根據團隊的說法，J.P. Morgan 私人銀行部門為投資研究團隊開發的「Ask David」AI Agent，已完成落地，能夠直接服務於財富管理顧問們。在 LangChain 的大會上，J.P. Morgan 的團隊介紹了他們是如何打造一個 AI Agent，讓人一窺全球頂尖的金融機構是如何實現AI落地的。
在台灣產業 AI 化的進程中，金融業速度相對較快。金管會於 2025 年 4 月針對台灣金融機構進行的調查顯示，已有 33％ 的金融機構導入AI，其中銀行最高（87％），其次為壽險公司（67％）及產險公司（45％）。金融機構應用AI主要目的為提升作業效率（30％）、節省人力（18％）及優化客戶體驗（15％）。
依據調查結果，在導入 AI 的金融業者中，有 61 家導入了生成式 AI，應用領域以內部行政作業（39％）與智能客服（15％）最為普遍。例如國泰金控在 2024 年 9 月公開其生成式 AI 技術發展框架 GAIA，透過三部分 AI 基礎建設（知識庫、模型庫、護欄）作為架構，讓旗下子公司共同訓練 AI。
金融業走在產業 AI 化的前沿，是全球共同的現象。這與金融業數據多、流程標準化，以及法遵要求嚴格等因素都有關。全球金融服務巨頭，摩根大通（J.P. Morgan），就在今年 LangChain 主辦的 Interrupt Conference 上，他們打造內部 AI 工具「Ask David」的經驗。
J.P. Morgan 私人銀行部門為投資研究團隊開發的「Ask David」AI Agent，根據團隊的說法，已完成落地，能夠直接提供財富管理顧問們協助。在 LangChain 的大會上，J.P. Morgan 的團隊介紹如何打造 AI Agent，讓人一窺全球頂尖的金融機構是如何實現 AI 落地的。
AI 研究員上線：從人工回應到即時問答
J.P. Morgan 的投資研究團隊，每天要面對來自理專與內部銷售單位的大量問題。舉例來說：「某某基金為什麼最近被終止？」「這檔產品有沒有類似的替代標的？」「這個標的的報酬與風險分析是什麼？」
這些問題的答案，往往藏在多年的 Excel、PDF 報告、內部資料庫、甚至會議紀錄與音訊中。研究員必須一一翻找、整合，再寫成易讀的簡報與分析。
這樣的流程不僅難以擴張，更無法實現「第一線即答」。於是，他們決定打造一套可以真正用於日常工作的 AI 系統：Ask David。
這個名字不只是致敬產品經理本人，其實還是一個縮寫：「Ask David = Data Analytics, Visualization, Insights, and Decision-making assistant。」
技術架構：多 agent 分工合作，打造模組化知識大腦
Ask David 採用 LangGraph 打造，是一個典型的多 agent 系統。整體架構包含一個 Supervisor Agent，負責理解使用者問題與流程指派，並根據任務類型交由三個子 agent 處理：
- 結構化資料 agent：將自然語言轉成 SQL 或 API 請求，查詢內部資料庫。
- 非結構化資料 agent：透過向量資料庫＋RAG 技術處理文件、錄音等檔案。
- 分析與視覺化 agent：調用內部模型與 API，產出績效分析、圖表與洞察報告。
整套系統還加入「角色識別」與「個人化回答」機制。例如，當一位盡職調查專員詢問「基金終止原因」，Agent 會給出完整的績效資料與研究評論；但若是客戶理專提問，系統會濃縮重點，用更簡明扼要的語言回覆。
在回答送出之前，系統還會透過 LLM Judge 模組進行反思檢查（reflection node），確保回答邏輯合理，必要時會自動重新生成，提升答案的準確度與穩定性。
從簡出發，再逐步擴展成模組化 AI 工具鏈
和多數成功的 AI 專案一樣，Ask David 並不是一開始就有完整架構，而是透過快速迭代逐步擴展的成果：
- 第一階段：使用最簡單的 React agent 實驗基礎功能。
- 第二階段：引入 RAG 檢索模組與資料庫接軌。
- 第三階段：導入 Supervisor agent 與多 agent 溝通機制。
- 第四階段：根據不同「意圖（Intent）」分流，發展出多個專屬 subgraph。
這樣的模組化設計，不僅提升了系統的可擴展性，也讓未來要新增如 ESG、保險商品等類別變得更加容易。
信任建構：評估與人類介入是關鍵
在金融產業中，準確性與信任感始終是第一優先，也是無可取代的基礎。
如同一般 GenAI 開發專案一樣，Ask David 開發的迭代速度非常快，但金融業在開發週期短的基礎上，必須拉長評估時間。J.P. Morgan 選擇以「Evaluation-Driven Development」為主軸，每次迭代都設計對應的測量指標。
他們的做法包括：
- 每個子 Agent 都有獨立評估指標。
- 使用者回饋與系統日誌都會餵進記憶模組。
- 部分指標可無需 Ground Truth，自動化完成。
- LLM Judge 搭配人類 SME 進行雙重驗證。
J.P. Morgan 開發團隊表示：「如果直接套用一個通用大模型，準確率可能不到 50％。」但透過 chunking 技術、RAG 與多階段評估，把準確率拉到 80％。剩下的 20％ 就是靠人類審查。其中 LLM Judge 搭配人類專家（SME, Subject Matter Expert）雙重驗證就是一種做法。另外，J.P. Morgan 對高風險場景（如基金異動、監管變動）設計「人類介入點」，由真實研究員進行審核。
Ask David 的打開方式：實際流程展示
目前 Ask David 支援兩大子流程（subgraph）：General QA Flow：處理通用型問題，例如「黃金報酬怎麼看？」；以及 Specific Fund Flow：處理特定產品的歷史與分析。
以財富管理顧問常遇到的「某基金為什麼被終止了？」問題為例，當使用者問：「Why was this fund terminated?」時，Ask David 的工作流程如下：
- Planning Node 解析問題意圖。
- Subgraph 分流：辨識是關於特定基金，導向 Specific Fund Flow。
- Doc Search Agent 查詢 MongoDB 中的歷史文件。
- Supervisor Agent 整理、個人化回答內容，執行 reflection check。
- 最終回答送出，並同步更新長期記憶資料庫。
J.P. Morgan 在開發 Ask David 時，重點並不是放在如何使用強化大語言模型的能力，而是專注於痛點，就是解決那些研究團隊每天重複處理的資訊問題，讓理財顧問在客戶面前，能即時做出資訊正確的回答。
我們會發現，最終能夠落地並產生影響力的 AI 應用，都必須回到了解痛點，再從痛點開始打造 agent 工具，才會帶來組織的變革。
