使用 Deep Agents、LangSmith 和 Parallel 構建公司盡職調查智能體

在金融服務領域，公司盡職調查是一項無處不在的工作流程。PE分析師篩選交易，銀行信貸團隊評估借款人，合規團隊審查新實體，保險承保人評估商業保單持有人。研究遵循一致的模式：選定一家公司，從多個維度進行調查，生成一份結構化情報報告，其中每項主張都有來源追溯。

本文構建了一個自動化該工作流程的智能體，結合了 LangChain 的 Deep Agents（用於編排）和 Parallel 的 Task API（用於網絡研究）。Deep Agents 負責規劃、子智能體委派和上下文管理。Parallel 負責實際研究，通過 Basis 返回帶有字段級引用、推理軌跡和校準後置信度分數的結構化發現。當一個研究線索引發新問題時，Parallel 的交互式研究功能允許智能體在保留先前研究線程完整上下文的情況下，鏈接後續查詢。

智能體編排五個研究線索，每個由專門的子智能體處理：企業檔案（法律實體結構、關鍵高管、成立歷史、員工人數、辦公地點）；財務狀況（融資歷史、收入信號、估值指標、盈利標誌）；訴訟和監管（訴訟、SEC 文件、制裁篩查、監管行動、和解）；新聞和聲譽（近期媒體報道、領導層變動、爭議標誌、媒體情緒）；競爭格局（識別前三大直接競爭對手及目標公司的定位）。當競爭格局返回命名列表後，編排器為每個競爭對手分派一個單獨的競爭對手分析子智能體，並行運行——這是典型的 Deep Agents 扇出模式，每個實例在其獨立上下文中運行。編排器然後讀取所有工作底稿，交叉檢查矛盾點和低置信度發現，在發現差異時通過 Parallel 的搜索 API 進行臨時查找，並撰寫最終報告，包含風險標誌和引用追溯。

這種多步驟架構是必要的，因為早期的發現會改變後續需要調查的內容。如果企業檔案揭示目標公司是子公司，財務分析需要涵蓋母公司。如果訴訟掃描發現 SEC 調查，風險評估隨之改變。Deep Agents 的規劃工具允許編排器在發現改變研究計劃時進行調整。

每個研究線索使用一次 pro-fast 處理器 Task API 調用。在 Rivian Automotive（納斯達克：RIVN）上進行了端到端驗證：九次調用約 23 分鐘。請參閲 Parallel 定價瞭解當前費率。

實現步驟包括：安裝依賴並設置環境變量；定義 Parallel 研究工具（包裝 Task API 並處理 Basis 置信度）；定義研究子智能體（每個有專門的系統提示和工具）；創建編排器智能體（使用 FilesystemBackend 持久化工作底稿和最終備忘錄）；運行智能體；以及流式傳輸執行進度。

對於金融服務業，可觀測性至關重要。六個月後，監管審查員可能審查由 AI 輔助生成的盡職調查備忘錄。他們想知道每個結論基於哪些來源、置信度如何，以及智能體的過程是否被記錄。智能體具有非確定性（LLM 輸出、提示敏感性、開放網絡），花費真實資金進行網絡研究，並最終生成可能被審計的備忘錄。LangSmith 捕獲每個 Deep Agents 步驟和每個 ParallelTaskRunTool 調用：子智能體構建的提示、Parallel 返回的 URL、Basis 負載中的置信度以及結構化發現，無需修改智能體代碼。每次運行還按節點分解每次模型調用、工具調用和子智能體的成本，從而顯示哪些步驟消耗了最多的令牌和時間。

對於合規審查員而言，相關視圖是 parallel_task_run 內部的 Basis 負載。Parallel 為每個輸出附加來源 URL、置信度標籤（高/中/低）以及一行推理軌跡，説明答案是如何合成的。例如，在企業檔案調用中，中等置信度輸出基於四個來源：Rivian 的 10-K 和 2026 年年報（來自 SEC.gov）、第三方轉載的 2026 年委託聲明以及維基百科。這種混合來源模式正是合規審查員希望標記的。有了追溯，每個主張的根據都是可檢查的，這種來源模式可以跨運行糾正。

單個備忘錄的追溯是審計軌跡。對於一整個季度的備忘錄組合，還需要模式發現：哪個子智能體產生最多的低置信度輸出？哪些目標需要最多的鏈接 Parallel 後續查詢？哪些來源開始返回更薄的內容？LangSmith 在追溯基礎上建立了跨運行分析功能，對於大規模運行盡職調查的金融團隊而言，這一能力將審計軌跡轉化為運營紀律。

本架構適用於任何運行公司結構化研究工作流程的團隊，包括交易篩選、信貸承保、KYB/KYC 入職、併購目標評估和供應商風險評估。五個研究線索是起點，可根據工作流程替換：增加管理層背景調查和受益所有權追溯用於合規密集型盡職調查；增加 IP 組合分析用於併購篩選；增加 SOC 2 驗證用於供應商評估。每個額外線索都是一個帶有系統提示和相同 research_task 工具的新子智能體字典。