智能代理AI与检索增强模型在直通式核保中的应用
本文探讨了人工智能在精算实践中的应用，特别是通过比较三种不同架构（单LLM、朴素RAG和多智能体Agentic RAG）在小型商业企业主保单的直通式核保中的表现。结果表明，多智能体系统在处理多步推理和缺失信息场景时表现最佳。
人工智能（AI）正在重塑精算实践，尤其是在需要处理非结构化文档、异构数据源和受监管决策流程的领域。精算师现在面临从传统基于规则的自动化到大型语言模型（LLM）、检索增强生成（RAG）以及能够规划、检索、调用工具和反思的多智能体“代理型”系统的设计空间。本文探讨了这些新兴架构如何支持精算优先级事项，如透明度、可审计性和人机协作治理，重点关注直通式决策流程。
为使这些概念具体化，作者开发并分析了一个用于小型商业企业主保单（BOP）直通式核保的代理型AI框架。他们构建了一个合成但真实的实验环境，并比较了三种核保流水线：（i）单LLM基线，（ii）朴素RAG系统，以及（iii）多智能体“Agentic RAG”流水线，该流水线结合了目标检索、第三方数据检查和显式多步规则评估。在实验中，单LLM基线直接使用LLM根据用户提示生成决策；朴素RAG系统从文档库中检索相关信息并附加到提示中；而Agentic RAG系统则包含多个专门智能体：一个用于检索相关政策规则，一个用于调用第三方数据（如信用评分），一个用于评估规则并生成决策，以及一个用于反思和验证。这种模块化设计允许系统在需要时进行多步推理，并在缺失信息时主动请求额外数据。
实验结果表明，代理型系统整体表现最佳，尤其在多步推理和信息缺失的场景中，结构化检索和反思帮助模型避免了无依据的直通式决策。对于简单的申请，所有架构表现类似，但在涉及多个保险条款的复杂案件时，Agentic RAG的准确率显著提高。在信息缺失的场景下，朴素RAG和单LLM倾向于做出猜测，而Agentic RAG则能够识别缺失信息并启动数据收集或标记为人工审核。这种能力对于维持核保质量和监管合规至关重要。
该研究强调了在精算AI中透明度和可审计性的重要性。Agentic RAG通过结构化检索和反思增强了这些方面，使得决策过程更加可解释。论文还指出，尽管Agentic RAG提供了最佳性能，但其部署成本更高，且需要更复杂的编排。因此，实际系统可能需要根据具体用例在精度和成本之间进行权衡。作者提出了未来研究方向，包括将框架扩展到其他保险产品线、优化智能体之间的通信效率，以及集成人类反馈以持续改进。该论文于2026年7月8日提交至arXiv，目前等待数据引用注册。这项研究不仅对精算领域有直接意义，也为其他需要结构化推理的受监管行业提供了借鉴。