3天变几分钟：Apollo用AI Agent重构投资组合

在金融投资领域，数据碎片化与决策速度之间的矛盾长期存在。Apollo旗下信贷平台Reading Ridge与AI Agent平台Rowspace的合作，展示了一条从"AI可选项"到"AI关键任务"的落地路径。据B站UP主在AI Engineer大会的现场记录，双方将原本需要数天的投资组合构建工作压缩到几分钟内完成，为AI在金融核心业务中的应用提供了可复用的样本。

从数天到几分钟：AI Agent如何重构投资组合构建

Reading Ridge管理着约500亿美元资产，核心业务围绕CLO（贷款抵押债券）展开。CLO产品规则密集，资金流向由深度契约文件和多份法律协议严格界定，投资组合经理需要从200到400个单一信贷名称中筛选构建组合，并确保符合复杂的瀑布式分配规则。

传统流程下，PM需人工审阅文件、搭建Excel模型、反复校验数据，一个组合从零到成型通常耗时两到三天。Rowspace的AI Agent接管了数据工程层面的工作——从文档库、交易合规系统和实时定价源中抽取并核对信息，自动生成组合框架。据Jack McDonald描述，PM现在可以在几分钟内拿到一个完成度较高的基础组合，随后将精力集中在最后阶段的判断与微调上，"把组合变成自己的"。

另一典型场景是仓库购买活动。Reading Ridge依赖多家银行融资，在固定收益市场随时买卖贷款。过去，团队需要每周手动登录各银行账户核对结算报表，由两到三人耗费数小时整理成报告邮件。如今，同样的报告只需将数据导入Rowspace，一分钟内即可生成可重复使用的可视化报告，团队的工作从"制作"转为"质检"。

CLO（贷款抵押债券）与瀑布式分配规则

CLO（Collateralized Loan Obligation）是一种将大量企业贷款打包、分层发行证券的结构化金融产品。其核心机制是“瀑布式分配”（waterfall）：底层贷款产生的利息和本金，按优先级顺序依次支付给不同层级的证券持有人——先偿付AAA级，再依次向下，最后是权益层。每一层的支付条件、触发阈值、覆盖测试（如超额抵押测试）均由契约文件严格定义，牵一发而动全身。因此，CLO组合构建不仅是挑选信贷资产，更要在数百条规则约束下确保结构合规。一旦某个数据点或计算逻辑出错，整个瀑布的现金流分配就会偏离，影响从优先级到权益层所有投资者的收益。这正是Reading Ridge需要AI系统确保“黄金真相”可追溯、可审计的根本原因，也是通用大模型难以胜任此类任务的关键所在。

为什么不能直接把数据丢给ChatGPT？

一个自然的疑问是：既然大模型能力这么强，为何不直接把数据粘贴进ChatGPT或Claude？Jack在对话中给出了明确的回答：通用大模型基于公共信息训练，擅长快速调研和建立认知框架，但它不拥有企业自己的数据。而在CLO这类业务中，一个数据点可能来自20个不同来源，其中只有一个是正确的。

Rowspace的差异化在于"拥有自己的数据"并在此之上构建可验证的技术层。团队采取的是"蹲点式"服务——Michael及其同事每天与Reading Ridge的投资组合团队、财务团队坐在一起，理解每一项计算逻辑，确认哪一数据源是"黄金真相"，并在系统中设置覆盖规则。这种深度介入使得系统输出的数据可追溯、可审计，团队才敢于据此做出交易决策。

Jack特别强调，Rowspace团队与其它技术供应商的不同之处在于"boots on the ground"——不是交付一套软件就离开，而是持续在场学习信息流。这种工作方式虽然难以规模化复制，但恰恰是金融核心业务信任AI的前提。

“黄金真相”（Golden Source）与数据覆盖规则

在金融数据工程中，“黄金真相”指针对某一数据点，在众多可能来源中被认定为权威、正确的那个来源。例如，某笔贷款的当前余额可能同时出现在托管行报表、内部交易系统、第三方数据商和邮件确认中，但只有一个是最终结算依据。确立黄金真相需要业务专家逐项确认，并设置“覆盖规则”（override rules）——当多个来源冲突时，系统按预设优先级自动选取正确值。Rowspace团队每天与Reading Ridge的业务团队坐在一起，正是为了梳理每个指标的数据血缘、确认权威来源、固化覆盖逻辑。这套机制使系统输出可审计、可追溯，也是AI从“辅助调研”迈向“支撑交易决策”的信任基础。没有黄金真相层，AI的输出只是又一份需要人工复核的数据源。

Apollo的AI-native基因：文化比技术更关键

据主持人Mark Mirchandani观察，Apollo在Claude Code和Cursor尚未普及之前，就已经确立了"以AI-native方式重建公司"的路线，且坚持平台化而非点状解决方案。Jack将这种前瞻性归因于Apollo的文化：作为另类资产管理领域的头部机构，公司管理层一贯强调创新、扁平化和快速适应市场变化。

这种文化体现在组织行为上，是对新技术"不否定、先采用"的开放态度。AI被引入工作流的目的并非替代判断，而是释放人力去做更有思考深度的工作。Jack提到，公司有大量中后台支持职能，存在显著的效率提升空间，而AI恰好可以承接其中的常规性任务。

不过，Jack对AI在金融业的整体进程保持了清醒判断。他认为，若以"AI真正改变行业形态"为标准，金融领域仍处于早期阶段。当前大模型在快速调研、公司基本面速览等场景中确有价值，但这类应用附加值相对较低。真正困难的是嵌入交易、合规、估值等核心流程，这需要技术团队对业务细节有远超表面的理解。

AI-native与平台化路线

“AI-native”指从组织设计、工作流到技术架构都以AI能力为前提进行重建，而非在既有流程上叠加AI工具。与之相对的是“AI-enabled”——仅在局部环节引入AI提升效率。Apollo选择的是前者，且强调“平台化”而非点状解决方案：不是为每个部门单独采购一个AI工具，而是构建统一的数据与Agent平台，让不同团队在同一底座上开发应用。平台化的优势在于数据标准统一、权限与审计可复用、能力可跨团队迁移；代价则是前期投入大、见效慢，需要管理层长期承诺。Jack将这种选择归因于Apollo的创新文化与扁平化决策机制，这也解释了为何该公司能在Claude Code和Cursor普及之前就确立AI-native路线。

AI是Excel还是护城河？

对话中抛出了一个尖锐的问题：AI最终会像Excel一样成为人人可用的通用生产力工具，还是能形成结构性的竞争优势？Jack的答案倾向于后者，但附有条件。

在 actively traded 市场中，竞争力取决于流程的严谨性和信息的及时性——知道可用流动性在哪里、资产实时定价如何、价值几何。AI若能确保这些信息准确、一致、不碎片化，就能直接转化为交易优势。在私募市场，这一逻辑同样成立但演化更慢。Jack指出，随着 firms 获得更优质的信息访问能力，且团队对数据准确性有充分信心，AI带来的领先会逐步累积为竞争壁垒。反面的风险同样明确：基于错误信息做出的决策会沿链条传导至机构和投资者，"这是最不希望发生的事"。

对于未来，Jack的期待集中在两点。其一是对输出信息的完全信心——Reading Ridge服务着超过400家全球投资者，任何数据错误都可能波及广泛，AI系统必须让团队从"花数小时人工复核"中解放出来。其二是团队思维的转变：技术不应再是事后考虑，而应成为员工思考问题的起点，当常规任务被自动化后，人力可以转向追问"这个流程为什么存在、该如何改进"。

给AI+金融从业者的建议

对话尾声，Jack给希望进入AI+金融交叉领域的人提了一条朴素但关键的建议：金融机构极其复杂，许多看似怪异或多余的流程安排，背后往往有特定的合规或业务原因。花时间真正坐到业务团队身边，理解他们的工作流和判断逻辑，是任何工具能否落地的分水岭。Rowspace产品能够超前于路线图交付，很大程度上正源于这种日复一日的在场。

对技术团队而言，金融不是可以靠通用能力"降维打击"的领域；对金融团队而言，AI也不是即插即用的魔法。双方的深度协作，才是把数天工作压缩到几分钟的真正原因。