🤖 AI

MoCA-Agent: A Market-of-Claims Code Agent for Financial and Numerical Reasoning

MoCA-Agent 是一个主张市场（market-of-claims）代码智能体，它通过将问题分解为用于专家验证的原子化主张、从市场支持的证据中合成可执行代码，并应用严格的验证，从而增强金融与数值推理能力，并在多种金融基准测试中实现了最先进的性能。

原作者： Abdelrahman Abdallah, AbdelRahim A. Elmadany, Sameh Al Natour, Hasan Cavusoglu, Adam Jatowt, Muhammad Abdul-Mageed

发布于 2026-06-11

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Abdelrahman Abdallah, AbdelRahim A. Elmadany, Sameh Al Natour, Hasan Cavusoglu, Adam Jatowt, Muhammad Abdul-Mageed

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在尝试解决一个基于混乱电子表格的极其棘手的数学问题。如果你向标准的 AI 求助，它可能会写出一个长篇大论、听起来很有信心的故事，但最后导向一个错误的数字。这就像一个学生写了一篇完美的论文，却在最后一步不小心除以了零——文章看起来很棒，但答案是错的。

这篇论文介绍了一种名为 MoCA-Agent 的新型 AI，它专门设计用于阻止这些在财务和数值任务中的“沉默错误”。它并不让 AI 仅仅通过聊天来推导答案，而是将问题视为一个事实的股票市场。

以下是它的工作原理，使用简单的类比进行说明：

1. “主张目录”（拆解过程）

与其要求 AI “解决问题”，MoCA-Agent 首先将问题分解为微小的、原子级的碎片，称为主张（claims）。

类比： 想象你在盖房子。与其说“盖一栋房子”，不如列出每一块砖、每一根梁和每一枚钉子。
在论文中： 如果问题是“利润是多少？”，系统会列出如下主张：“收入是 100 美元”、“支出是 20 美元”、“利润意味着收入减去支出”以及“符号应该是正数”。

2. “交易员市场”（辩论过程）

这是核心创新。系统不仅仅是询问一个 AI 进行思考，而是雇佣了四位不同的“专家交易员”来对每个微小的关于主张的正误进行“下注”。

交易员组成：
- 提取器（The Extractor）： 检查数字是否与原始文档相符。
- 公式专家（The Formula Expert）：ly 检查数学逻辑是否合理。
- 会计师（The Accountant）： 检查单位（美元、百分比）和符号（正负号）是否正确。
- 怀疑论者（The Skeptic）： 主动寻找错误，并对看起来不可靠的主张进行“卖出”（拒绝）。
市场机制： 每位交易员会对每个主张进行“买入”或“卖出”指令。如果会计师和怀疑论者都“卖出”了一个主张（即认为其错误），该主张的市场价格就会下降，从而被拒绝。如果大家都达成一致，价格就会上升，主张被接受。
为什么这很重要： 在普通的 AI 辩论中，如果三个 AI 都对一个错误答案达成一致，它们听起来都会非常有信心。但在这种模式下，即使“公式专家”很有信心，如果数字对不上，“怀疑论者”也可以通过“做空”来阻断整个过程。

3. “合成器”（构建程序）

一旦市场结算（决定了哪些主张被接受），一个“合成器（Synthesizer）”代理就会编写一个 Python 计算机程序。

规则： 合成器被严格禁止使用任何被市场拒绝的主张。它只能使用“经过批准的砖块”进行构建。
类比： 这就像一位建筑工头，只能使用那些通过了安全检查的蓝图。如果一份蓝图被拒绝了，即使他很想用，也绝对不能使用。

4. “验证器”（安全检查员）

在给出最终答案之前，一个“具备代码感知能力的验证器（Code-Aware Verifier）”会运行该程序。

检查内容： 它不仅检查代码是否能正常运行而不崩溃，还会检查代码是否符合市场的“逻辑”。程序是否不小心翻转了符号？是否应该除以 100 却变成了乘以 100？
修复机制： 如果验证器发现了沉默错误（例如符号错误），它会将程序发回进行一轮修复，并明确指出错误所在，以便合成器进行修正。

5. “冲突仲裁者”（平局决胜者）

有时，市场会感到困惑，或者程序不够强健。在这种情况下，一个“委员会”会将市场的答案与标准的、非市场驱动的 AI 答案进行对比。如果两者不一致，一个特殊的“仲裁者”会创建一个第三种混合答案，结合两者的优点。

结果：为什么它有效

作者在 10 个涉及财务报告、复杂表格和图表的困难基准测试上测试了这个系统。

结果： MoCA-Agent 始终击败了其他顶尖的 AI 模型（包括像 GPT-4o 这样的大型模型以及专门的金融模型）。
秘诀： 它之所以变强，并不是因为它使用了更大的“大脑”，而是因为它阻止了 AI 生成那些自信但错误的数字。通过强制要求 AI 在进行数学运算之前，先对每一个微小的细节达成共识，它显著减少了错误。

局限性（细则说明）

论文诚实地说明了该系统目前还无法做到的事情：

成本高昂： 运行这个市场系统所需的计算机“思考次数”（API 调用）远多于简单的 AI 对话，这使得其运行成本大约是后者的 5 倍。
依赖英语： 该系统目前针对英语财务语言进行了调优。它在处理其他语言或非金融领域（如生物学）时可能会遇到困难。
单步视觉： 如果输入是一个图表图像，系统会使用一种工具来读取图像。如果该工具读错了标签，交易员们将没有机会再次对该标签进行投注；错误会直接溜过去。

总结： MoCA-Agent 就像一家财务审计事务所，在没有人对每一个数字签字确认之前，它不信任任何人的话。它用一种结构化的、基于证据的市场机制取代了“自由形式的聊天”，以确保最终的数学计算是真正正确的。

技术摘要：MoCA-Agent

问题陈述

金融与表格问答（QA）系统面临着一个关键挑战：要求答案必须基于精确的事实、公式、单位、符号和量级。与开放式对话任务不同，金融推理对“看似流畅但错误”的推导几乎零容忍。一个微小的单元格误读、公式颠倒或 100% 的量级误差，都可能在周围文本看起来依然合理的情况下，悄无声息地破坏最终的数值结果。

作者识别了现有金融代码智能体中三个反复出现的失效模式：

沉默性计算错误（Silent Miscomputation）： 在程序思维（Program-of-Thought, PoT）方法中，智能体一旦生成程序便会对其做出承诺。即使是语法正确的程序，也可能除以错误的单元格或应用错误的单位，而下游检查通常只能观察到最终输出，而非底层的假设。
不透明的聚合（Opaque Aggregation）： 在多智能体辩论系统中，智能体聚合的是整个答案或评论。如果多个智能体都流畅地推导出了同一个错误的数字，共识就会以极高的置信度变得错误。这些系统将智能体的输出视为不透明的投票，而非可以被独立质疑的类型化主张（typed claims）的集合。
结构化验证不足（Insufficient Structural Verification）： 现有的自我修正和代码修复框架依赖于执行失败或自由形式的评论。它们难以检测出那些虽然执行成功、但使用了错误事实、符号或量级的程序（例如，翻转了税后净额的符号或将比例缩放了 100 倍）。

方法论：MoCA-Agent

本文引入了 MoCA-Agent（市场化主张代码智能体），该框架用一种结构化的、基于主张层级的验证协议取代了自由形式的多智能体辩论。系统将问题分解为类型化的原子主张，通过模拟市场聚合证据，并仅从获得市场支持的证据中合成可执行代码。

核心流水线

主张目录构建器（Claim Catalog Builder）： 系统将输入元组（问题 $q$ ，表格 $T$ ，上下文 $C$ ）分解为 $M$ 个原子的、可交易的主张（ $K$ ）。每个主张被类型化为事实（fact）、公式（formula）、单位（unit）、符号（sign）、**方向（direction，例如增加/减少）**或其他。目录上限设为 10 个主张以确保可处理性。
专家交易员市场（Specialist Trader Market）： 四个不同的交易员智能体（ $R$ $R$ ）独立评估每个主张：
- 提取器（EXTRACTOR）： 将事实单元格与表格进行对齐。
- 公式员（FORMULA）： 验证所提议的公式是否遵循请求的操作。
- 会计师（ACCOUNTANT）： 交叉检查单位和会计惯例（例如收入与支出）。
- 怀疑论者（SKEPTIC）： 主动卖出（质疑）证据不足的主张。
  交易员通过特定的价格和名义规模投放加权“买入”（支持）或“卖出”（质疑）订单。
市场清算（Market Clearing）： 系统聚合订单以计算每个主张的清算价格 ( $\pi_m$ $π_{m}$ ) 和置信度得分 ( $\gamma_m$ $γ_{m}$ )。主张被分配状态：接受（accepted）、拒绝（rejected）或不确定（uncertain）。
- 接受： $\pi_m \geq 0.62$
- 拒绝： $\pi_m \leq 0.38$
- 不确定： 其他情况
合成（Synthesis）： 合成器严格使用非拒绝的主张编写可执行的 Python 程序 ( $P$ )。拒绝的主张在代码生成前会被过滤掉。
代码感知验证与修复（Code-Aware Verification & Repair）：
- 代码感知验证器在沙盒中执行程序，并应用操作感知的结构化检查（例如，验证符号翻转、百分比缩放和公式一致性）。
- 如果程序未通过结构化检查，则触发**市场感知修复（Market-Aware Repair）**轮次，向合成器提供具体的结构错误列表（例如，“缺失公式或单位主张”），而非通用的反馈。
冲突解决（Conflict Resolution）： 如果基于市场的候选方案结构性较弱，**混合选择委员会（Hybrid Selector Committee）**会将该方案与基准候选方案（无主张市场的单智能体编写者）进行比较。如果分歧持续存在，**冲突仲裁器（Conflict Arbiter）**会生成第三个程序，借鉴两个候选方案中获批的部分。

多模态扩展

对于图表推理，系统使用视觉语言模型（VLM）对图表进行转录，并将其填充到表格槽位中。其余流水线（交易员、合成器、验证器）与纯文本配置保持一致。

核心贡献

失效模式分析与系统设计： 作者正式确定了沉默性计算错误、不透明聚合和结构化验证不足是金融智能体的主要失效模式。他们提出 MoCA-Agent，旨在将假设显式化为类型化的原子主张。
主张市场协议： 一种新型协议，其中专家角色对类型化主张进行加权下单。这创建了显式的假设审计追踪，并允许系统在不拒绝整个程序的情况下“做空”过度自信的公式。
代码感知验证与冲突恢复： 验证器被提升为核心路由组件，专门针对特定的沉默错误模式（符号、量级、单位）。系统包含混合选择器和冲突仲裁器，以处理市场驱动方案与基准方案之间的未解决分歧。
基准测试结果： 通过 10 个公开基准测试进行的广泛评估证明了在原子主张层面聚合证据的有效性。

实验结果

MoCA-Agent 使用固定的 Qwen3.6-27B 作为骨干网络，在四个类别中进行了评估：

金融数值推理：
- FinQA： 78.3%（对比 Fino1-14B 的 74.2%）。
- FinanceMath： 76.0%（对比 GPT-4o PoT 的 67.0%）。
- DocMath-Complong： 50.7%（对比 DeepSeek-V3 的 42.3%）。
通用表格推理：
- MultiHiertt： 71.2%（对比 Fortune RL 的 56.8%）。
- TabMWP： 96.0%。
- WTQ： 81.4%。
领域知识问答：
- ESGenius： 86.9%（优于最强的 RAG 基准 83.8% 及零样本基准）。
多模态图表推理：
- FinChart-Bench： 在 True/False、选择题和开放式问答中平均达到 85.6%。其在开放式问答上达到了 74.65%，显著优于 Claude Sonnet 4 (63.59%)。

消融实验： 移除交易员市场、代码修复、基准提议者或冲突仲裁器，会导致性能平均下降 2.8% 至 5.1%，证实了这些组件的互补性质。增益被证明归功于智能体架构而非骨干模型，因为结果在不同模型规模（9B 到 31B）下保持一致。

意义与声明

论文声称，在原子主张层面而非整个答案层面聚合证据，可以提高高风险数值推理的鲁棒性。 通过将假设显式化并允许专家角色独立支持或挑战特定的事实、公式和单位，MoCA-Agent 减轻了沉默错误在流水线中传播的风险。

作者强调，这种方法在需要多单元格提取和公式组合的场景中特别有效。他们指出，虽然该系统提高了可追溯性并降低了错误率，但并未消除错误答案的风险。因此，他们将 MoCA-Agent 定位为一种决策支持工具，在用于高风险金融、法律或监管环境之前，应由合格的人类进行审查。

已承认的局限性

论文明确指出了四个局限性：

成本： 流水线对于每个查询需要 6–10 次 LLM 调用，大约是单次运行 PoT 智能体成本的 5 倍。
分布外布局（Out-of-Distribution Layouts）： 系统假设问题可以分解为 $\leq 10$ 个主张；在由列标题归一化主导的基准测试（如 HiTab）中表现较差，而在这些测试中微调后的专家表现更优。
单一多模态步骤： 图表初始 VLM 转录中的错误不会被交易员小组重新评估。
领域特定性： 角色偏好和验证器检查是针对英语金融/会计惯例校准的，尚未在科学、生物医学或非英语语境下进行验证。