Как работает агентная платформа в wealth: Разум, Агенты, Поток

«Агентная платформа» — термин, всё чаще появляющийся в презентациях технологий для финансового сектора. Как и любой стремительно входящий в обиход термин, он рискует утратить точность по пути. Это эссе — противоположность питчу: техническое и функциональное описание того, как агентная платформа для wealth management работает, написанное для того, кто будет оценивать архитектуру, а не для того, кого нужно убеждать в существовании категории.

Структура состоит из 3 слоёв: Разум (граф постоянной памяти), Агенты (автономная согласованная рабочая сила) и Поток (сквозной коммерческий цикл). В конце мы пройдём реальный пример — сообщение WhatsApp, поступающее в 14:23, и то, что происходит в следующие 60 секунд.

Разум — граф постоянной памяти

Отправная точка любой эффективной агентной платформы для wealth management — решение фундаментальной проблемы: агентам нужен контекст, чтобы действовать хорошо. Без контекста агент полезен не больше, чем универсальная модель — а универсальные модели не знают, кто Ваш клиент.

Разум — это граф постоянного знания, структурированное представление сущностей (клиенты, члены семьи, holdings, активы, ответственные банкиры, события) и связей между ними. Это не плоская реляционная база данных. Это семантическая сеть, по которой можно проходить: от клиента к портфелю, от портфеля к активам, от активов к рыночным событиям, на них влияющим, от событий к зарегистрированным взаимодействиям, от взаимодействий к зафиксированному эмоциональному и стратегическому контексту.

Что содержит граф

• 01 Профиль клиента — анкетные данные, suitability, классифицированный с детализацией (не просто «консервативный», а что это значит для этого клиента: какие активы он принимает, какие отвергает, каков горизонт, каков эмоциональный контекст риска).
• 02 Holdings и позиции — полная имущественная структура: активы под кастоди, корпоративные доли, holdings, offshore, недвижимость где это уместно, с обновлением через feed-ы кастоди.
• 03 История взаимодействий — не просто «звонок — OK», а структурированное содержание каждого релевантного разговора: обсуждённые темы, выраженные опасения, принятые обязательства, тон и эмоциональный контекст.
• 04 Семейная и имущественная сеть — супруг(а), дети, наследники, партнёры, связи, имеющие значение для управления капиталом и для решений suitability и compliance.
• 05 Связанные рыночные события — новости и события, отображённые на затронутые позиции, с релевантностью, рассчитанной по клиенту. Не 500 новостей дня — а 3, которые важны именно для этого клиента.

Граф питается из множества источников: feed-ов кастоди, обработанных транскриптов WhatsApp, заметок встреч банкиров, отфильтрованных лент новостей и плановых обогащений специализированных агентов. Каждый новый элемент данных вставляется с временной меткой, источником и контекстом — создавая аудируемую временную шкалу всего, что система знает о каждом клиенте.

«Разум — это не база данных с поиском. Это то, что знает банкир с 15 годами в институте — но доступное любому агенту мгновенно, без деградации из-за смены людей».

Агенты — согласованная рабочая сила

Второй столп — агентная рабочая сила: набор специализированных агентов, работающих над графом памяти и согласованных центральным orchestrator. У каждого агента есть чётко определённая зона ответственности, ограниченные права и конкретный режим работы (активный или реактивный, по расписанию или event-driven).

Concierge — точка входа

Concierge — агент intake, точка контакта между внешним миром и системой. Каждое входящее сообщение проходит через Concierge: WhatsApp клиента, email, запрос банкира. Concierge идентифицирует намерение, классифицирует срочность, решает то, что может решить в пределах своих прав, и передаёт специализированным агентам то, что требует дополнительной обработки.

Oghma — orchestrator

Oghma — центральный orchestrator, агент, который принимает сложные задачи и разлагает их на подзадачи, распределяемые среди специализированных агентов. Когда запланирована встреча, Oghma не генерирует брифинг сам — он указывает агенту portfolio обновить позиции, агенту suitability — проверить профиль, агенту news — отфильтровать релевантные события, агенту compliance — проверить открытые вопросы. Получает результаты и синтезирует итоговый брифинг.

Oghma поддерживает состояние каждой выполняющейся задачи, управляет зависимостями между подзадачами и гарантирует, что сбои отдельных агентов не блокируют итоговый результат. Он LLM-агностичен — может оркестрировать агентов, работающих на Anthropic Claude, OpenAI GPT, open-source моделях или их комбинации.

Специализированные агенты

• Investments Agent — обращается к позициям в графе, рассчитывает экспозицию, выявляет концентрацию, сравнивает с benchmark и инвестиционной политикой клиента. Создаёт структурированный анализ портфеля, а не общий текст.
• Suitability Agent — проверяет, находится ли предложенное сообщение, рекомендуемая аллокация или предложение в пределах классифицированного для этого клиента suitability. Сигнализирует о расхождениях до того, как они дойдут до банкира.
• Compliance Agent — применяет правила, настроенные compliance-офицерами института, ко всем исходящим сообщениям. Проверяет регуляторные ограничения и внутренние политики. Формирует audit trail каждого решения.
• Briefing Agent — синтезирует все входы других агентов в структурированный документ, читаемый менее чем за 60 секунд, в формате, который банкир узнаёт и использует.
• News Agent — обрабатывает ленты новостей и фильтрует по релевантности для портфеля каждого клиента. Не отправляет «важные новости» — отправляет то, что важно для этого клиента, на основании активов, которыми он владеет.
• WhatsApp Analyst — обрабатывает входящие сообщения WhatsApp: транскрибирует аудио, идентифицирует намерение, извлекает принятые обязательства, обновляет граф содержанием взаимодействия, предлагает ответ на проверку банкиру.

«У каждого агента ограниченные права. Ни один агент не принимает решения вне своего scope. Банкир остаётся в линии утверждения для всех действий, имеющих внешние последствия».

Поток — реальный пример

Теория необходима, но недостаточна. Пройдём конкретный пример: сообщение WhatsApp, поступающее в 14:23. Клиент — господин Монтейро, патриарх семьи с капиталом под управлением в банке с private banking. Сообщение гласит: «Нужно поговорить о том, что происходит с фондом. Я обеспокоен».

14:23:01 — Сообщение получено

Сообщение поступает по каналу интеграции WhatsApp Business API. Concierge получает его, идентифицирует отправителя как г-на Монтейро (через номер, отображённый в графе), классифицирует намерение как «обеспокоенность по поводу результатов — требуется срочный брифинг» и активирует Oghma с высоким приоритетом.

14:23:04 — Oghma разлагает задачу

Oghma читает контекст г-на Монтейро в графе: профиль suitability умеренно-консервативный, 42% портфеля в мультистратегических фондах, последнее зарегистрированное взаимодействие было 12 дней назад. Разлагает на параллельные подзадачи: (1) Investments Agent: результаты фондов в портфеле за последние 30 дней; (2) News Agent: рыночные события, релевантные для портфеля г-на Монтейро; (3) WhatsApp Analyst: история предыдущих взаимодействий по теме результатов.

14:23:08 — Агенты параллельно

Investments Agent извлекает позиции из графа и рассчитывает: эталонный фонд в портфеле г-на Монтейро упал на 3,2% за месяц при benchmark в −1,8%. News Agent идентифицирует две релевантные статьи, опубликованные за последние 48 часов о секторе экспозиции фонда. WhatsApp Analyst находит в истории, что в марте г-н Монтейро выразил дискомфорт по поводу волатильности выше 2% в месяц и что текущий банкир обязался позвонить, если фонд превысит этот уровень.

14:23:19 — Синтез и предлагаемый ответ

Oghma получает результаты от 3 агентов, активирует Suitability Agent для подтверждения, что ответ «контекст + предложение звонка» находится в пределах scope, и Compliance Agent для проверки того, что никакая информация в предложенном ответе не нарушает политики коммуникаций. С одобрения обоих, Briefing Agent синтезирует ответное сообщение для г-на Монтейро и внутреннее memo для ответственного банкира.

14:23:41 — Банкир получает пакет

Банкир получает на панели: (1) полный контекст г-на Монтейро, обновлённый сегодняшним сообщением; (2) анализ результатов фонда с рыночным контекстом; (3) мартовское обязательство, которое не было выполнено — банкир должен был позвонить, когда волатильность превысила 2%; (4) черновик ответа для WhatsApp, ожидающий утверждения; (5) предложение запланировать звонок в течение ближайших 30 минут.

Банкир одним кликом утверждает сообщение, корректирует два термина, и ответ отправляется. Взаимодействие регистрируется в графе. Мартовское обязательство обновляется как «открыто — решено запланированным звонком». Всё это между 14:23 и 14:24.

Безопасность, изоляция и развёртывание — для технического покупателя

Вопросы, которые на этом этапе задаёт каждый CIO и CTO банка или управляющей компании, предсказуемы — и закономерны. Отвечаем напрямую:

Multi-tenant изоляция

Каждый tenant (каждый банк, каждое подразделение, каждый сегмент) работает с полностью изолированным графом. Совместного использования данных между tenants нет. Банк с private banking и asset management в одном институте может настроить отдельные tenants с разными политиками compliance, без пересечения данных между подразделениями.

Развёртывание on-premise

Платформа работает на VPS или в дата-центре института. Coolify, Kubernetes или традиционная VM — выбор за институтом. Данные клиентов никогда не уходят на серверы третьих сторон. LLM, который используют агенты, может быть self-hosted (open-source модели) или через API с корпоративными контрактами, гарантирующими, что данные не используются для обучения. Институт выбирает — и сохраняет полную аудируемость над тем, где находятся данные.

Audit trail

Каждое действие агента регистрируется: какой агент выполнил, с какими входами, с каким выходом, с какой временной меткой, с каким результатом. Для целей регулятора и внутреннего compliance audit trail полон и неизменяем. Решения агентов, генерирующие сообщения клиентам, фиксируются с полным контекстом, приведшим к этому решению.

LLM-агностичность

Ни один агент не привязан к конкретному поставщику языковой модели. Институт может использовать Anthropic Claude для orchestrator и self-hosted open-source модель для compliance agent — или любую другую комбинацию. Это особенно актуально для институтов с регуляторными ограничениями на использование конкретных cloud-поставщиков или с дорожной картой суверенитета данных в среднесрочной перспективе.

«Это не магия. Это архитектура. И архитектура работает на Вашем VPS, с Вашими данными, под Вашими политиками».