我从金融数据的所有角度走过一遍。

我当过数据使用者，在真实约束下依赖数据做决策；
我当过开发者，对接 API、构建系统，亲身感受抽象在现实中是如何“漏水”的；
我也曾是世界级金融数据公司的员工，看到数据在进入终端或 API 之前，是如何被生产、校验、限制和保护的。

每一个角色教会我的东西都不同，但它们最终指向同一个不太舒服的事实：

用户以为自己看到的、开发者以为自己暴露的、以及数据供应商真正管理的，从来都不是同一幅图景。

很长一段时间里，我以为熟练掌握一个平台，就等于理解了市场。

我知道快捷键，知道该信哪些数据，也知道当数字被质疑时该如何为它们辩护。久而久之，这种熟悉感被误认为是能力，甚至是一种掌控感。

但我后来才意识到：
熟悉，正在悄悄取代“可见性”。

在我之前的文章《Bloomberg、LSEG 与 MCP 缺口：为什么尚未发布完整的 MCP 服务器，以及多智能体系统如何解決这问题》中，我分析了为什么像 Bloomberg、LSEG 这样最强大的金融数据供应商，依然不会通过 MCP 或无限制 API 暴露“一切”。

原因并不是技术犹豫，也不是野心不足。

而是一个结构性现实：

不存在一个接口，可以同时代表所有人的利益。

这篇文章沿着这个思路继续往前走，但更进一步：
即便 MCP 是完美的，即便 API 没有任何限制，核心问题依然存在——

没有任何一个智能体，能够看到完整的全貌。

---

熟悉数据背后的“隐形边界”

大多数金融数据用户，并不是在整个数据宇宙中做选择。

他们只是在自己能看到的范围内选择。

而“能看到什么”，通常由授权、系统集成、内部流程和组织习惯决定。时间一久，这些边界会变得非常牢固。边界之外，也许有更便宜的、更准确的、或者更适合某个特定用途的数据，但它们之所以不存在于决策中，只是因为——不熟悉。

这通常不是有意为之，而是结构性的结果。

而且因为现有工具“还能用”，这种缺失并不会被感知为问题，反而被当成经验。

用户并不是完全看不见，他们只是半盲——在一个狭窄但熟悉的视野中自信前行，却不知道外面还有多少世界。

---

智能体代表的是利益，而不是全知

一个真正的多智能体未来，必须从一个并不舒服的前提出发：

每一个智能体，天生都是不完整的。

不存在“主智能体”，也不存在一个中立的、能看到一切的观察者。
每一个智能体，都只代表其创建者的最佳利益和最深专长——仅此而已。

用户侧的智能体，理解的是意图。
它知道用户想解决什么问题，哪些取舍是可以接受的，哪些风险是关键的。它并不假装理解整个数据世界，也不需要这样做。它的职责，是把“目的”表达清楚。

数据供应商侧的智能体，理解的是数据本身。
它知道方法论、覆盖盲区、延迟、不确定性和历史弱点，也知道自己的数据在什么情况下不该被使用。它不会揣测用户的目标，它的职责，是如实说明数据的能力和边界。

没有哪一个更高级。
也没有哪一个更完整。

这种对等关系不是缺陷，而是基础。

---

这并不是今天所谓的“Agentic AI”

今天大多数所谓的“Agentic AI”，都构建在单一平台之内，由单一公司拥有，并被单一激励结构塑造。

它们或许看起来模块化、灵活，也能高效编排工具、自动化流程，但本质上，它们始终只在用一个声音说话。

它们擅长执行，却不擅长协商。
因为在系统结构中，并不存在真正独立的利益方。

所谓的多视角，更多是一种模拟。

真正的多智能体系统，恰恰相反。
它从一开始就承认：没有任何智能体能看到全局，也不该假装能看到。

智能并非来自集中，而是来自多个有偏见、有立场、有局限的视角之间的协调。

---

当智能体开始直接对话

当用户智能体可以直接与多个供应商智能体对话时，决策的性质会发生变化。

同一个问题，会得到不同的回答、不同的限制条件、不同的不确定性表达。分歧不再被隐藏或平均掉，而是被明确呈现出来。

用户拿到的不再是一个“标准答案”，而是一种态势感知。

他们开始看到地形，而不是一张被精修过的地图。

在那一刻，继续使用某个熟悉的供应商，才真正变成了一个主动选择，而不是路径依赖。

---

经纪（Broker）智能体：可选，但有价值

在多智能体系统中，经纪智能体并不是必需的。
用户智能体和供应商智能体本身，就已经可以直接交流、交换上下文、暴露分歧。

即便如此，这也已经比今天的单平台模式前进了一大步。

但现实中还有一个更隐蔽的限制：
用户只能探索他们知道“存在”的东西。

用户智能体天然锚定在具体应用场景中，
供应商智能体天然专注于解释自己的数据，
但几乎没有任何一方，会主动退后一步，展示整个选择空间。

经纪智能体的价值，就在这里。

它并不忠于某个数据集，也不服务于某个具体应用，而是专注于比较与发现。通过长期观察多个用户与多个供应商的互动，它可以揭示那些平时很难看到的信息：哪些数据集其实高度重叠，哪些区域性供应商在特定细分市场里长期优于全球巨头，方法论的变化如何影响下游模型，以及成本、延迟和覆盖率在现实中的真实取舍。

经纪智能体不做决策，也不替用户下结论。
它的作用，是扩大视野，而不是收窄选择。

最终判断，仍然掌握在用户智能体手中，并通过与供应商智能体的直接对话来完成。

和系统中的其他智能体一样，经纪智能体也代表其开发者的视角与激励。它不是中立的，也不是完美的，但正因为它专注于“让不可见变得可见”，才显得有价值。

---

MCP 的位置：重要，但不是银弹

MCP 很重要。
它提升了互操作性，降低了摩擦，也标准化了接入方式。

但 MCP 仍然隐含着一个假设：暴露，等于理解。

事实并非如此。

数据永远伴随着视角，而视角一定属于某个主体。
供应商无法替用户发声，用户也无法替数据发声。
没有任何平台，可以替所有人发声。

这不是 MCP 的失败，而是它的边界。

多智能体世界并不是要取代 MCP，而是为它提供上下文。

---

为什么金融数据需要一个多智能体的未来

金融市场从来不是中立系统。
它们由激励、约束、不对称信息和相互竞争的解释共同塑造。

任何假装“中立”的系统，最终都会隐藏更多东西。

多智能体的方法，并不承诺完美答案。
它承诺的是更重要的东西：对取舍、边界和视角的可见性。

它接受碎片化，并把碎片化转化为力量。

---

为什么我在构建 Prompits

Prompits，是我对这一现实的回应。

它是一个多智能体框架，基于一个简单但严格的原则：
每一个智能体，只代表其所有者的最佳利益和专长——不多，也不少。

用户智能体、供应商智能体，以及可选的经纪智能体，作为对等个体共存。它们彼此发现、沟通、分歧、协调。

不是因为协调很容易，而是因为假装不存在协调需求，代价更高。

Prompits 不再问“如何暴露更多工具”，
而是问一个更难的问题：

我们如何让彼此独立的智能，诚实地协同工作？

---

展望未来

这并不是一篇反对 Bloomberg、LSEG、API 或 MCP 的文章。

它反对的，是这样一种想法：
任何单一的智能体、平台或接口，都能看到完整的世界。

金融数据的未来，不会是一个完美系统。

它将是多个智能体并存的世界——
每一个，都清楚地看到自己该看到的部分，并终于被允许发声。

这，就是金融数据需要多智能体未来的原因。