AI Wealth Advice / Robo-Advisor / Best Interest Boundary Architecture 解读

面向对象: AI Product Architect / Wealth PM / Robo-Advisor Product Lead / Senior BA / Solution Architect / Model Risk Partner / Conduct Risk Owner。 核心问题: AI 财富建议系统的难点不是“能不能讲清投资概念”, 而是能否把 education、recommendation/advice、portfolio construction、execution、human escalation、disclosure、evidence 和 supervision 做成可控边界。 学习目标: 建立 AI wealth advice boundary architecture, 把客户画像、风险承受能力、approved investment universe、组合推荐、best-interest style controls、幻觉控制、投诉监督和模型风险连接成一套可审计产品架构。

---

Source Anchors

以下官方来源作为学习锚点。本文只把公开材料转成产品、流程、架构和证据设计语言, 不得被解读为法律意见、合规结论或适用性判断。正式项目的准确适用范围由 Legal / Compliance / Risk / Supervision 结合机构注册类型、产品类型、渠道、司法辖区和内部政策确认。

一句话:

AI wealth advice is an advice-boundary control architecture, not an investment chatbot with nicer language.

---

1. 为什么财富 AI 是边界架构问题

财富管理场景天然包含四类张力:

客户想要明确答案
  + 投资结果不确定
  + 机构有产品、费用、激励和监督义务
  + AI 擅长生成流畅语言但不天然理解法律/适当性边界
  = 必须把建议边界产品化、策略化、证据化

普通金融客服 AI 的主要风险是回答错误、阻断人工或泄露信息。财富 AI 额外面临:

• 客户可能把一般教育理解成个人建议。
• AI 可能把客户一句话里的目标、资金、期限和风险偏好拼成具体推荐。
• 推荐排序可能受费用、campaign、proprietary product 或模型偏差影响。
• 投资组合建议需要同时考虑目标、期限、风险承受能力、风险承受能力外的风险承受能力、流动性、经验、税务敏感度、集中度和现有持仓。
• 交易执行把 conversational output 变成真实资金动作, 需要比普通问答更强的确认、披露、记录和监督。
• 出错后不能只说“AI 回答不准确”, 必须能重建当时的客户画像、产品宇宙、算法版本、规则评估、披露和人工参与。

PM / 架构师的高级表达:

我不会把 robo-advisor 设计成一个“推荐基金的聊天机器人”。我会把它拆成 investor profile、approved investment universe、portfolio engine、advice boundary policy、disclosure library、execution gateway、human escalation、evidence graph 和 supervision loop。LLM 只负责解释、澄清和生成受控文本, 不拥有适当性判断或交易权限。

---

2. Advice Boundary Taxonomy

AI 财富产品必须先定义“系统此刻在做什么”, 再决定能说什么、能展示什么、能不能进入交易。

边界判断不是一次性。一个对话可能从 L0 进入 L4, 再进入 L6。每次边界提升都要重新触发:

• identity / entitlement。
• customer profile completeness。
• product universe eligibility。
• role / channel permission。
• disclosure。
• human escalation requirement。
• evidence capture。

---

3. Reference Architecture

Client channel
  -> identity / consent / entitlement
  -> intent and advice-boundary classifier
  -> profile completeness service
  -> approved investment universe service
  -> portfolio recommendation engine
  -> suitability / best-interest style policy engine
  -> LLM response composer with approved claims and citations
  -> disclosure and consent workflow
  -> human escalation / advisor desktop
  -> execution gateway
  -> evidence graph, supervision, complaints, model risk monitoring

3.1 关键组件

3.2 LLM 的正确位置

在财富建议架构中, LLM 应被限制为:

• education narrator。
• clarification assistant。
• approved content composer。
• rationale explainer。
• advisor meeting note drafter。
• customer question triage。
• complaint and escalation detector。

LLM 不应作为:

• risk tolerance scoring authority。
• product approval authority。
• portfolio optimizer。
• suitability engine。
• conflict evaluator。
• order execution authority。
• legal/compliance applicability decider。

这不是低估 LLM, 而是承认财富建议的关键风险来自可审计决策边界, 不是语言能力。

---

4. Investor Profile Architecture

财富 AI 的核心输入不是“客户问了什么”, 而是“系统是否拥有足够、有效、可追溯的客户画像来支持当前动作”。

4.1 Profile Data Contract

4.2 风险承受能力不是一个分数

低成熟度做法:

5 个问卷问题 -> risk score = 7 -> 推荐 aggressive portfolio

高成熟度做法:

risk tolerance
  + risk capacity
  + investment horizon
  + liquidity need
  + objective priority
  + experience and knowledge
  + concentration and external holdings
  + vulnerability and behavioral signals
  = profile suitability envelope

架构上应输出 profile envelope, 而不是单一 risk score:

profile_envelope:
  objective: retirement_income
  horizon_bucket: long_term
  risk_tolerance_band: moderate
  risk_capacity_band: medium_high
  liquidity_constraint: medium
  knowledge_level: intermediate
  concentration_limit:
    single_security: 10_percent
    illiquid_assets: 15_percent
  allowed_complexity: medium
  advice_status: complete_for_model_portfolio
  profile_snapshot_id: ips_2026_06_30_001

---

5. Approved Investment Universe

AI wealth advice 不能从“全市场知识”里自由挑产品。它必须使用 approved investment universe。

5.1 Universe Metadata

5.2 Product Universe Gate

candidate product
  -> active and approved?
  -> allowed for customer jurisdiction/account/channel?
  -> allowed for customer profile envelope?
  -> within complexity and liquidity limits?
  -> conflict disclosure available?
  -> approved claim available?
  -> supervision policy satisfied?
  = eligible_for_recommendation | compare_only | education_only | blocked

5.3 Universe Failure Modes

---

6. Portfolio Recommendation Pipeline

组合推荐不应由 LLM 在对话里“想出来”。推荐流程应是结构化管道。

goal intake
  -> profile completeness check
  -> account and restriction check
  -> approved universe filter
  -> strategic asset allocation / model portfolio matching
  -> constraints and concentration check
  -> suitability / best-interest style policy check
  -> rationale and alternatives
  -> disclosure and customer confirmation
  -> execution workflow
  -> ongoing monitoring and rebalancing

6.1 Recommendation Objects

6.2 Decision Table

6.3 推荐理由要有证据, 不是营销文案

弱理由:

这个组合很适合你, 因为它收益潜力高, 风险也比较平衡。

强理由:

系统选择 balanced model 的原因是: 你的目标期限为 10 年以上, 风险档位为 moderate, 已预留现金储备, 且组合费用低于同类上限。higher-growth model 被排除, 因为它超过了当前 risk envelope 的权益暴露上限。该解释不保证收益, 也不替代正式投资顾问审查。

架构要保存:

• 匹配规则。
• 被排除方案。
• profile snapshot。
• product universe version。
• fee/cost basis。
• disclosure set。
• AI output hash。

---

7. Best-Interest Style Control Model

本文不判断某个产品或渠道是否适用 SEC Reg BI、investment adviser fiduciary duty、FINRA 规则或其他义务。准确适用性由 Legal / Compliance 拥有。架构师要做的是把 best-interest 风格问题转成控制对象。

7.1 Control Translation

7.2 Care / Conflict / Disclosure / Supervision 四层

7.3 Ranking Policy

财富 AI 的排序不是单纯 recommender system。

ranking_score =
  customer_goal_fit
  + risk_profile_fit
  + cost_reasonableness
  + diversification_benefit
  + liquidity_fit
  - conflict_penalty
  - complexity_penalty
  - concentration_penalty

PM 要求不能只写“推荐最匹配产品”。要写:

• 允许哪些特征进入排序。
• 禁止哪些特征进入排序。
• 如何处理 proprietary product。
• 如何展示 alternatives。
• 如何记录被排除原因。
• 如何在投诉、监管问询或客户争议时重放。

---

8. Education vs Advice vs Execution: Runtime Boundary

8.1 Boundary Decision Tree

客户是否只问一般概念?
  是 -> education answer with source and no product push
  否 -> 是否问具体产品公开信息?
    是 -> product info / neutral comparison
    否 -> 是否提供个人资金、目标、期限、风险或账户信息并要求建议?
      是 -> profile and advice-boundary gate
      否 -> 是否要求下单、调仓、卖出或再平衡?
        是 -> execution gateway, not free-form chat execution
        否 -> clarify intent

8.2 对话中常见越界信号

8.3 Channel and Role Boundaries

---

9. Human Escalation Architecture

财富 AI 的人工升级不是客服兜底, 而是 boundary control。

9.1 Escalation Triggers

9.2 Warm Handoff Package

人工接手时不能让客户重复全部信息。handoff package 应包含:

• customer intent summary。
• boundary tier。
• profile completeness status。
• known constraints。
• products discussed。
• recommendation candidates and excluded alternatives。
• disclosures shown。
• AI confidence and refusal reasons。
• complaint / vulnerability flags。
• full trace id and conversation excerpt。

---

10. Hallucination Control

在财富 AI 中, 幻觉不是“回答不准”这么简单。它可能变成虚假收益、错误费用、未批准产品、错误税务暗示、交易承诺或不当建议。

10.1 Control Stack

source authority
  -> retrieval permission filter
  -> approved claims library
  -> structured product/profile APIs
  -> constrained generation
  -> post-generation policy scanner
  -> source support check
  -> refusal / escalation
  -> evidence logging

10.2 Forbidden Wealth Claims

10.3 Response Contract

高风险回答应遵守结构化输出:

response_type: education | compare | profile_required | recommendation_summary | execution_redirect | escalation
boundary_tier: L0-L6
source_ids: []
profile_snapshot_id: optional
universe_version: optional
policy_decision_id: optional
disclosures: []
human_escalation: true_or_false
customer_visible_text: string
blocked_claims_detected: []

这样做的目的不是让客户看到 YAML, 而是让系统在生成前后都能测试、拦截、记录和重放。

---

11. Evidence Graph

财富 AI 的证据不应只保存 chat transcript。真正有用的是 decision-time evidence graph。

11.1 Evidence Events

11.2 重放能力

监管、审计、投诉和模型风险复盘会问:

• 当时客户画像是什么?
• 哪些产品被允许进入候选集?
• 哪些产品被排除, 原因是什么?
• 推荐算法和规则版本是什么?
• 客户看到哪些披露?
• AI 是否使用了 approved claims?
• 人类是否参与, 做了什么修改?
• 交易是否由客户明确确认?
• 后续是否有投诉、撤销、补救或控制更新?

如果系统只能回答“我们有聊天记录”, 证据能力不足。

---

12. Complaint, Supervision and Surveillance

财富 AI 需要把投诉、监督和模型风险接到同一条闭环。

12.1 Complaint Detection

AI 应识别:

• “你们之前建议错了”。
• “我亏钱了, 要投诉”。
• “我没有理解费用”。
• “这个不是我想买的”。
• “顾问/系统误导了我”。
• “我以为这是保本的”。

默认处理:

complaint signal
  -> pause recommendation and sales language
  -> create or route complaint case
  -> preserve trace and evidence
  -> provide customer confirmation
  -> notify supervision / conduct risk workflow

12.2 Supervision Signals

12.3 Supervision Operating Loop

sample interactions
  -> review recommendation traces
  -> classify finding
  -> determine customer impact
  -> update policy / prompt / universe / disclosure
  -> retrain reviewers and advisors
  -> test control effectiveness
  -> document closure evidence

---

13. Model Risk Management

AI wealth advice 是 AI system risk, 不是单一模型风险。

13.1 Validation Scope

13.2 Eval Set Design

评估集应覆盖:

• 普通教育问答。
• 产品比较。
• 画像不足仍要求推荐。
• 高风险偏好但低风险承受能力。
• 短期目标却要求高收益。
• vulnerable customer。
• 投诉和后悔。
• 市场剧烈下跌。
• 外部证券请求。
• 复杂产品请求。
• prompt injection。
• 多语言和低金融素养表达。
• advisor copilot copy-paste 风险。

13.3 Revalidation Triggers

• base model 或 model route 变化。
• prompt / system instruction 变化。
• RAG source 或 product universe 变化。
• risk questionnaire 或 profile scoring 变化。
• portfolio optimizer 或 model portfolio 变化。
• disclosure library 变化。
• 新产品、新渠道、新客户群。
• 投诉趋势、supervision finding、incident。
• 法规、监管 guidance 或内部 policy 更新。

---

14. PM / Architect Implications

---

15. Interview-Ready Language

15.1 30 秒版本

我会把 AI wealth advice 设计成 advice-boundary control architecture。教育、产品信息、个性化推荐、组合管理和交易执行要分层。风险承受能力、目标、期限、流动性、现有持仓和 approved investment universe 由结构化服务管理, 组合推荐由 portfolio engine 和 policy engine 控制, LLM 只做解释、澄清和受控文本生成。上线必须有披露、人工升级、证据图、投诉监督和模型风险验证。

15.2 2 分钟版本

Robo-advisor 的关键不是回答“买什么”, 而是证明推荐是在当时客户画像、产品宇宙和控制规则下生成的。我会先做 advice boundary taxonomy: education、neutral comparison、personalized recommendation、portfolio management、execution。然后建立 investor profile service, 包括 risk tolerance、risk capacity、horizon、liquidity、knowledge、constraints 和 freshness。产品侧建立 approved investment universe, 带 risk、fee、liquidity、complexity、conflict、channel 和 approved claims metadata。推荐由组合引擎生成候选, 再经过 suitability / best-interest style policy engine, 输出 rationale、alternatives、disclosures 和 evidence。LLM 不能绕过这些服务, 只负责解释和摘要。高风险、画像不足、复杂产品、投诉、vulnerable signal 和低置信都升级人工。最后用 evidence graph 保存 profile snapshot、universe version、rule results、disclosure、human review 和 execution confirmations, 并通过 complaints、supervision、override、drift 和 model validation 持续监控。

15.3 面试追问

---

16. 与已有学习资产的连接

---

17. 核心结论

AI 财富建议的高级架构判断是:

1. 先定义 advice boundary, 再做对话体验。
2. 客户画像是正式数据资产, 不是聊天中随手推断。
3. 推荐只能来自 approved investment universe。
4. 组合推荐由 portfolio engine 和 policy engine 生成, LLM 负责解释。
5. Best-interest 风格控制要落成 disclosure、care、conflict、supervision 和 evidence。
6. 人工升级是产品能力, 不是异常客服。
7. 投诉和监督要能反向更新 prompt、policy、universe、questionnaire 和模型评估。
8. 证据必须能重放每一次客户影响型建议。