我们构建了一个自定义资本利得计算引擎，并结合检索增强生成（RAG）技术从市场顾问报告向量库中提取上下文，为多代理交易推荐系统提供信息。实验采用 2x2 重复测量设计，分别开启或关闭税务优化引擎与 RAG 模块，评估推荐质量的指标为投资组合清算时的相对资本收益。
重复测量 ANOVA 显示税务优化引擎产生显著主效应 ($F(1,29) = 9.17$, $p = .005$, $\\eta^2_p = .240$)，开启引擎后税收节省相对下降约 55 个百分点。RAG 的主效应不显著 ($p = .841$)，交互效应亦不显著 ($p = .553$)。
在描述性统计上，单独使用 RAG 的条件实现最高的平均税收节省 (47.7%)，基线条件紧随其后 (30.6%)。这表明预训练语言模型内部的金融知识足以支持有效的税损收割建议，而不一定需要额外的专用计算工具。结果提示，将 LLM 代理与领域特定计算引擎结合并不必然提升性能，甚至可能引入冲突的优化信号。
博主点评：该研究提醒我们在实际系统设计中要慎重评估工具的增益，盲目叠加模块可能适得其反。对金融顾问类 AI 产品而言，充分挖掘模型本身的知识潜力或许比简单集成外部引擎更为高效。