知識增強型LLM Agent在資產配置中的"格式效應"對金融AI系統設計的實踐啟示

知識庫格式作為一級設計決策的核心地位已得到驗證。研究表明，v1的非結構化事件格式因包含具體事件名稱和時間線，為LLM提供了更明確的歷史類比線索，其信息密度高、敘事性強的特征更接近新聞/研報的自然語言分布，從而更好地激活了模型的類比推理能力。相比之下，v2的規范化摘要格式雖信息更規整、冗余更低，但缺乏事件錨點和時間線細節，LLM可能將其解讀為數據庫查詢結果而非可行動的信號，導致系統性保守。

對于金融AI系統的工程實踐，這意味著信息組織方式需要與LLM的預訓練語料分布相匹配。具體而言，在構建檢索增強生成（RAG）系統時，應優先采用包含時間錨點、因果鏈條和敘事結構的非結構化文本，而非過度規范化的分類摘要。同時，需建立格式-目標對齊機制：若追求絕對收益，events格式更優；若追求風險調整收益，summaries格式的低回撤特征更具價值。

關于格式效應的模型依賴性，研究明確指出這是尚未驗證但值得深入探索的方向。不同模型（GPT-4、Claude、Gemini等）在相同知識庫條件下的表現可能存在系統性差異，尤其是格式效應是否在不同模型架構和訓練范式下保持一致。若格式效應具有模型依賴性，則策略設計需針對特定模型進行定制化優化，這對金融機構的多模型適配策略提出了要求。

針對Agent視野局限性的優化路徑，研究建議從兩個維度擴展：一是資產覆蓋維度，將知識庫從4類資產擴展至行業ETF、國際資產及另類資產，引入跨境宏觀聯動信號（如美聯儲政策、美元指數、原油價格對A股的外溢效應）；二是因子體系維度，補充行業輪動指標（如行業相對強弱、風格因子動量）和全球宏觀聯動指標。這將檢驗Agent在高維空間中的決策能力穩定性，也是知識庫工程從"本土宏觀"向"全球配置"躍遷的必由之路。