当一家投资机构的AI助手从堆积如山的邮件和销售笔记中为顾问提取关键信息时，一个看似简单的问题决定了结果的可信度：系统是找到了真正相关的证据，还是仅仅用似是而非的内容填满了上下文窗口？李嘉龙设计并部署了一套名为“词法优先混合检索与相关性准入门”的架构。这套系统通过根本性地改变AI检索证据的方式，解决了金融AI在受监管环境中面临的一项核心挑战：如何确保大模型只基于真正相关的客户记录作答，而非在无关的干扰信息中产生流畅但错误的摘要。这套架构正在重新定义受监管投资机构部署AI的安全边界。

覆盖两条核心业务链：从获客到客户维护

李嘉龙主导研发的这套检索架构同时服务于两条核心AI业务线，覆盖了投资顾问从获客到存量客户服务的完整工作流。潜在客户智能体（Prospect Agent） 负责协助顾问处理新客户拓展阶段的背景调查与前期沟通分析。其检索范围覆盖整个潜在客户公司域内的全部邮件往来，候选池规模巨大，而查询往往只是一个公司名称——这恰是传统向量搜索最不擅长的查询类型。正是在这一场景中，李嘉龙设计的“词法豁免”机制发挥了关键作用：当顾问查询“Phillips Foundation”时，系统能精准识别同名或相似名称的干扰项，将真正相关的邮件从重排序丢弃阈值下“挽救”回来。

客户账户智能体（CS Account Agent） 则面向存量客户的深度服务与关系维护。它同时运行两套检索流水线：一套是对邮件线索的混合检索，查询承载的是账户名称和家族名称的组合；另一套则针对CRM系统中的销售笔记，根据查询意图类型进行智能路由——账户代码（如“x6618”）直接走精确子串匹配，名称查询走词法相似度匹配，自由文本查询才走完整的混合检索加重排序路径。两套检索的结果最终汇聚到同一上下文，使顾问能够在一个对话中同时回答“客户最近有没有回复”和“上一次见面我们承诺了什么”这两类问题。

“词法豁免”：一个精妙而普适的修正

然而，一个精妙的设计细节进一步提升了这套系统的价值。李嘉龙发现，交叉编码器（重排序器）对纯名称查询的评分天然偏低（约0.01-0.05），即使该邮件确实涉及该公司。这意味着一个固定的丢弃阈值会错误地排除真正的相关结果。他的解决方案并非调低阈值（那会重新引入噪声），而是引入了一个 “词法豁免”机制：持有本查询最佳词法匹配分数的候选文档，可以豁免于重排序的丢弃阈值。因为它是相对的，精确名称匹配能胜过部分匹配，所以“Phillips Foundation – ACWI”在查询“Phillips Foundation”时无法搭乘豁免。这一设计是一个普适性的解决方案，它针对的是交叉编码器系统性地低估专有名词查询这一普遍缺陷，而不仅仅是针对Ethic的特定数据。

行业意义：从“感觉还行”到“可度量可信”

李嘉龙的工作之所以具有超出重要的行业意义，是因为它直接回应了金融监管机构对AI系统最核心的关切。美国金融业监管局（FINRA）在《2026年度监管监督报告》中明确指出，复杂的多步智能体推理任务使结果难以追踪或解释，从而“使可审计性变得复杂”。而李嘉龙构建的检索架构，正是通过证据准入控制，从源头限制了模型接触错误客户数据的可能性——这种“通过构造”实现的安全性，在两条业务线上均有结构性的保障：潜在客户检索被严格限定在目标公司域内，账户检索则在请求缺失团队标识符时直接拒绝返回任何结果，从架构层面杜绝了跨客户数据泄露。在数据层面，李嘉龙的工程实践也揭示了一些常被忽略但影响深远的问题。约18,700条生产消息曾因一个撇号触发的分类错误而从未被索引；全部8,011条销售笔记中有55%在单词中间被截断，丢弃了33.6%的语料内容；智能体读取的每条笔记日期都以“2023,6,15,0,0”的格式呈现——在86条采样追踪中无一例外。 这些问题没有任何一项能被模型输出层的评估所发现，但它们绝对地限制了检索质量的上限。

这项工作的价值也在独立基准测试中得到了印证。2026年发布的金融文档检索基准T2-RAGBench显示，在23,088个金融查询上，“两阶段混合加重排序”的方法在Recall@5上达到0.816，比单独融合高出17.4%，比纯词法检索高出26.7%。该研究结论与李嘉龙从生产数据中独立得出的设计决策——在金融实体查询中，词法证据应优先于语义证据——高度吻合。当美国投资顾问行业对AI的采用率在2023至2025年间翻倍至63%，而治理能力普遍滞后时，李嘉龙部署的这套覆盖潜在客户与存量账户两条核心业务线的检索保障架构，为行业提供了一个关键问题的答案：如何让金融AI在受监管环境中，不仅“说得流畅”，而且“搜得精准、用得可靠”。（文/刘清）