的機制。

Human-in-the-loop：系統知道自己的邊界

通過了 Reflection Node 之後，還有一關：人工確認。

Ask David 不是一個想要全自動化的系統，而是一個知道自己在哪裡需要人的系統。它設計了 human-in-the-loop 機制，讓系統在特定情況下會主動暫停、等分析師確認，才把答案真正送出。

金融研究的決策後果很重，一個錯誤的數字或錯誤的摘要可能直接影響投資判斷。這道人工關卡不是設計缺陷，而是刻意保留的安全閥。

個人化：同一個問題，不同角色拿到不同答案

Ask David 還有一個細節值得注意：它會根據用戶的角色個人化答案的深度和呈現方式。

同樣是「分析這家公司的財務狀況」，給初級分析師的答案和給資深基金經理的答案，在資訊密度、假設前提、和呈現格式上都不一樣。這個個人化邏輯住在 Supervisor Agent 的 long-term memory 層。

為什麼這個架構正在被到處複製

Adam Ghowiba 在貼文裡說「this is the same architecture pattern showing up everywhere」——這個觀察是準的。

這套模式之所以被廣泛採用，是因為它解決了企業 AI 的三個核心矛盾：

準確性 vs. 速度：Supervisor 分工讓每個 subagent 只做自己最擅長的事，比一個通才 agent 更準；而 Reflection Node 在不增加太多延遲的前提下顯著提升答案品質。

自動化 vs. 可靠性：Human-in-the-loop 讓系統可以大膽自動化大部分流程，同時在高風險決策點保留人的判斷。這個平衡對金融、醫療、法律等領域特別重要。

通用性 vs. 專業性：每個 subagent 都可以針對特定類型的查詢深度優化，而不用讓一個 agent 試圖在所有事情上都表現良好。

這個架構的核心洞見是：多 agent 系統的價值不在於 agent 多，而在於分工清楚。Supervisor 知道誰擅長什麼，Reflection Node 知道什麼叫「夠好」，Human-in-the-loop 知道什麼地方不應該全交給機器——這三層加在一起，才是這個架構為什麼能在金融業這種對準確性要求極高的場景下落地的原因。

如果你在建企業 AI，這個模式值得認真看一遍。不是照抄，而是理解它在每個設計決策後面的「為什麼」。

如果你在研究多 agent 架構、或是想找一個能幫你跑多步驟研究任務的 AI 工具，Genspark Super Agent 是目前市場上少數把 agent 協調做得比較完整的產品——研究任務、報告整理、多步驟查詢都能跑。