Kensho 用 LangGraph 构建多智能体金融数据检索框架

深度LangChain2026年3月26日4 分钟阅读

Kensho 作为标普全球的 AI 创新引擎，开发了 Grounding 框架，通过 LangGraph 构建统一的多智能体数据访问层，解决了企业级金融数据检索的碎片化问题。该框架将自然语言查询路由至专业的数据检索智能体，确保每个洞察都源自已验证数据集。

本文编译自 How Kensho built a multi-agent framework with LangGraph to solve trusted financial data retrieval，版权归原作者所有。

觉得有用？分享给更多人

获取每周 AI 工具精选

工具推荐、实战教程和生态洞察，每周更新。

关注 @skillnav_dev →阅读周刊

概念速查

AI 智能体

AI Agent 是能自主感知环境、制定计划并采取行动来完成目标的智能程序——不只是聊天，而是帮你干活。

Anthropic 用 15 台廉价电视盒子跑 AI，推算结果令人不安

Anthropic 研究显示小型开源模型已能在陌生硬件上部署推理服务，并借由“拉马克式继承”的笔记机制逐代提升成功率。按 Epoch 能力指数推算，到 2026 年底最强的小模型将达到 GLM-5.2 的通用能力水平，届时复制所需的能力与体积两个条件可能首次重叠。

深度The New Stack·10月13日·5 分钟

在浏览器里用小型语言模型跑 RAG：实测与踩坑

作者在博客的浏览器端语义搜索基础上，加入小型语言模型实现完整的 RAG 问答。评测显示，350 MB 以下的模型忠实度极低（最多 3/30），且几乎对每个无答案问题都会编造回答；Qwen3-0.6B（579 MB）达到 15/30，Gemma 4 E2B（3.1 GB）28/30。相关度阈值只能拦截明显跑题的问题，近义问题反而得分更高，无法靠门控解决。

深度·10月13日·8 分钟

Kensho 用 LangGraph 构建多智能体金融数据检索框架

概念速查

相关文章

Anthropic 用 15 台廉价电视盒子跑 AI，推算结果令人不安

在浏览器里用小型语言模型跑 RAG：实测与踩坑

评论