Мультиагентная архитектура Kensho: как S&P Global решает проблему поиска финансовых данных

Суть

Компания Kensho, центр ИИ-инноваций в составе S&P Global, представила Grounding — мультиагентную инфраструктуру для работы с финансовыми данными. Построенная на базе фреймворка LangGraph, система создает единый слой доступа к разрозненным базам данных корпорации. Это позволяет пользователям формулировать запросы на естественном языке и получать ответы, строго подкрепленные верифицированными финансовыми источниками, что критически важно для индустрии, не терпящей галлюцинаций нейросетей.

Контекст

В отличие от типичного веб-поиска, где преобладает неструктурированный текст, финансовые данные S&P Global имеют сложную структуру и массу нюансов. Исторически финансовые аналитики тратили часы на навигацию по фрагментированным системам, изучение сложных схем баз данных и специализированных языков запросов для сбора метрик или анализа доходов.

Стандартные методы генеративного ИИ не могли решить эту проблему напрямую, так как требовали интеграции множества разрозненных хранилищ с гарантиями высокой достоверности (high-trust validity) и прозрачности каждого вывода.

Детали

В основе решения Kensho лежит концепция разделения обязанностей. Вместо того чтобы встраивать сложную логику понимания естественного языка в каждого отдельного агента, инженеры создали централизованный маршрутизатор (router) с помощью LangGraph.

Процесс работы выглядит следующим образом:

1. Маршрутизатор принимает запрос пользователя и разбивает его на более мелкие подзапросы.
2. Эти подзапросы направляются специализированным агентам извлечения данных (Data Retrieval Agents, DRA). Каждый DRA отвечает за узкую предметную область — например, рынок акций, фиксированный доход или макроэкономику.
3. После получения данных от DRA маршрутизатор решает классическую задачу map-reduce: агрегирует распределенные ответы и формирует связный итоговый результат.

Для обеспечения стабильности Kensho разработала собственный кастомный протокол обмена данными. Он приводит как структурированную, так и неструктурированную информацию от разных DRA к единому формату.

Анализ

Такой архитектурный подход дает значительные преимущества при масштабировании корпоративных систем. Разделение слоев маршрутизации и извлечения данных позволяет независимым командам внутри S&P Global параллельно разрабатывать и обновлять своих агентов (DRA), не ломая общую систему.

Единый внутренний протокол стал фундаментом, на котором Kensho теперь быстро развертывает новые продукты. Будь то ИИ-ассистент для анализа акций или агент по проверке ESG-комплаенса, все они используют один и тот же надежный слой доступа к данным. Это радикально сокращает время вывода новых инструментов на рынок (time-to-market), так как отпадает необходимость каждый раз строить новые конвейеры данных.

Перспектива

Опыт Kensho демонстрирует, как будут развиваться корпоративные ИИ-системы в ближайшие годы. Ключевыми факторами успеха становятся неочевидные на первый взгляд вещи: наблюдаемость (observability) и многоэтапная оценка качества (multi-stage evaluation).

Для отладки распределенной мультиагентной системы разработчикам критически важно иметь сквозное отслеживание каждого шага (трассировку). А тестирование таких систем требует оценки не только финального ответа, но и промежуточных решений маршрутизатора: правильно ли он выбрал инструменты и корректно ли агенты поняли подзапросы. По мере усложнения больших языковых моделей (LLM), именно грамотная оркестровка узкоспециализированных агентов станет главным конкурентным преимуществом в работе со сложными корпоративными данными.