論文の概要: Beyond LLM Wrappers: Context Engineering and the Three-Engine Architecture for Reliable Financial AI

• arxiv url: http://arxiv.org/abs/2610.39230v1
• Date: Thu, 29 Oct 2026 02:50:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:10.030929
• Title: Beyond LLM Wrappers: Context Engineering and the Three-Engine Architecture for Reliable Financial AI
• Title（参考訳）: LLMラッパーを超えて - コンテキストエンジニアリングと信頼性のある金融AIのための3エンジンアーキテクチャ
• Abstract要約: 金融AIシステムは、支払い、コレクション、キャッシュフロー、コンプライアンスを含む意思決定に関する質問をサポートする必要がある。 企業関係の財務知識グラフ,時間的コンテキスト,証明という,3つのコンポーネントを統合した実運用環境アーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Financial AI systems must support decision-bearing questions involving payments, collections, cash flow, and compliance while ensuring numerical accuracy, traceability, and auditability. Large language models (LLMs) enable natural language interaction but cannot independently guarantee reproducible calculations or evidence-grounded recommendations. We present a production-grounded architecture integrating three components: a financial knowledge graph for enterprise relationships, temporal context, and provenance; a deterministic optimization engine for financial calculations and decisions; and a multi-agent LLM layer for intent interpretation, task orchestration, explanation, and claim validation. A coordination layer, termed context engineering, selects, ranks, composes, and validates query-specific context across ERP systems, tools, and tenants. Based on observations from 15 deployments over approximately 11 months, single-agent pipelines exhibited hallucination rates of about 7-9% (5-10% across query types), including invented invoices and unsupported financial claims. Graph-backed multi-agent validation reduced observed rates to below 1%, although these findings are observational rather than causal. ERP data quality and tenant-specific schemas remained major implementation challenges. Reusable mappings, graph templates, and validation policies coincided with a reduction in deployment time from roughly six to two weeks. We argue that financial context engineering extends beyond text-centric retrieval-augmented generation by requiring structured relationships, temporal validity, exact numerical evidence, access controls, and validation against source records and solver outputs. We outline research challenges in evaluation, reproducibility, privacy, context quality, and cross-tenant generalization.
• Abstract（参考訳）: 金融AIシステムは、数値的正確性、トレーサビリティ、監査可能性を確保しつつ、支払い、コレクション、キャッシュフロー、コンプライアンスを含む意思決定を伴う質問をサポートする必要がある。 大規模言語モデル(LLM)は、自然言語の相互作用を可能にするが、再現可能な計算やエビデンスに基づくレコメンデーションを独立に保証することはできない。 本稿では,企業関係のための財務知識グラフ,時間的コンテキスト,前兆性,財務計算と意思決定のための決定論的最適化エンジン,インテント解釈,タスクオーケストレーション,説明,クレーム検証のためのマルチエージェントLCMレイヤという,3つのコンポーネントを統合した実運用環境アーキテクチャを提案する。 コンテキストエンジニアリングと呼ばれる調整レイヤは、ERPシステム、ツール、テナント間でクエリ固有のコンテキストを選択し、ランク付けし、構成し、検証する。 約11ヶ月にわたる15回の配備の観測に基づいて、単一エージェントパイプラインは、発明された請求書やサポートされていない財務請求書を含む、約7-9%(クエリタイプ5-10%)の幻覚率を示した。 グラフバックによるマルチエージェント検証では, 観察率は1%以下に低下したが, 因果性ではなく観察的であった。 ERPのデータ品質とテナント固有のスキーマは、依然として主要な実装課題であった。 再利用可能なマッピング、グラフテンプレート、バリデーションポリシは、デプロイ時間の約6週間から2週間の短縮と一致した。 我々は、構造化された関係、時間的妥当性、正確な数値的証拠、アクセス制御、ソースレコードとソルバ出力に対する検証を必要とすることにより、財務状況工学はテキスト中心の検索強化世代を超えて拡張されていると論じる。 本稿では,評価,再現性,プライバシ,コンテキスト品質,テナント間の一般化に関する研究課題について概説する。

関連論文リスト

• Agentic Retrieval-Augmented Generation for Financial Document Question Answering [7.56842616602779]
  FinAgent-RAGは、反復的な検索推論ループを自己組織化してオーケストレーションするエージェントRAGフレームワークである。 コントラシティブ・ファイナンシャル・レトリバー(Contrastive Financial Retriever)は、意味的には似ているが数値的に異なる金融パスを区別するために、厳しい負の採掘で訓練されたコントラシティブ・ファイナンシャル・レトリバーを統合している。 76.81%、78.46%、74.96%の精度で最強のベースラインを5.62-9.32ポイント上回っている。
  論文  参考訳（メタデータ） (2026-05-06T19:59:51Z)
• FinSight: Towards Real-World Financial Deep Research [68.31086471310773]
  FinSightは、高品質でマルチモーダルな財務報告を作成するための新しいフレームワークである。 プロフェッショナルグレードの可視化を確保するため,反復視覚強調機構を提案する。 2段階のBinging Frameworkは、簡潔な分析セグメントをコヒーレント、引用認識、マルチモーダルレポートに拡張する。
  論文  参考訳（メタデータ） (2025-10-19T14:05:35Z)
• FinLFQA: Evaluating Attributed Text Generation of LLMs in Financial Long-Form Question Answering [57.43420753842626]
  FinLFQAは、複雑な財務問題に対する長文の回答を生成するための大規模言語モデルの能力を評価するために設計されたベンチマークである。 回答品質と属性品質の両方をカバーする自動評価フレームワークを提供する。
  論文  参考訳（メタデータ） (2025-10-07T20:06:15Z)
• FinAgentBench: A Benchmark Dataset for Agentic Retrieval in Financial Question Answering [57.18367828883773]
  FinAgentBenchは、ファイナンスにおける多段階推論によるエージェント検索を評価するためのベンチマークである。 このベンチマークは、S&P-500上場企業に関する26Kのエキスパートアノテート例から成っている。 我々は,最先端モデルの集合を評価し,対象の微調整がエージェント検索性能を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2025-08-07T22:15:22Z)
• Structuring the Unstructured: A Multi-Agent System for Extracting and Querying Financial KPIs and Guidance [54.25184684077833]
  構造化されていない財務文書から定量的な洞察を抽出する,効率的でスケーラブルな手法を提案する。 提案システムは,emphExtraction AgentとemphText-to-Agentの2つの特殊エージェントから構成される。
  論文  参考訳（メタデータ） (2025-05-25T15:45:46Z)
• FinSage: A Multi-aspect RAG System for Financial Filings Question Answering [10.953520766530005]
  FinSageはマルチモーダルな事前処理パイプラインで、多様なデータフォーマットを統一し、メタデータの要約を生成する。 実験の結果、FinSageは75人の専門家による質問に対して92.51%の印象的なリコールを達成した。 FinSageは、すでに1200人以上が利用しているオンラインミーティングにおいて、財務的な質問応答エージェントとして成功している。
  論文  参考訳（メタデータ） (2025-04-20T04:58:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。