TriAgent：基于分歧感知的多智能体委员会实现低成本金融情感分析

TriAgent是一个分层多智能体委员会系统，由词级VADER、句级FinBERT和跨句推理LLM组成，通过语义分歧指数（SDI）路由查询。其主要发现是评论者模式中LLM作为评论者时F1稳定在约0.87；SDI还可用于跨语言缓存（中文查询从英文缓存获得F1=0.99）、幻觉检测（AUC=0.90）以及投资回测（夏普比率3.50）。在1000万用户规模下，相比GPT-4o-mini每年节省930万美元。论文已发布代码、词典和共享共识字典。

此前金融情感分析中所有查询都依赖昂贵云推理器，成本随用户数线性增长。TriAgent通过感知分歧的路由策略将简单查询分配给低成本小模型，打破了这一结构成本陷阱，并额外利用了分歧信号实现跨语言零成本缓存和幻觉检测。

TriAgent三个不同粒度的模型各自输出情感分析结果；两两之间的语义分歧指数（SDI）量化不一致性。当分歧低时，采用低成本模型的结果；分歧高时才调用昂贵LLM作为评论者（而非投票者），从而实现性能平台期与成本控制。SDI本身还作为后验幻觉检测器（AUC=0.90）和跨语言缓存激活器（英文缓存回答95%中文查询且F1=0.99）。

金融情感分析产品可大幅降低推理成本，规模化支持更多用户而不增加预算；同时内置幻觉检测和跨语言支持，提升产品可靠性和多语言覆盖能力。20只股票回测中，基于SDI的交易策略取得了最高风险调整收益。

• 在金融信息产品中集成TriAgent分层路由架构，替代单一LLM后端以降低成本。
• 利用SDI作为幻觉检测器，在生成结果时自动标记或过滤不可靠输出。
• 部署跨语言缓存策略，为多语种用户提供英语缓存的中文查询结果，实现零边际成本。
• 将SDI作为投资决策辅助信号融入交易系统，基于其夏普比率3.50的历史表现进行策略回测。

• TriAgent在不同金融子领域（如风险管理、公司公告）的泛化能力如何？
• SDI阈值的设定是否敏感，需要针对不同场景手动调优还是可自动学习？
• 在非英语语言上，FinBERT和VADER的覆盖准确性是否足够支撑跨语言缓存？
• 证据中回测仅基于20只股票，更大规模或不同市场的表现未知。