Arca AI 工程负责人（lead AI Engineer）Aman Singh 在 Latent Space 播客中给出了一个精确的表述：”agents prompt people more than people prompt agents”——Agent 提示人的频率，高于人提示 Agent。这句话浓缩了这家 AI 原生财富管理公司的设计哲学：Agent 承担大量后台分析和流程驱动工作，但交易执行和资金转移的最终动作，严格保留给人类顾问。

本文核心信息来源为 Latent Space 于 2026 年 10 月 31 日发布的对 Singh 的访谈，以及 Singh 在 AI Engineer New York 大会上的演讲。作为单一厂商自述，文中所涉技术架构与业务细节均为 Arca 方面的陈述，读者应结合更多行业数据交叉验证。

据 Wealth Management、InvestmentNews 2026 年 6 月对 Arca 融资的报道（背景信息），Arca 由前 Plaid 产品负责人 Rron Rexha 创立，累计融资 6400 万美元。据 Wealth Management 报道，其中包括 Venrock 领投的 1550 万美元种子轮和 General Catalyst 领投、Index Ventures 及 Venrock 参投的 4850 万美元 A 轮。公司当时已拥有超过 10 亿美元客户资产和 28 名员工。这些数据为 Arca 出隐身模式时的公开披露，距本文发布已约 4 个月，最新数据可能已有变化。

以下拆解 Singh 在访谈中描述的工程架构、人机分工边界和安全机制。

1. “Long-horizon but not long-running”：10 天任务的真实形态

Singh 在 Latent Space 访谈中对 Arca 的 Agent 任务做了一个关键区分：这些任务是”long-horizon work”，但并非”long-running”——它们的时间跨度长（最长可达 10 天），但并非模型在持续生成 token。他的原话是：”It’s very stop-start, there’s many actors in between, many decision points, many handoffs.”

笔者认为，这与当前 AI 行业主流讨论的 Agent 形态有显著差异。大多数被广泛讨论的 Agent 应用——无论是代码生成、客服对话还是研究摘要——在笔者看来本质上是”短周期、单会话”的：用户发出指令，Agent 在数秒到数分钟内完成任务，会话结束。Arca 面对的场景完全不同。

Singh 在 AI Engineer New York 演讲中给出了一个具体案例：客户 Jane 需要 10 万美元缴税。这个看似简单的需求，实际触发了一条跨越多日的工作链——分析持仓、制定税务效率最优的变现方案、获取客户批准、执行交易、等待结算、转移资金。每个步骤涉及不同的参与者和系统，中间充满暂停、交接和外部事件等待。

据 AI Engineer 演讲页面的介绍，Agent 在这个过程中的角色是保持流程推进，在下一步需要人类判断或行动时将相关人员拉入。Agent 不是一个在后台持续运行的进程，而是一个在关键节点被唤醒、完成分析后再次进入等待状态的协调者。

Arca 为此构建了一套信号系统（signal system）。据 AI Engineer 演讲页面的记录，Agent 可以注册对未来事件的关注——比如客户是否回复了邮件、ACH 转账是否到账。信号系统将新事件路由到关心这些事件的 Agent。对于预期事件未发生的情况，系统还设置了定时唤醒机制。据 AI Engineer 演讲页面的整理，等待本身不需要模型持续运行。

这一架构设计揭示了金融服务场景对 Agent 的独特要求：任务的复杂性不在于单次推理的深度，而在于跨时间、跨角色、跨系统的状态管理。一个 10 天的任务可能只需要 Agent 进行若干次推理，但每次推理都需要完整的上下文——之前发生了什么、当前状态是什么、下一步应该由谁执行。

据演讲记录，Jane 的案例中出现了一个典型的中途变更：Jane 没有回复邮件，但一次面对面谈话改变了方案，所需资金从 10 万美元降至 8 万美元。同事在 Arca 的产品中记录了这一信息，这个 UI 操作本身成为一个新信号，触发负责该工作空间的 Agent 更新方案。这种”现实世界的信号”——不仅来自外部系统，也来自应用内部的人类操作——被统一纳入 Agent 的事件处理框架。

笔者认为，这种”stop-start”模式对底层基础设施的要求，与常见的通用 Agent 框架存在根本性差异。通用框架多围绕单次会话设计，侧重会话内的多步推理和工具调用，而 Arca 需要的是跨天、跨会话的状态持久化和事件驱动唤醒。这或许解释了 Arca 为何选择自建 harness 而非使用现有的托管 Agent 框架。

2. 客户级记忆系统：从”会话记忆”到”关系记忆”

支撑 10 天长周期任务的核心基础设施，是 Arca 为每个客户构建的持久化记忆系统。Singh 在 Latent Space 访谈中对此做了详细描述：

“So we have this persistence for every client. What has happened so far? What are we tracking for next? What needs to happen immediately in the next couple of days [and] what are we tracking for the long term? Which individual is responsible for which action? All of this is being tracked by our memory systems that our agents contribute to.”

这段描述揭示了 Arca 记忆系统的几个设计维度：

时间维度——系统同时追踪已发生事件的历史记录、短期待办（未来几天需要完成的事项）和长期追踪目标。这不是简单的对话历史存储，而是结构化的客户状态管理。

责任维度——系统记录”which individual is responsible for which action”，即每个行动项的责任人。在一个涉及多个顾问、合规人员和客户本人的工作流中，明确责任归属是流程推进的前提。

贡献机制——Singh 提到记忆系统是”our agents contribute to”的，意味着多个 Agent 可以向同一客户的记忆池写入信息。这暗示 Arca 的架构中存在多个专业化 Agent，它们共享客户级别的记忆空间。

Singh 在 AI Engineer 演讲中进一步区分了两类信息：需要记住的未来义务（future obligations）和人类当前可以执行的任务（actionable tasks）。他的观点是，前者应该留在 Agent 的记忆中，后者才应该出现在人类的任务列表上。据演讲记录的表述：”A task should appear on a person’s plate when it is actionable. Otherwise the system merely replaces human bookkeeping with a noisy queue of premature requests.”

这一设计原则——区分”记忆”和”任务”——反映了 Arca 对人机协作界面的深思。如果 Agent 把所有它知道的待办事项都推送给人类顾问，结果就是用 AI 生成的通知噪音替代了原来的人工记录噪音，顾问的认知负担并未减轻。只有在某个行动变得可执行时才通知相关人员，才能真正提升效率。

笔者判断，这种客户级记忆系统的设计，是将传统 CRM（客户关系管理）系统的功能与 Agent 的上下文管理融合。传统 CRM 记录客户信息但不驱动行动；传统 Agent 框架驱动行动但缺乏跨会话的客户上下文。Arca 试图将两者打通，让记忆系统既是 Agent 的上下文来源，也是工作流的状态机。

3. 自建 Harness 与模型选择：为什么不用托管框架

Arca 在模型选择和 Agent 基础设施上做了一个明确的技术决策：自建 harness，而非使用市面上的托管 Agent 框架。

据 Latent Space 访谈，Arca 使用 Anthropic 和 OpenAI 等前沿实验室的模型，其中 Claude 是主要模型提供商。但模型的选择不是固定的——Arca 构建了自己的 harness，根据公司内部基准（internal benchmarks）自动为特定任务选择最佳模型。

Singh 在访谈中解释了自建 harness 的核心优势：灵活性。”Owning the harness, rather than using a managed agent harness, also means that Arca has the flexibility to change model providers if it needs to.” 这意味着如果某个模型提供商的性能下降、价格上涨或出现合规问题，Arca 可以快速切换，而不需要重构整个 Agent 架构。

更进一步的是 Arca 引入的”meta-agent”机制。据 Latent Space 访谈，Arca 使用人类顾问的反馈和 Agent 的运行 trace，通过一个 meta-agent 来分析这些数据并建议对 harness 的改进。这构成了一个闭环：Agent 执行任务 → 人类评价结果 → meta-agent 分析反馈和 trace → harness 得到优化 → Agent 在下一次任务中表现更好。

据 AI Engineer 演讲记录，由于 Arca 自己运营财富管理服务（而非仅提供技术平台），它可以标准化公司的工作流程，并将这些流程嵌入 Agent 的上下文中。同事对某个操作”为什么正确”或”为什么错误”的解释，会成为评估材料，用于改进 Agent 和它遵循的工作流。

这种”运营商 + 技术商”的双重身份，给 Arca 带来了一个独特的数据飞轮：它不仅有模型输出的 trace 数据，还有人类专家对这些输出的质量判断。大多数纯技术平台公司缺乏后者——它们可以看到用户是否采纳了 Agent 的建议，但很难获得专业级别的”为什么不采纳”的结构化反馈。

在代码执行方面，Singh 在 Latent Space 访谈中描述了一个安全架构：Agent 本身不在沙箱中运行，但它使用沙箱进行计算。更进一步，Arca 构建了一个中间层，允许沙箱中的代码安全地访问公司数据。Singh 的描述是：”We’ve built systems to make it safe for code inside of that sandbox to access our data. So we have this thing which translates the code it [the agent] wrote into a strict format that we expect, throw away the code, and you install guardrails on that format before it reaches your back end.”

这个设计的关键在于”throw away the code”——Agent 生成的原始代码被丢弃，只保留其意图的结构化表示。这意味着即使 Agent 生成了恶意代码或存在安全漏洞的代码，也不会直接触及后端数据。这是一种”意图提取”而非”代码执行”的安全模型，在处理敏感金融数据时提供了额外的隔离层。

4. 硬编码安全规则：交易与资金转移的人工闸门

Arca 在 Agent 与人类之间划定的最硬边界，体现在交易执行和资金转移上。Singh 在 Latent Space 访谈中的表述非常明确：Agent 的角色”is limited to analysis and proposing solutions. Trading and any other money movement is handled by a human advisor.”

这里的关键词是”fully deterministic”。Singh 说：”All of our safety restrictions are fully deterministic. And they take the decision making off the agent’s hands.” 这意味着安全规则不是通过提示工程（prompt engineering）或模型自身的判断来实现的——它们是硬编码的固定逻辑。Agent 在架构层面就不具备执行交易或转移资金的能力，无论它的推理结果如何。

这种设计选择反映了金融服务领域的一个基本现实：概率性保障在涉及客户资金时是不够的。即使一个模型在 99.9% 的情况下能做出正确的交易决策，0.1% 的错误在管理 10 亿美元以上客户资产的场景下，意味着潜在的百万美元级损失和不可挽回的客户信任破坏。硬编码规则——即某些操作在代码层面被禁止——消除了这一概率性风险。

据 Latent Space 访谈，Arca 还对已知的 AI 安全问题（如 prompt injection）运行验证检查。这表明 Arca 的安全体系是多层的：硬编码规则限制 Agent 的能力边界；沙箱隔离限制代码执行的影响范围；代码意图提取防止恶意代码触及后端；prompt injection 检测防止外部攻击者操纵 Agent 行为。

据 AI Engineer 演讲记录，Arca 的产品设计中，Agent 准备好的方案会被放入一个”共享空间”（shared space），人类顾问可以在其中检查方案、与 Agent 讨论、并执行需要人类参与的步骤。多个人可以参与同一项工作，而非各自持有不完整上下文的独立对话。在 Jane 的案例中，人类顾问批准方案和发出的邮件，然后任务进入等待客户回复的状态。

Arca 创始人 Rexha 在 2026 年 6 月接受 InvestmentNews 采访时的表述与 Singh 的技术描述一致：”Every Arca client gets a human advisor, they do not interact with AI directly because the service we’re providing is heavily based on trust and having that human is incredibly important. We do think ultimately having the human generates better outcomes.”

据 Wealth Management 报道，Arca 顾问委员会成员、前 Vanguard 董事长兼 CEO Bill McNabb 在声明中表示：”The role of the advisor is paramount, and it’s what creates real, long-lasting impact. AI can help us do our jobs better, but it will never supplant the humanity of this profoundly personal profession.”

这与行业中的另一种路径形成对比。据 InvestmentNews 同期报道，另一家风投支持的 RIA 初创公司 Range 的 CEO 表示，其公司计划在未来几年用 AI 取代其顾问团队。Arca 明确选择了相反的方向——用 AI 增强人类顾问的能力，而非替代他们。

笔者认为，Arca 的这一选择在当前阶段是务实的。财富管理的核心竞争力不仅在于投资决策的质量，还在于客户关系的深度。Rexha 在 InvestmentNews 采访中的表述点出了这一点：”This business is incredibly personal, money is quite emotional. People look for an advisor because it’s not just about the numbers, it’s also about helping make decisions and being confident in the decisions they make.”

5. 架构启示：从”Agent 做什么”到”Agent 不做什么”

综合 Singh 在访谈和演讲中的描述，Arca 的架构可以被概括为一个核心原则：Agent 的价值定义不在于它能做什么，而在于它与人类之间的边界被画在哪里。

Arca 的 Agent 可以做的事情包括：读取邮件、通话记录、文档等多渠道信息；分析客户持仓和财务状况；在沙箱中执行计算代码；制定方案并呈现给顾问；追踪跨天的工作流状态；注册对未来事件的关注并在事件发生时被唤醒；向客户级记忆系统写入信息。

Arca 的 Agent 不能做的事情包括：执行任何交易；转移任何资金；绕过硬编码安全规则；直接访问后端数据（必须通过代码意图提取的中间层）。在 Jane 的案例中，发给客户的邮件也由人类顾问批准后发出。

这种边界划定的精细程度，是 Arca 自建 harness 的核心原因之一。使用托管 Agent 框架意味着将能力边界的定义权交给第三方，而在金融服务场景中，这些边界直接关系到合规和客户资产安全。

据 AI Engineer 演讲记录中的描述，Arca 的方法还有一个微妙但重要的特点：Agent 创建任务给人类时需要判断时机。Singh 区分了”需要记住的工作”和”人类现在可以执行的工作”。这意味着 Agent 不仅需要知道下一步是什么，还需要判断下一步是否已经变得可执行——比如等待结算完成后才通知顾问进行资金转移。过早通知会制造噪音，过晚通知会延误流程。

这种时机判断能力，结合客户级记忆系统和信号驱动的唤醒机制，构成了 Arca 所称的”long-horizon work”的技术基础。笔者判断，这套架构的核心难点不在于单次推理的质量（这由前沿模型提供），而在于跨时间的状态管理和人机交接的精确编排。

6. 商业模型与行业定位

据 InvestmentNews 2026 年 6 月的报道，Arca 的商业模型是资产管理费模式。Arca 的 Form ADV 显示客户年度资产管理费率在 0.50% 至 1.50% 之间，客户需要至少 50 万美元的可投资资产（该最低门槛可由 Arca 酌情豁免）。

这意味着 Arca 的 AI 投入需要通过两个渠道产生回报：提高每位顾问服务的客户数量（降低人力成本占比），以及通过更好的服务质量和响应速度吸引和留住客户（增加 AUM）。

据 Wealth Management 报道，Arca 于 2026 年 5 月收购了位于 Maryland 州 Bethesda 的 RIA Sandbox Financial Partners，该公司管理约 6.82 亿美元资产。加上通过 New Hampshire 的 Granite Bay Wealth Management 获得的种子资产，Arca 在出隐身模式时已拥有超过 10 亿美元客户资产。

据 InvestmentNews 报道，Arca 的托管合作伙伴包括 Schwab、Fidelity 和 Altruist。据 Wealth Management 报道，Altruist 是 Arca 的主要托管商。Rexha 在采访中表示，Altruist 的现代托管平台使 Arca 能够实现更好的集成和更高的自动化效率。Altruist CEO Jason Wenk 是 Arca 的顾问委员会成员，他在 LinkedIn 上评价 Arca”re-invented what a wealth management firm should look like in the AI era”。

一个细节来自 InvestmentNews 的报道：据 Arca 官网上的客户推荐，该公司服务的客户中包括一位被描述为”Anthropic 的领导者”的人士。考虑到 Claude 是 Arca 的主要模型提供商，这种客户-供应商的交叉关系在风投支持的初创公司生态中并不罕见——投资人、客户和供应商之间的网络效应是硅谷常见的生态特征。仅凭公开信息无法判断其对 Arca 模型选择决策的实际影响。

7. 未解答的问题与待验证的假设

Singh 的访谈提供了 Arca 架构的详细描述，但作为厂商自述，有几个关键问题在公开信息中尚未得到回答：

规模验证。据 2026 年 6 月的报道，Arca 有 28 名员工，其中 9 名顾问，管理超过 10 亿美元客户资产。按上述披露数据粗算，平均每名顾问对应超过 1.1 亿美元客户资产。Agent 系统实际为每位顾问节省了多少时间？每位顾问能服务多少客户？由于缺乏 Arca 方面的公开效率数据，且本文参考资料中没有可比的行业基准，这一问题暂时无法回答。

模型成本。长周期任务意味着每个客户的 Agent 交互次数远高于单次问答场景。在使用 Claude 等前沿模型的情况下，每客户的 AI 推理成本是多少？这一成本在 0.50%-1.50% 的资产管理费率中占比多大？Singh 在访谈中未涉及这一话题，公开资料中也没有相关数据可供估算。

记忆系统的准确性。客户级记忆系统是 Arca 架构的核心，但长期运行的记忆系统面临信息过时、冲突和噪音积累的挑战。Arca 如何处理记忆中的过时信息？如何解决不同 Agent 写入的信息之间的冲突？这些技术细节在公开访谈中未被讨论。

监管合规。据 InvestmentNews 报道，Arca 是注册投资顾问（RIA）。在 Agent 参与客户服务流程的情况下，监管机构如何看待 Agent 生成的分析和建议？Arca 的合规框架如何适应这一新范式？Latent Space 播客的章节列表里有”Compliance and auditability by default”一节，但具体细节在公开资料中有限。

竞争壁垒。Arca 的技术架构——自建 harness、客户级记忆系统、信号驱动的长周期任务管理——在多大程度上构成可持续的竞争壁垒？如果大型财富管理公司投入资源构建类似系统，Arca 的先发优势能维持多久？笔者判断，Arca 的真正壁垒可能不在于技术本身，而在于”运营商 + 技术商”双重身份带来的数据飞轮——它同时拥有 Agent trace 和人类专家反馈，这是纯技术平台或纯传统 RIA 都难以复制的。

Arca 的实践提供了一个具体案例，展示了 AI Agent 在高风险、强监管领域的一种落地路径：让 Agent 承担流程驱动和分析工作的重担，同时在涉及客户资金的关键节点保持人类控制。这一路径的长期可行性，取决于 Arca 能否在扩大规模的同时维持其人机协作系统的质量——而这正是未来 12-18 个月需要观察的核心变量。

主题分类：企业AI落地

参考资料

  1. Agents Prompt People: Using Agents for Long-Horizon Financial Work — Latent Space, 2026-10-31
  2. AI-Native Wealth Manager Arca Raises $64M — Wealth Management (Diana Britton), 2026-06-25
  3. AI-enabled RIA Arca raises $64M, works with an Anthropic client — InvestmentNews, 2026-06-26
  4. Inside Arca’s long-horizon agents that run the business (AI Engineer New York 2026 talk) — AI Engineer Conference