Xây dựng Agent thẩm định doanh nghiệp với Deep Agents, LangSmith và xử lý song song

Tự động hóa quy trình nghiên cứu doanh nghiệp nhiều bước với khả năng điều phối tác nhân (agentic orchestration) và trí tuệ web có cấu trúc.

Thẩm định doanh nghiệp (due diligence) là một quy trình công việc xuất hiện ở khắp mọi nơi trong lĩnh vực dịch vụ tài chính. Các chuyên viên phân tích vốn cổ phần tư nhân (PE) sàng lọc các thương vụ, đội ngũ tín dụng ngân hàng đánh giá người vay, các nhóm tuân thủ thực hiện quy trình onboarding cho thực thể mới, và các chuyên viên bảo hiểm đánh giá các chủ hợp đồng thương mại. Nghiên cứu này tuân theo một mô hình nhất quán: Lấy thông tin một công ty, điều tra trên nhiều khía cạnh, và tạo ra một báo cáo thông tin có cấu trúc, trong đó mọi tuyên bố đều có dấu vết nguồn dẫn.

Tài liệu hướng dẫn này xây dựng một tác nhân tự động hóa quy trình đó bằng cách kết hợp Deep Agents của LangChain để điều phối và Task API của Parallel để nghiên cứu web. Deep Agents xử lý việc lập kế hoạch, ủy quyền cho các tác nhân phụ (subagent) và quản lý ngữ cảnh. Parallel xử lý công việc nghiên cứu thực tế, trả về các kết quả có cấu trúc kèm theo trích dẫn cho từng trường, dấu vết lập luận và điểm tin cậy được hiệu chuẩn thông qua Basis. Khi các kết quả từ một luồng nghiên cứu đặt ra những câu hỏi mới, tính năng nghiên cứu tương tác của Parallel cho phép tác nhân tạo chuỗi các truy vấn tiếp theo với đầy đủ ngữ cảnh từ luồng nghiên cứu trước đó.

Tổng quan

Tác nhân điều phối năm luồng nghiên cứu, mỗi luồng được xử lý bởi một tác nhân phụ chuyên biệt:

Sau khi competitive-landscape (bối cảnh cạnh tranh) trả về danh sách các đối thủ, bộ điều phối sẽ gửi một tác nhân phụ competitor-analysis (phân tích đối thủ) riêng biệt cho từng đối thủ cạnh tranh, thực hiện song song — đây là hình thái fan-out điển hình của Deep Agents, với mỗi instance chạy trong ngữ cảnh cô lập riêng. Sau đó, bộ điều phối đọc mọi tài liệu làm việc (workpaper), đối chiếu chéo để tìm các mâu thuẫn và kết quả có độ tin cậy thấp, thực hiện các tra cứu ad-hoc thông qua Search API của Parallel khi phát hiện sự khác biệt, và viết báo cáo cuối cùng kèm theo các cảnh báo rủi ro và dấu vết trích dẫn.

Thẩm định doanh nghiệp (DD) đòi hỏi kiến trúc đa bước này vì những kết quả ban đầu sẽ thay đổi những gì cần điều tra tiếp theo. Nếu hồ sơ doanh nghiệp tiết lộ mục tiêu là một công ty con, phân tích tài chính cần phải bao gồm cả công ty mẹ. Nếu quá trình quét kiện tụng phát hiện một cuộc điều tra của SEC, đánh giá rủi ro sẽ thay đổi. Công cụ lập kế hoạch của Deep Agents cho phép bộ điều phối thích ứng khi các kết quả làm thay đổi kế hoạch nghiên cứu.

Mỗi luồng nghiên cứu sử dụng một lệnh gọi Task API với bộ xử lý pro-fast. Đã được xác thực toàn diện trên Rivian Automotive (NASDAQ: RIVN): chín lệnh gọi trong khoảng 23 phút. Xem bảng giá của Parallel để biết mức phí hiện tại.

Triển khai

Xác định các công cụ nghiên cứu của Parallel

Chúng tôi xác định hai công cụ. Công cụ đầu tiên bao bọc Task API của Parallel để nghiên cứu có cấu trúc với khả năng xử lý độ tin cậy nhận biết Basis. Công cụ thứ hai sử dụng công cụ tìm kiếm web tích hợp của LangChain để tra cứu nhanh các thông tin thực tế trong quá trình tổng hợp.

Công cụ này thực hiện ba việc ngoài một lệnh gọi API thô. Nó gọi parse_basis(result) để trích xuất các trích dẫn cho từng trường và tên của bất kỳ trường nào có độ tin cậy thấp. Nó hiển thị các tên đó dưới dạng một low_confidence_warning rõ ràng trong giá trị trả về của công cụ, để vòng lặp lập luận của tác nhân phụ gọi lệnh có thể quyết định tạo chuỗi truy vấn tiếp theo. Và nó trả về interaction_id để lệnh gọi theo chuỗi có thể neo vào cùng một luồng nghiên cứu thông qua previous_interaction_id.

Xác định các tác nhân phụ nghiên cứu

Mỗi luồng nghiên cứu có một tác nhân phụ riêng với system prompt chuyên biệt và quyền truy cập vào công cụ research_task.

Các tác nhân phụ khác trong Giai đoạn 1 (financial-health, litigation-regulatory, news-reputation, competitive-landscape) tuân theo cùng một hình thái với các prompt tập trung riêng của chúng. Bộ đầy đủ nằm trong agent.py.

Tác nhân phụ fan-out của Giai đoạn 2 được gọi một lần cho mỗi đối thủ cạnh tranh được xác định bởi competitive-landscape:

Tạo tác nhân điều phối

Tác nhân chính điều phối các tác nhân phụ, xem xét các kết quả để tìm mâu thuẫn và tạo ra báo cáo cuối cùng. Chúng tôi hỗ trợ nó bằng FilesystemBackend để các tài liệu làm việc và bản ghi nhớ cuối cùng được lưu vào đĩa dưới thư mục./reports/ thay vì biến mất cùng với trạng thái của tác nhân.

Chạy tác nhân

Truyền phát tiến độ thực thi

Đối với các đợt thẩm định kéo dài, hãy truyền phát tiến độ của tác nhân để xem việc lập kế hoạch, các lệnh gọi công cụ và hoạt động của tác nhân phụ trong thời gian thực. Truyền subgraphs=True để nhận các sự kiện từ bên trong quá trình thực thi của tác nhân phụ.

Khả năng quan sát với LangSmith

Tại sao khả năng quan sát lại quan trọng đối với FSI (Dịch vụ tài chính)

Trong lĩnh vực FSI, các cơ quan quản lý, kiểm toán viên và nhóm rủi ro ngày càng kỳ vọng các công ty có thể tái hiện cách thức tạo ra các kết quả đầu ra có sự hỗ trợ của AI, đặc biệt là khi những kết quả đó ảnh hưởng đến các quyết định kinh doanh quan trọng. Sáu tháng kể từ bây giờ, một kiểm toán viên nội bộ, người đánh giá tuân thủ, nhóm rủi ro mô hình, ủy ban đầu tư hoặc cơ quan quản lý có thể hỏi cách một bản ghi nhớ thẩm định có sự hỗ trợ của AI được tạo ra như thế nào. Những nguồn nào đã cung cấp thông tin cho mỗi kết luận quan trọng? Độ tin cậy được gắn kèm là bao nhiêu? Con người đã xem xét hoặc ghi đè kết quả đầu ra ở đâu? Quy trình của tác nhân có được ghi nhật ký đủ tốt để tái hiện không? Trong FSI, "tác nhân đã đưa cho tôi câu trả lời" không phải là một tư thế kiểm soát có thể bảo vệ được.

Tác nhân tổng hợp tính không xác định (đầu ra LLM, độ nhạy của prompt, web mở), chi tiêu tiền thật cho nghiên cứu web thực tế và kết thúc bằng một bản ghi nhớ mà cơ quan quản lý có thể kiểm toán. Mọi tuyên bố phải ánh xạ ngược lại một nguồn chính với nhãn tin cậy rõ ràng, và ánh xạ đó phải có thể kiểm toán được nhiều tháng sau khi quá trình kết thúc. Khi tác nhân đạt đến giai đoạn sản xuất, hầu hết các lỗi của nó cũng xuất hiện ở đó, nơi mà việc kiểm thử trước khi ra mắt hiếm khi phát hiện được. Dấu vết (trace) là hiện vật tồn tại sau quá trình chạy.

Đây là lý do tại sao dấu vết lại quan trọng đặc biệt trong FSI:

Cách thức hoạt động của tuân thủ và kiểm toán hiện nay

Các nhóm FSI đã có một hệ thống để chứng minh cách một bản ghi nhớ nghiên cứu được tạo ra: tài liệu làm việc của chuyên viên phân tích, danh sách trích dẫn, phê duyệt nguồn, lịch sử phiên bản và đánh giá tuân thủ. Mô hình đó hoạt động vì chuyên viên phân tích là đơn vị chịu trách nhiệm. Khi một thanh tra, kiểm toán viên hoặc người đánh giá tuân thủ hỏi làm thế nào một kết luận đạt được, chuyên viên phân tích có thể trình bày lại lập luận, với các tài liệu làm việc và trích dẫn hỗ trợ cho sản phẩm cuối cùng. Các tác nhân AI thay đổi mô hình đó.

"Chuyên viên phân tích" không còn chỉ là một con người. Đó là một đồ thị của các lệnh gọi LLM, lệnh gọi công cụ, nguồn được truy xuất, kết quả đầu ra trung gian và các chuyển đổi trạng thái. Trừ khi các bước đó được ghi lại tại thời điểm chạy, bản ghi nhớ cuối cùng có thể còn tồn tại, nhưng quy trình tạo ra nó có thể biến mất vào các nhật ký, cửa sổ ngữ cảnh và các lệnh gọi nhà cung cấp khó có thể tái hiện sau này. Dấu vết khôi phục lại điểm gắn kết. Nó trở thành tài liệu làm việc phía máy: một bản ghi có thể kiểm tra về việc những nguồn nào đã cung cấp thông tin cho mỗi kết luận quan trọng, độ tin cậy được gắn kèm là bao nhiêu, những công cụ nào đã được gọi, nơi nào có sự xem xét của con người và cách thức tạo ra kết quả cuối cùng.

Những gì LangSmith ghi lại

LangSmith ghi lại mọi bước của Deep Agents và mọi lệnh gọi ParallelTaskRunTool trong tác nhân này: prompt mà tác nhân phụ đã xây dựng, các URL mà Parallel trả về, payload basis kèm độ tin cậy và các kết quả có cấu trúc, mà không cần thay đổi mã nguồn của tác nhân. Mỗi lần chạy cũng được chia nhỏ thành chi phí theo từng nút trên mỗi lệnh gọi mô hình, lệnh gọi công cụ và tác nhân phụ, vì vậy bạn có thể thấy chính xác bước nào chiếm bao nhiêu phần trăm token và thời gian. Khi hai lần chạy có chi phí rất khác nhau, dấu vết cho thấy sự khác biệt nằm ở lập luận của tác nhân phụ, các lệnh gọi Parallel bổ sung hay bước tổng hợp cuối cùng.

Những gì dấu vết hiển thị

Mở bất kỳ lần chạy nào và điều đầu tiên bạn thấy là kế hoạch của bộ điều phối: một danh sách TODO bốn giai đoạn vạch ra chiến lược nghiên cứu trước khi bất kỳ tác nhân phụ nào chạy.

Giai đoạn 1 sau đó gửi tất cả năm tác nhân phụ nghiên cứu song song: corporate-profile, financial-health, litigation-regulatory, news-reputation và competitive-landscape. Mỗi tác nhân phụ nhận một nhiệm vụ tập trung được mô tả bằng tiếng Anh đơn giản trong lệnh gọi công cụ điều phối. Nhấp vào bất kỳ nút tác vụ nào trong dấu vết và bạn có thể thấy chính xác những gì tác nhân phụ đó đang làm: prompt mà nó đã đưa ra, các lệnh gọi Parallel mà nó đã thực hiện và các nguồn đã trả về.

Sau khi Giai đoạn 1 hoàn tất, bộ điều phối phân nhánh các phân tích theo từng đối thủ cạnh tranh (Giai đoạn 2), đối chiếu chéo các tài liệu làm việc để tìm mâu thuẫn (Giai đoạn 3) và tổng hợp bản ghi nhớ cuối cùng (Giai đoạn 4). Mọi lệnh gọi công cụ đều được ghi lại trong suốt quá trình.

Chọn research_task của bất kỳ tác nhân phụ nào sẽ hiển thị đầy đủ các kết quả có cấu trúc mà Parallel đã trả về: mọi trường, mọi đoạn trích và mọi URL, bao gồm cả nội dung ngoài phần tóm tắt được đưa vào tài liệu làm việc.

Trích dẫn và độ tin cậy