如何用一个 Agent 实现金融自动化：Ramp 的智能架构解析

在现代企业金融领域，如何通过人工智能实现自动化并提升效率，成为大家关注的焦点。Ramp，作为美国增长最快的企业金融平台之一，深入实践了 AI 技术，从多 Agent 模式转向了“一个 Agent + 一千种技能”的架构，并取得了显著成果。这背后，不仅是技术层面的突破，也凝聚了针对业务需求的精准优化。

为什么选择“一个 Agent + 一千种技能”？

去年，Ramp 为了测试 Agent 在不同场景中的表现，让多个团队自由实验 Agent 的使用方式。最终，这种实验性方式产生了四种实现方式和五个对话界面。虽然看上去灵活多样，但冗杂的架构为后续维护和扩展带来了巨大挑战。

因此，Ramp 决定聚焦构建一个更加统一和高效的架构，即“一个 Agent + 一千种技能”。这种模式的核心在于，通过一个通用的基础 Agent，结合模块化技能扩展，解决特定场景的需求，在提升功能覆盖率的同时，显著减少了系统的复杂性。

Policy Agent：从零到上线的全过程

在 Ramp 内部，Policy Agent 是一个被广泛应用的关键模块，它的主要任务包括支付审批、收据检查与员工职能管理。尽管模型选择非常重要，但 Ramp 的实践表明，给模型提供充分的上下文信息才是真正降低错误率的关键。

常见的上下文包括：

• 员工职级
• 交易收据的细节
• 商户的背景信息

这些信息可以更精准地指导模型决策，而不是仅仅依赖更高算力的算法。

定义“正确”的标准：数据标注的关键作用

在人工智能系统中，判断模型的决策是否正确是至关重要的一环。Ramp 指出，用户的审批习惯和行为并不能直接等同于“正确”的标准。因此，他们专门成立了跨职能团队，每周对数据进行手动标注，用以创建更贴近业务逻辑的基准答案（ground truth）。

这种深度参与的标注方式显著提升了 Policy Agent 对用户需求的理解能力，也让系统逐步优化到了更高的准确率。

内部编码 Agent 的高效运作

Ramp 内部的 AI 编码 Agent，名为“Inspect”，同样是一个亮点。这个 Agent 可以自动生成合并 PR 的核心代码，其贡献值已经超过 Ramp 当月 50% 的 PR 产出。更令人惊讶的是，它的使用群体不仅局限于工程师团队，甚至产品、设计、法务和营销等非技术团队也能轻松上手。

通过这样的自动化工具，Ramp 显著提高了代码编写的效率，同时也为非技术团队提供了更加便捷的开发方式，这无疑拓展了 AI 在组织内的应用边界。

AI 时代工程师的价值所在

Ramp 的实践充分说明，在 AI 时代，工程师的核心价值不再局限于手动编写代码的速度，而在于建立系统的判断力。这种判断力体现在两个层面：

• 知道什么东西是值得构建的。
• 知道 AI 构建的内容哪里需要优化。

换句话说，工程师要通过深度思考和前瞻性判断，充分发挥 AI 工具的潜力，而非仅仅把它当作执行工具使用。

总结与启示

Ramp 的探索无疑为企业如何高效利用 AI 提供了清晰的示范。从“一个 Agent + 一千种技能”的架构选择，到重点上下文提供与数据标注策略，再到自动编码 Agent 的推广应用，Ramp 始终以满足实际业务需求为导向，进行技术的迭代与优化。

结合 Ramp 的经验，相信越来越多的企业能够挖掘出 AI 在金融自动化中的潜力，更好地适应现代化业务的挑战。