• 感知：Agent 通过与其环境的直接互动、用户输入或查询外部系统来收集和解释与其专业领域相关的数据。

• 推理和规划：Agent 分析上下文信息，评估目标，并制定策略和计划，将自主决策与人类一致的目标相结合。

• 工具使用和协作：Agent 与其他 Agent 和外部系统交互，利用工具和共享资源有效执行任务。 这些工具可以是为 Agent 定制开发的，也可以是 Agent 外部的系统，例如企业应用程序或互联网托管服务。

• 执行：Agent 根据其决策采取行动，协调工作流程以实现有时需要专业参与者集体努力才能达成的结果。

目前有几种新兴的 Agent 架构模式，但最简单且应用最广泛的一种称为 RAISE 框架。 如下图所示，一个 Agent 由一个控制器组成，该控制器是接收输入并协调其活动的代码；一个大语言模型（LLM），它主要提供推理和规划能力；一个工作内存，用于跟踪 Agent 在给定任务上下文中迄今为止所做的工作；一组 Agent 可以根据需要调用的工具；以及一组可以进一步指导它的示例。Agent 本身以循环方式运行，它接收目标或目的，制定计划，使用工具执行计划中的一个步骤，与示例进行比较，然后提供给用户以获得响应。

1. 规划 Agent：负责确定评估机构借款人信誉所需的任务。
2. 数据收集 Agent：负责汇编财务报表、信用报告和其他文件。
3. 分析 Agent：负责计算债务比率等关键指标并标记风险。
4. 验证 Agent：负责审查调查结果并识别错误，将其迭代反馈以进行改进。
5. 备忘录准备 Agent：负责将结果整合到最终的信贷备忘录中，供人工审查和批准。

为了发挥其潜力，Agentic AI 必须克服四个关键挑战：

1. 在 Agent 之间建立信任：在去中心化环境中，Agent 必须在没有中央监管的情况下验证来自其他 Agent 的数据和决策的可靠性； 并且它们必须有一种机制来让其他 Agent 信任其任务的输出。
2. 保护隐私：协作通常需要 Agent 共享敏感数据。 在信息交换和隐私之间取得平衡是一个持续存在的障碍，尤其是在金融和其他受监管行业中扩展 Agent 时。
3. 确保互操作性：不同的系统、架构和监管框架使无缝协作复杂化。 标准化的协议和技术对于弥合这些差距至关重要。
4. 获取可靠的真实世界信息：Agent 需要准确的实时数据，但在动态或对抗性环境中确保其完整性是一个持续存在的挑战。

Agentic AI 依赖于富含上下文的数据。数据越好，Agent 的决策就越明智和精确。但这种依赖性带来了一些风险。 例如：

• 数据泄露：Agent 之间共享的敏感信息可能会暴露给未经授权的实体，尤其是在某些 Agent 位于组织边界之外的情况下。

• 数据操纵：Agent 可能依赖被篡改或不可靠的数据，从而破坏对系统的信任。 如果 Agent 是跨越司法管辖区或公司的多 Agent 系统的一部分，则此挑战可能尤其重要； 或者如果 Agent 与敏感的外部系统交互，其中不正确的数据或操作可能会产生重大的实际后果。

• 监管复杂性：欧洲的 GDPR 或沙特阿拉伯的 PDPL 等隐私法引入了额外的合规性要求，使多 Agent 协作复杂化。

1. Agent 间的信任：Agent 可以安全地验证彼此的输出，确保可靠的协作，而无需透露不必要的细节。 例如，当一个 Agent 在其组织边界内执行任务然后将输出传递给另一个 Agent 时，它还会提供一个零知识证明，证明其任务已按照组织的标准和要求完成。
2. 无需披露的凭证验证：Agent 可以在不暴露敏感数据的情况下证明符合要求（例如，遵守法规），并且还可以证明它们拥有其所有者的适当授权。
3. 最小化攻击面：ZKPs 限制数据暴露，减少漏洞并增强安全性。
4. 可靠的决策制定：Agent 可以验证外部数据的真实性，确保决策基于可信赖的信息。例如，Agent 可以利用来自去中心化预言机网络或 Chainlink Data Feed 的数据为其决策和行动提供重要的真实世界背景信息。

在监管领域，监管机构和受监管实体本身都面临着监督庞大而复杂的金融生态系统的艰巨任务。 Agentic AI 可以通过持续监控交易数据中的异常情况，确保遵守反洗钱 (AML) 和反恐怖主义融资 (CTF) 法规来简化这项工作。 这些 Agent 可以帮助自主验证合规性（同时还实时了解法规的演变情况），标记高风险交易供人工审查，同时保持严格的隐私协议。 通过利用零知识证明 (ZKPs)，它们确保敏感的客户数据保密，从而解决了行业最紧迫的挑战之一：在透明度与隐私之间取得平衡。

如前所述，信贷分析这个传统上劳动密集型的过程也将从中受益。 金融机构通常会汇编和审查大量数据集以评估信誉。 Agentic AI 可以将此过程分解为专门的任务：一个 Agent 收集财务数据，另一个 Agent 计算债务收入比等关键风险指标，第三个 Agent 将这些发现整合到一份全面的信贷备忘录中。这些 Agent 无缝协作，确保更快、更准确的评估——这在风险较高的机构贷款中尤为重要。

负责实施货币政策的中央银行也可以利用 Agentic AI 的力量。Agent 监控通货膨胀、GDP 增长和就业率等关键经济指标，综合分析结果以指导政策决策。通过模拟利率变化或公开市场操作的影响，这些系统使中央银行能够更有信心和更精确地微调其干预措施，从而减轻各部门的意外后果。

通证化资产，例如数字债券或通证化房地产，正在成为现代金融不可或缺的一部分，而 Agentic AI 提供了有效管理它们的基础设施。Agent 可以跟踪资产表现，验证抵押品价值，并将这些资产整合到贷款和投资组合中。对于探索使用通证化绿色债券支持 ESG 目标的中央银行，Agent 可以确保合规性，监控市场状况，并向政策制定者提供实时分析。