使用 Deep Agents、LangSmith 和 Parallel 构建公司尽职调查智能体

在金融服务领域，公司尽职调查是一项无处不在的工作流程。PE分析师筛选交易，银行信贷团队评估借款人，合规团队审查新实体，保险承保人评估商业保单持有人。研究遵循一致的模式：选定一家公司，从多个维度进行调查，生成一份结构化情报报告，其中每项主张都有来源追溯。

本文构建了一个自动化该工作流程的智能体，结合了 LangChain 的 Deep Agents（用于编排）和 Parallel 的 Task API（用于网络研究）。Deep Agents 负责规划、子智能体委派和上下文管理。Parallel 负责实际研究，通过 Basis 返回带有字段级引用、推理轨迹和校准后置信度分数的结构化发现。当一个研究线索引发新问题时，Parallel 的交互式研究功能允许智能体在保留先前研究线程完整上下文的情况下，链接后续查询。

智能体编排五个研究线索，每个由专门的子智能体处理：企业档案（法律实体结构、关键高管、成立历史、员工人数、办公地点）；财务状况（融资历史、收入信号、估值指标、盈利标志）；诉讼和监管（诉讼、SEC 文件、制裁筛查、监管行动、和解）；新闻和声誉（近期媒体报道、领导层变动、争议标志、媒体情绪）；竞争格局（识别前三大直接竞争对手及目标公司的定位）。当竞争格局返回命名列表后，编排器为每个竞争对手分派一个单独的竞争对手分析子智能体，并行运行——这是典型的 Deep Agents 扇出模式，每个实例在其独立上下文中运行。编排器然后读取所有工作底稿，交叉检查矛盾点和低置信度发现，在发现差异时通过 Parallel 的搜索 API 进行临时查找，并撰写最终报告，包含风险标志和引用追溯。

这种多步骤架构是必要的，因为早期的发现会改变后续需要调查的内容。如果企业档案揭示目标公司是子公司，财务分析需要涵盖母公司。如果诉讼扫描发现 SEC 调查，风险评估随之改变。Deep Agents 的规划工具允许编排器在发现改变研究计划时进行调整。

每个研究线索使用一次 pro-fast 处理器 Task API 调用。在 Rivian Automotive（纳斯达克：RIVN）上进行了端到端验证：九次调用约 23 分钟。请参阅 Parallel 定价了解当前费率。

实现步骤包括：安装依赖并设置环境变量；定义 Parallel 研究工具（包装 Task API 并处理 Basis 置信度）；定义研究子智能体（每个有专门的系统提示和工具）；创建编排器智能体（使用 FilesystemBackend 持久化工作底稿和最终备忘录）；运行智能体；以及流式传输执行进度。

对于金融服务业，可观测性至关重要。六个月后，监管审查员可能审查由 AI 辅助生成的尽职调查备忘录。他们想知道每个结论基于哪些来源、置信度如何，以及智能体的过程是否被记录。智能体具有非确定性（LLM 输出、提示敏感性、开放网络），花费真实资金进行网络研究，并最终生成可能被审计的备忘录。LangSmith 捕获每个 Deep Agents 步骤和每个 ParallelTaskRunTool 调用：子智能体构建的提示、Parallel 返回的 URL、Basis 负载中的置信度以及结构化发现，无需修改智能体代码。每次运行还按节点分解每次模型调用、工具调用和子智能体的成本，从而显示哪些步骤消耗了最多的令牌和时间。

对于合规审查员而言，相关视图是 parallel_task_run 内部的 Basis 负载。Parallel 为每个输出附加来源 URL、置信度标签（高/中/低）以及一行推理轨迹，说明答案是如何合成的。例如，在企业档案调用中，中等置信度输出基于四个来源：Rivian 的 10-K 和 2026 年年报（来自 SEC.gov）、第三方转载的 2026 年委托声明以及维基百科。这种混合来源模式正是合规审查员希望标记的。有了追溯，每个主张的根据都是可检查的，这种来源模式可以跨运行纠正。

单个备忘录的追溯是审计轨迹。对于一整个季度的备忘录组合，还需要模式发现：哪个子智能体产生最多的低置信度输出？哪些目标需要最多的链接 Parallel 后续查询？哪些来源开始返回更薄的内容？LangSmith 在追溯基础上建立了跨运行分析功能，对于大规模运行尽职调查的金融团队而言，这一能力将审计轨迹转化为运营纪律。

本架构适用于任何运行公司结构化研究工作流程的团队，包括交易筛选、信贷承保、KYB/KYC 入职、并购目标评估和供应商风险评估。五个研究线索是起点，可根据工作流程替换：增加管理层背景调查和受益所有权追溯用于合规密集型尽职调查；增加 IP 组合分析用于并购筛选；增加 SOC 2 验证用于供应商评估。每个额外线索都是一个带有系统提示和相同 research_task 工具的新子智能体字典。