TriAgent: Divergence-Aware Multi-Agent Committees for Cost-Efficient Financial Sentiment Analysis

1. 一句话总结 TriAgent提出一种按上下文粒度分层的三智能体委员会架构，通过“分歧感知”动态路由将简单金融情感任务分配给轻量模型/词典，复杂任务交由大模型，实现高精度与低推理成本的平衡。

2. 核心创新点 打破传统LLM全量调用的成本陷阱，首创“词级(VADER)-句级(FinBERT)-篇章级(Qwen等)”三级级联路由机制；引入分歧感知与跨家族模型交叉验证，通过三向共识策略在推理开销与分类准确率间取得帕累托最优，使账单不再随用户量线性增长。

3. 潜在应用场景

• 开发工具/个人开发者：封装为开源低成本金融舆情API或浏览器插件，独立开发者/量化爱好者可零门槛集成至个人交易看板或自媒体分析工作流。
• 教育/适老化：嵌入理财教育平台或适老化语音助手，提供低延迟、低资费的实时市场情绪白话解读，降低数字鸿沟与使用门槛。
• IoT/边缘计算：部署于树莓派、车载终端或智能音箱，利用轻量模块实现本地化离线情感初筛，仅分歧数据上云，契合隐私保护与弱网环境。

4. 在AI知识体系中的位置 属于**LLM应用架构优化与多智能体协同(Multi-Agent Systems)**方向，核心关联“模型路由(Model Routing)/级联推理(Cascaded Inference)/成本感知部署”。与知识库中[文献2]轻量化模型微调及[文献4]LLM协商决策机制高度呼应，代表垂直领域NLP从“单一重模型”向“分层异构协同”的主流演进趋势。

5. 推荐指数 ★★★★☆（4星） 理由：新颖性与工程实用性突出，直击生产环境LLM“成本线性增长”痛点，架构清晰易落地；前瞻性高度契合“小模型+智能路由”的边缘AI趋势。个人可参与度极高（开发者可用开源模型+基础Agent框架快速复现路由逻辑）。扣1星因金融垂直领域较强，迁移至医疗/法律等领域需重新校准粒度阈值与共识规则。

来源：https://arxiv.org/abs/2607.19794v1