对于在企业规模上运营的金融科技机构而言，最初一波以孤立提示框和全新代码生成为核心的生成式 AI 采用浪潮很快就触及了天花板。在 Bloomberg 已有 45 年历史的技术体系中，超过 9,000 名软件工程师管理着庞大的 JavaScript 代码库、全球金融数据流以及数千个 Terminal 应用，仅仅更快地生成代码是不够的。
据 Bloomberg CTO 办公室架构与新兴技术（以及 AI 安全）负责人 Andrey Rybka 表示，从简单的自动化迈向企业转型，需要踏入一种新的运营范式：多玩家 AI。
AI 连续体的四个阶段
Rybka 结合自己在 Bloomberg 的 13 年经历以及软件行业 30 年的经验，将企业 AI 采用划分为四个不同的演进阶段：
- ChatGPT 式提示：单输入对话式查询和基础助手交互。
- 连接器与 MCP：通过 Model Context Protocol（MCP）等协议实现标准化集成，将模型直接连接到遥测、指标和内部工具集。
- 编码化的智能体框架：系统化的智能体循环，可自动化重复性工作流并自主执行多步骤操作任务。
- 多玩家 AI：共享上下文环境，人类工程师和自主智能体在其中就战略、规范和执 行循环积极协作。
“我们的大部分工作都是一个循环，”Rybka 解释道。单提示框需要人类不断触发，而终极目标是一个由人类设定方向性成果、智能体在共享上下文中协作执行并验证复杂工作流的环境。
多模型套利与智能体层级
在受监管的金融服务环境中构建有效的智能体系统，需要重新思考模型选择。Rybka 主张采用结构化的智能体层级和多模型套利，而不是依赖单一的庞大型前沿模型。
在 Rybka 自己的个人系统中，他编排了一种由"幕僚长"监督智能体统筹的层级结构，并辅以专门的对抗性智能体，持续审计和核查工作智能体的输出。通过在不同任务阶段（如规划、执行和对抗性测试）对前沿模型和开源权重模型进行基准测试，架构师可以为每个阶段匹配最优模型。这种多模型方法在带来显著性能提升的同时，将运营成本作为核心设计约束严格控制。
"我会自然地撰写规格说明，或与 AI 作为共同协作者一起共创规格。我能创建的最好的智能体使用了多个模型，并实现了非常好的成本效率。"
—— Andrey Rybka，Bloomberg 首席技术官架构与新兴技术负责人
转变成本函数，扩大构建者群体
这种人机协作的转变正在从根本上重塑软件经济学。正如Lei Zhang，Bloomberg 技术基础设施工程负责人所强调的，生成式工具从根本上改变了"软件工程的成本函数"——改变了哪些技术项目和维护工作值得投入的权衡。
Bloomberg 最引人注目的成果之一是新型软件创造者的人群构成：非技术员工。借助架构负责人提供的基线规格模板、定制 LLM 技能和结构化工具集，公司内各处的非技术员工正在积极为他们的日常工作流循环构建定制的生产自动化。
"如果你给他们基线工具集，人们就会非常有创造力，能产出令人惊叹的自动化，"Rybka 观察到。
事实锚定、护栏与核心基础
在金融领域，速度不能以牺牲可靠性或合规性为代价。为了防止金融应用中的幻觉——在那里"欺诈就是欺诈，有没有 AI 都一样"——Bloomberg 强制执行严格的事实锚定。智能体系统首先使用向量搜索和检索增强生成（RAG）查询可信的、经过策展的语料库，然后再应用 LLM 推理，确保每一个输出都可追溯到经过验证的事实。
此外，Rybka 强调，智能体部署必须预先嵌入全面的纵深防御——包括沙箱执行环境、入口/出口控制、工具与操作治理、身份与信任框架、提示防御、数据保护以及可观测性。
对于进入这一新领域的 AI 工程师，Rybka 的建议回归到核心软件工程原则：
- 掌握基础知识：不要跳过计算机科学基础——严谨的需求收集、系统架构和可测试性比以往任何时候都更加关键。
- 为非功能性需求而设计：将安全性、性能、可扩展性、可靠性和可观测性视为核心架构原语，而不是后期才添加的工单项。
- 关注意图而非实现：随着 AI 接管逐步编写代码的工作，工程师的价值转向明确必须实现的目标并建立确定性验证。
AIE NYC 的未来之路
随着金融机构现代化，Bloomberg 的经验很明确：AI 不再只是被动的代码自动补全——它是一个协作伙伴。通过结合多模型智能体层级、严格的数据接地和强大的安全防护，AI 工程师可以安全地将自主智能体从简单脚本扩展到完整的多方共同创作。