企业级AI记忆架构：Hindsight在财务审查中分离记忆与权限

当一个人工智能系统能够引用过往财务审查中的先例时，会发生什么？

尽管持久化内存在企业软件中本身具有重要价值，但历史记忆绝不能与 treasury 工作流程中的操作权限混为一谈。

对于 Project Arbitrage，Hindsight 被集成进来，只有一个严格限定范围的职责：在 treasury 审查期间呈现相关的历史先例，但不授予记忆层计算风险指标、覆盖策略检查、批准操作或执行交易的权限。

核心架构遵循三条操作边界：

内存提供上下文。应用逻辑执行规则。合格的人工审查员提供最终批准。

在这些层之间保持严格边界，是平台设计的基础。

系统架构与工作流程

Project Arbitrage 是一个 treasury 风险审查平台，聚合实时外汇数据、投资组合敞口概况、确定性策略规则、上下文记忆检索和语言模型分析。

该架构由多个独立组件构成：

• FastAPI：编排核心后端管道和 REST API 端点。
• Frankfurter：提供日期外汇参考汇率和历史时间序列。
• SQLite：维护敞口、策略参数、评估、决策和审计跟踪的主要系统记录。
• Hindsight：管理长期向量索引、检索和上下文记忆召回。
• Groq：为生成结构化定性评估提供快速推理能力。
• Reviewer Interface：允许 treasury 分析师审查计算出的指标、检查召回的先例，并记录权威性决策。

每个子系统都在严格的责任分离下运行。数值计算和策略验证在确定性应用代码中执行，Hindsight 检索定性先例，而交易权限始终归属于人工审查员。

内存层的受限角色

记忆层被有意限制，不参与评估风险态势或推荐约束性操作。

Hindsight 捕获结构化的、带溯源链接的审查产物，包括：

• 历史 treasury 风险评估
• 定性宏观经济和地缘政治审查背景
• 最终人工决策
• 手动覆盖或升级的伴随理由
• 链接到早期审查周期的已实现结果

每条保留的记录都明确标记了项目元数据和一个不可变的评估标识符。

因此，发送到 Hindsight 的查询专注于先例发现，而非指令性建议：

"在过去的周期中，我们是否观察到类似的外汇波动或策略边缘案例，结果如何？"

"这个敞口应该应用什么决策？"

这一设计选择确保 AI 记忆严格作为信息辅助工具，而非自主决策引擎。

内存服务封装层

通过将所有内存操作隔离在专用服务抽象层之后，防止 Hindsight SDK 原语与核心业务逻辑直接耦合。

async def recall_treasury_context(query: str):
    return await hindsight_client.arecall(
        bank_id=TREASURY_BANK,
        query=query,
        max_tokens=2000,
        budget="mid"
    )

查询使用活跃货币对、当前市场情景参数和敞口概况动态组装。内存客户端检索相关的历史上下文，而下游应用逻辑控制这些记录如何影响最终审查载荷。

内存与市场参考数据的解耦

历史定量比较完全与记忆库解耦。

在评估活跃的 USD/INR 波动时：

1. 平台直接从市场数据源检索实时和历史参考汇率。
2. 核心应用确定性计算即期 delta、历史波动率和标准差。
3. 数值比较针对校准后的基准范围执行。

这些定量指标永不从 Hindsight 获取。

定性内存记录和时间戳市场数据序列代表着根本不同的真实来源。当记忆召回运营团队如何处理过去的动荡时，认证的市场数据提供商则提供财务计算所需的经验值。

确定性策略与护栏检查

策略执行独立于语言模型和检索引擎运行。

如果无法获取历史参考数据，系统将缺失的遥测数据视为潜在风险因素，而非安全假设：

{
    "guardrail_status": "INSUFFICIENT_REFERENCE_DATA",
    "manual_override_required": true
}

当参考数据完整时，引擎根据定义的策略限制计算方差指标。如果汇率变动突破了历史先例阈值，应用自动将交易标记为必须手动升级。

Hindsight 可能提供关于先前阈值突破的历史背景，但不能降低严重等级或绕过升级要求。

明确的人工批准边界

决策不能直接从内存召回结果执行。

应用强制执行严格的审查管道：

评估生成 → 策略重新评估 → 人工决策 → 不可变审计日志

在记录决策之前，审查端点解析存储的评估标识符，验证当前状态一致性，并确认所有确定性安全检查仍然满足。

审查员评估综合的定量和上下文遥测数据，随后提交明确的决定：

Hindsight 在到达此步骤之前的审查上下文中提供信息，但被禁止参与批准权限链。

模拟执行边界

Project Arbitrage 包含一个执行模拟端点，用于建模风险缓解策略。

此端点严格沙箱化。虽然它生成抵补远期合同、对冲或余额转移的结构参数，但不能向清算网络、银行 API 或执行场所发送交易。

所有结果记录都带有仅模拟操作的数字水印。这消除了自动化系统推荐触发现实世界资金流动的风险。

内存摄入与净化过滤

为维护数据完整性，存储的记忆在进入活跃管道前须经过系统性验证。

合成记录、集成测试数据和临时 staging 运行绝不能污染历史记忆池：

is_synthetic = (
    any(str(tag).lower() == "synthetic" for tag in tags)
    or str(metadata.get("synthetic", "")).lower() == "true"
)

if is_synthetic:
    continue

此门禁确保只有经过认证的生产评估和经过验证的人工决策才能作为未来评估的先例。

持久的本地可审计性

由于外部托管服务可能遇到临时可用性问题，合规和审计跟踪不能完全依赖外部基础设施。

当审查员提交权威决定时，平台先将交易提交到本地 SQLite，然后再启动与 Hindsight 的后台保留：

decision = save_decision_locally(assessment_id, payload)

try:
    retain_in_hindsight(decision)
    status = "retained"
except Exception:
    status = "memory_unavailable"

这确保主要审计跟踪保持持久和完整，不受外部网络延迟或服务中断影响。

幂等性与状态一致性

在金融操作中，可预测的状态转换至关重要。

重复提交相同的审查操作不会产生重复记录或更改交易状态。系统在处理更新前验证评估是否已解决。

此幂等性边界同样适用于记忆保留。防止冗余写入确保记忆索引不包含重复事件，否则会降低检索相关性。

端到端工作流程执行

典型的操作周期按九个结构化阶段推进：

1. 摄取实时外汇即期和远期数据。
2. 计算货币敞口基准和汇率变动指标。
3. 根据风险管理策略限制验证头寸。
4. 将当前汇率变动与历史基准数据进行比较。
5. 查询 Hindsight 获取相关上下文先例和先前审查决定。
6. 将定量遥测、策略标志和内存上下文组装成结构化推理提示。
7. 使用 Groq 生成定性评估。
8. 将生成的评估及完整溯源元数据持久化到 SQLite。
9. 将综合发现呈现给 treasury 分析师进行权威签字。

一旦获得批准或升级，最终决定和审查员评论被写回 SQLite 并索引到 Hindsight，为后续市场事件建立可验证的先例。

关键架构原则

将 AI 内存部署到关键任务工作流程并不会削弱对严格边界的需求，反而凸显了边界的必要性。

弹性的系统架构保持明确的责任划分：

• Hindsight：管理长期历史上下文和定性先例检索。
• 应用逻辑：控制数值计算、策略检查和确定性护栏。
• 推理引擎：生成自然语言综合和定性风险分析。
• 人工审查员：保留批准、升级和拒绝的唯一权限。
• 本地数据库：存放权威的、防篡改的系统记录。