腾讯云商业银行解决方案手册 云启智能智构未来

随着算力、数据和算法的爆发式融合，人工智能（AI）的感知、决策与生成能力实现了质的飞跃。AI已社会发展的新型基础设施，推动行业生产力与生产关系的深刻变革。2025年12月，国家金融监督管理总局发布的与此同时，银行业的经营环境正面临着结构性挑战。在供给侧，面对经营成本上升与风险形态日益复杂的双重压力，银行亟需通过智能化手段实现降本增效，从规模驱动向价值驱动转型；在需求侧，客户的行为模式正经历着从移动互联到原生智能的代际跃迁，对金融服务的期待已不再局限于物理网点或单一APP的边界，而是追求更高效的服务精准将AI能力系统性嵌入业务全链条，加速应用创新与数据流转，激活数据要素的乘数效应，已成为银行实现高质量发展、抢占战略制高点的必由之路。银行的核心竞争力也将从传统的资本规模、物理网点及存量客户，转向以数据和智能驱动的数字化能力：对外，通过深耕全链路智能运营与个性化用户体验，构建起敏捷的客户响应能力；对内，依托同协部外管理效能提升同协部外部内接连以模型能力支持更高效的业务流程和部内接连模型数据模型迭代优化模型数据依托丰富的数据资产持续迭代优化模个性化连接和体验通过AI增强的客户连接，提升客户与数据资产沉淀更广泛、更深入的数字化交互，汇聚成高质量、多模态的核心数据资产。然而，AI技术与业务逻辑的深度融合并非简单的技术叠加，而是涉及战略、技术、数据和组织的系统性工程，在数字化向数智化跃迁的实战深水区，我们面临着如下关键问题的挑知识资产如何重塑：面对长期沉淀的海量知识与专家经验，如何构建懂业务、能推理的智能大脑，实现从静态应用范式如何变革：当智能体（Agent）成为新的生产力单元，如何构业务防线如何筑牢：面对AIGC深度伪造（Deepfake）攻击和新型业务欺诈，如何实现业务创新和安全合规的要素价值如何激活：当数据成为驱动新质生产力的核心要素，如何打破“找数难、用数难”的困境，将数据从IT 么腾讯c首要任务是以知识库为基础沉淀金融级知识资产，通过知识工程构建企业级的认知分析与决策支持 么腾讯c首要任务是以知识库为基础沉淀金融级知识资产，通过知识工程构建企业级的认知分析与决策支持中枢，并依托智其次是筑牢智能风控安全防线，确立以主动防御为核心的安全策略，严防AIGC深度伪造等新型欺诈风险；同时，将智能应用深度融入内部组织的日常工作，通过高效的人机协同驱动组织能力的敏捷进化；作为上述智能应用和场景的基石，数据、模型和算力等技术平台的作用至关重要：Data+AI的数据智能平台在确保核心交易稳定运行的同时，也为模型的训练推理提供高质量的数据资产支撑；以“通智协同”为特征的智算基础设施则可以在保障金融级业务交易稳定的前提下，实现智能算力的高效供给和弹性调度。在后续的章节中，我们将逐层拆解这一建设路径，为银行的数智化建设提供可操作的实战指南。业务进化及重塑场景构建及协同·营销助手·风控助手·尽调助手·企业微信·腾讯会议·腾讯文档·代码助手·协作助手·Claw智能体数据资产及模型模型与训练预训练大模型、领域模型算力管理及调度智能算力平台1.1.认知决策的智能演进 1.3.知识工程的技术架构 1.4.构建组织级知识资产 2.1.研发范式：从代码到智能体2.2.应用实战：平台驱动场景落地--174.2.腾讯数字化协同解决方案334.3.智能协同打造连接新体验405.2.数据智能：融合全域深度洞察--506.1.从通用计算向通智协同的代际演进--6.2.专有云：构建通智一体底座60知识工程是将通用大模型能力转化为金融专业生产力的必经之路，也是构建智能应用的关键基础。传统的企业知识库在长期建设过程中逐步暴露出结构性失效问题。银行机构沉淀了大量制度、业务与研究类知识资产，但这些知识长期以文档、音视频、扫描件等非结构化形式分散于部门系统之中，缺乏统一的语义组织、标准化治理与全生命周期管理，导致“数据在增长、知识在退化”的知识熵增问题日益凸显。以人工维护化能力有限、更新滞后，难以应对复杂多变的监管环境和精细化的业务决策需求。在大模型技术驱动下，行业知识建设正从“静态知（RAG）等技术，将大语言模型的通用推理能力与传统银行知识库标准化、智能化、可治理的知识中枢知识工程体系运营提效、风险防控、高阶决策支撑大模型技术驱动大语言模型(LLM)检索增强生成(RAG)静态知识库知识工程体系人工维护、规则式FAQ、更新滞后、泛化能力差数据治理、语义建模、智能应用系统工程在数智化的时代，知识能力已成为银行核心基础设施之一。知识体系建设不再是IT系统补充，而是一项融合数据治理、语义建模与智能应用的系统工程。其核心目标在于构建标准化、智能化、可治理的知识中枢，为运营提效、风险防控与高阶决策提供持续、可信的认知支撑。知识如何被理解、组织、调用和参与业务决策。以营销圈客为例，商业银行零售营销领域持续推进数据治理、标签体系建设与营销系统升级，客户信息的可获取性、可配置性显著提升。然而在多数银行的实际运行中，营销客群圈选仍高度依赖人工经验与静态规则配置，其本多轮人工调整后越来越复杂，这种方式虽然在短期内提升了命中率，但并未同步加深对客户行为、生命周期和动机差异的理解。规则复杂度的提升，掩盖了对于客群认知能力的缺失，最终导致系统“看似智能对客户行为变化和新业务场景的出现，例如“对有分期潜力的客户发起分期营销”的营销目标(账单金额>5000(账单金额>5000AND消费频次>10)OR(账单金额>3000AND旅游消费占比>30%)AND风险评分>=620AND最近3个月APP活跃AND排除近15天投诉客户AND排除近30天拒绝客户AND排除已办理自动分期客户AND而在知识工程的基础上，客群圈选不再依赖人工经验拆解与静态标签堆叠，而是以认知工程驱动的智能决策流程落地实施：客群圈选不再由“规则配置”驱动，而是由一组经过治理的知识定义协同完成：营销目标被建模认知意图，客户被映射到明确的状态定义，经验被沉淀为有边界的策略知识，风险以反证模式显式约束，最终由Agent在全流程可解释、可审计的前提下完成圈选营销目标认知定义营销目标认知定义客户状态定义(Marketingintentdefinition)(CustomerStateDefinition)可判断的认知意图明确的状态定义经验策略定义风险与反证模式定义(StrategyDefinition)(Risk/CounterPatternDefinition)有边界的策略知识反证模式显式约束被治理的知识定义中枢上述规则堆叠式的圈客逻辑可被重构为以下的形式，我们可以发现：规则#营销目标营销目标=识别“存在阶段性现金流压力且具有分期意愿潜力”的客户#客户状态模型：{生命周期阶段:成长期/稳定期/压力期消费结构特征:稳定型/波动型/突发型现金流压力指数:0-1负债弹性:高/中/低历史分期偏好:主动/被动/排斥风险约束状态:正常/观察}#营销经验沉淀为策略知识策略知识S1：如果客户处于“现金流压力期”AND风险状态=正常AND历史分期偏好≠排斥→推荐分期营销策略知识S2：如果客户处于“消费升级期”AND高端消费占比提升→推荐提额或分期组合策略知识S3：如果客户处于“突发型大额消费”AND无长期负债压力→不优先分期#风险约束若存在：-近30天投诉记录-近期收入波动异常-信用风险波动显著则否决营销触发知识工程为智能应用提供了“可判断、可解释、可复用”的认知基础，使智能应高复杂度的业务场景。通过将知识能力以智能体形式嵌入业务流程，该体系不仅提升单点场景的智能化水平，更为银行构建起可横向扩展、可持续演进的智能应用底座。在银行智能化场景建设的过程中，我们意识到银行知识体系建设的核心痛点并不在于数据规模，而在于知识治理能力、智能化水平与业务融合深度的系统性不足，基于我们的实践经验，我们总结了适合银行的“6个核心能力x5个工核心能力核心能力知识治理与工程化能力核心能力①②③④⑤⑥核心价值知识必须是可管理、可演进的资产核心能力①②③④⑤⑥核心价值知识必须是可管理、可演进的资产系统要能判断，而不只是回答知识要统一，但场景可差异，避免烟囱式建设不一次性建设，而是长期生长能上线、能推广、能规模化的企业级能力面向推理的认知能力 知识与业务的解耦与绑定能力知识持续运营与演进能力 企业级平台与工程能力3.面向推理的认知能力3.面向推理的认知能力2.知识可信性与可控性能力4.知识与业务的解耦与绑定能力6.企业级平台与工程能力整合前面所有能力，打造一个能进生产、能管权限、能控成本的真实系统。成AI可以理解、可以维护、5.知识持续运营与演进能力让知识像模型一样，能被评估、被修正、被持续优化。核心职责核心能力平台与运营支撑层知识工程体系的工程基础设施与运行约束体系知识接入与采集运行与成本治理知识与模型运营支撑⑥企业级平台与工程能力⑤知识持续运营与演进能力知识治理与建模层统一知识表达与治理中枢，智能体应用的认知地基知识对象化建模混合表征构建统一语义与口径生命周期管理知识血缘与演进责任与治理机制①知识治理与工程化能力②知识可信性与可控性能力可信知识调用与证据级检索层混合检索能力上下文约束检索②知识可信性与可控性能力③面向推理的认知能力认知推理与决策支持层知识参与判断的认知引擎推理结构建模情境化判断可解释推理链输出②知识可信性与可控性能力场景化应用层统一知识能力的业务落点层④知识与业务的解耦与绑定⑤知识持续运营与演进能力在智能体执行过程中，需要4种类型的知识表征（Representation）来支撑Agent执行，不同表征形态分别承载不同字段化事实字段化事实、术语、实体关系、规则参数，使知识可被精确计算。作用：可追溯、可审计。制度原文、条款切片、表格单元格定位，确保任何语义索引语义索引、相似度、归一化表达，理解模糊的自然条件、例外、优先级、冲突解决，实现自动化、可解释的裁决。 么腾讯c 例如在零售营销圈客场景中，仅依赖标签堆叠或规则优化，难以同时满足“语义理解、结果一致重要求。向量表征解决的是对营销意图与业务语义的理解问题，使系统能够准确识别策略目标；结构化表征将客户数据转化为稳定、可复现的状态模型，保障计算口径一致；逻辑表征明确裁决路径与判定顺序，确保决策过程可解释、可复盘；证据型表征则将每一项关键判断锚定至制度原文与合规条款，实现结果可溯源、可审计。四种表征协障的决策体系，这是银行在复杂监管环境下实现智能营销的必要路径。顺序：风险否决→资格判断→策略排序→营销动作机制：风险否决优先排序分层规则版本结果完全可复现证据绑定与审计封装机制：关键规则绑定条款编号生成完整审计包：监管抽查、决策复盘营销意图识别长明显，可能存在分期机制：语义匹配识别意图关联策略与制度召回相关信息不参与最终裁决客户状态建模来源：银行现有系统数据逻辑：基于固定口径与算法（如，现金流压力指最终结果输出：一致性、可审计的闭环决策四类表征协同的完整运行流程使用反馈评估指标坏例回收再发布统一术语与使用反馈评估指标坏例回收再发布统一术语与六大核心能力企业级智能体门户（意图识别总控）企业级平台与工程贯穿全层乐享[企业级AI知识库平台]治理与可观测知识对象化建模情境化判断可解释推理链推理结构建模权限控制/分级检索质量评估与监控指标与反不确定性表达证据级召回与 么腾讯c 知识工程的建设以“平台化承载、工程化治理、场景化落地”为核心原则知识决策-知识反馈”的闭环运行机制，使知识工程不再停留在知识库建设层面，而是以智第一层｜平台与运营支撑层提供知识接入、解析与运行基础设施能力。支持多源知识导入（本地上传、Confluence/HTML迁移、API对接），并具备强大的多模态解析能力（OCR大模型支持30+文档类型），保障复杂版面与表格信息高精度识别与不丢失，为知识体系构建打好工程底座。第二层｜知识治理与建模层构建企业级知识的统一表达与治理体系，是“可理解、可推理、可审计”的认知地基。通过Data/AI一体化平台（如WeData），实现从数据准备到建模部署的全链路治理，将条款、规则、例外等知识封装为可治理的知识基于混元+DeepSeek双模型驱动，构建行业级RAG增强体系。通过多路召回、重排序、效用过滤实现混合检索优化，并结合角色约束（如客服经理、理财顾问）实现上下文增强。引入知识校验机制抑制幻觉，强化证据级第四层｜认知推理与决策支持层），AI从信息检索工具升级为嵌入业务流程的认知与决策支持系统，提升合规执行与第五层｜场景化应用层通过Workflow与Multi-Agent协同，将知识与推理能力模块化为可复用业务组件。支持可视化编排，将查询、判断、风险提示、分析对话等原子能力封装为独立节点，实现灵活场景构建与快速业务落地。通过“6个核心x5个层级x4种表征”的系统化设计，可以将分散在制度、系统与人员经验中的隐性知识转化为可治战略跃迁，使其深度嵌入业务流程，成为驱动业务创新的核心引擎。其本质不再是对文档的集中管理，而是通过RAG与Agent能力，将分散、静态的知识资产重构为可理解、可推理、可参与业务决策的认知中枢，使知识在制度合规、业务运营、风险管控、研发治理与管理决策等核心场景中实现动态流动与持续增值。2.1.研发范式：从代码到智能体2.2.应用实战：平台驱动场景落地在大模型时代，企业级智能应用的构建范式正在发生深刻变革。传统模式依赖"代码编写(Coding)"，新模式则聚焦于"能力编排(Orchestration)"。这一转变使得智能应用建设的重心从软件工程转向数据工程、提示词工程和智能体工程，建设周期从数月缩短至数周，使业务创新更加敏捷。下表列出了企业级应用传统范式与大模型传统范式开发与运维模式需求-设计-开发-测试-部署，重点引入了LLMOps，除了代码，还有数据清洗与标注、模型精调、模型推理及评估、提示词工程、检索增微服务架构，服务间通过API显式调智能体（Agent）模式，大模型作（Planning）、工具调用（ToolUse）和反思（Reflection）。系统具有自主决策能力，而非单纯执行在构建企业级智能应用过程中，银行行业通常面临如下挑2.数据准备（数据清洗与标注）：高质量数据是决定大模型最终性能与可靠性的关键，如何构建充足且适合企3.大模型精调：如何通过使用高质量的领域数据（如银行行业知识库、医学文献、法律条文等）对大模型进行如何通过提示词工程帮助解决大模型在落地应用中面临的“理解难、输出不稳、专业度不以银行AI对公尽调为例，工程实践中的典型挑战包括:专业性：如何让大模型理解并掌握银行专有客户体验：如何提升对公客户经理尽调过程中的用户交互体验，并快速对接账户查询、转账等行内系统，提供除此之外，还需考虑企业级智能应用的硬件支撑、安全合规、性能及稳定性等问题。为了系统性地应对上述问题及挑战，依托腾讯云AI一站式训推平台TI-ONE、智能体开发平台ADP、AI代码助手CodeBuddy以及AI协作助手WorkBuddy等产品，可构建一套从底层算力调度与管理、大模型训练及推理、高质量数据构建、智能体开发到上层应用快速构建的端到端解决方案。大模型选型与适配：考虑到银行行业对大模型的准确性、安全性与合规性要求极高，因此在构建银行行业企业的大模型广场与评估工具，对开源（如DeepSeek、Qwen）、自研（如腾讯混元）大模型和领域大模型（如金融大模型、医疗大模型等）进行多维度的基准测试，评估其在银行行业文本理解、逻辑推理、数值计算和合规性上的表现，选择出适用于银行企业级智能应用的基座大模型；并利用银行行业内部数据在TI-ONE上对基座大服务管理服务调用服务管理服务调用服务鉴权模型推理服务预训练-增训精调训练强化学习模型训练/精调模型评估领域大模型金融大模型数据集增删改查建模任务类型数据集业务标签数据集管理有监督-单轮问答数据构建流水线有监督-多轮问答数据构建流水线无监督数据构建流水线数据构建应用构建一体化数据流水线。数据集管理可数据标注则是对已管理好的原始数据按企业级智能应用要求，进行半自动化标注，再通过银行行数据集增删改查建模任务类型数据集业务标签数据集管理有监督-单轮问答数据构建流水线有监督-多轮问答数据构建流水线无监督数据构建流水线数据构建数据标注个人标注个人标注模型预标模型预标 么腾讯c 我的算法我的算法模型卡片导入模型模型自训练模型体验发布服务服务调用预训练-增训精调训练强化学习载入数据模型压缩＆测试打包＆注册模型新建并打开企业级智能应用工程化：腾讯云智能体开发平台ADP可通过零代码/低代码方式快速构建企业级智能体。其中，知识引擎（RAG）、工作流引擎和Agent引擎是智能体构建的核心组件：通过知识引擎（RAG）可快速接入向量知识库或基于ADP知识管理构建起的企业级知识可视化拖拽编排，将大模型节点与业务规则、人工审核节点结合，形成严谨的SOP；Agent引擎支持构建“AI指挥官”，协调多个具有不同技能的智能体（如数据获取Agent、分析Agent、报告生成Agent）协同完成复杂任ADP拥有开放的插件中心，支持MCP协议，可快速将企业内部系统（如CRM、数据库、风控引擎）的API封装成工具，供智能体调用，极大扩展了智能体的能力边界。ADP通过模型广场可视化地对接各种开源及闭源大模型服务，特别是可快速联通TI-ONE上提供的各种大模型服务。ADP通过提示词模板和应用模板解决大模型在落利用腾讯云AI代码助手CodeBuddy，可以显著提升编程效率，快速生成MCP或API，供ADP智能体平台使用，为企业级智能应用客制化功能提供支持。CodeBuddy作为一款基于LLM大模型技术的代码工具，通过先进的自然语言处理（NLP）技术和大量编程知识库，覆盖研发全流程场景，辅助提升开发者编码效率，帮助研发团队工程智能化的新体验海纳百川海纳百川主流编程语言、全栈开发框代码补全错误修复技术对话大语言模型的深度理解力与本地系统操作、自定义工作流及多端联动能力深度耦合，让AI助手从“聊天机器人”真正变成了能贴身干活的效率神器。WorkBuddy采用先进的多Agent并行协同技术，实现对高复杂任务的自动拆解与闭环执行，全程无需人工干预即可直接交付最终业务成果。借助腾讯云TI-ONE、ADP、CodeBuddy和WorkBuddy，可快速构建智能应用，实现从0到1的落地。例如，在智能客服的构建过程中，通过TI-ONE完成智能客服大模型的选型与适配、领域数据对齐（如银行术语、问答对、历史客服语料等）；通过ADP快速实现智能对话、意图识别、业务技能编排及调用等；通过CodeBuddy和 么腾讯c 身份权限数据库Reranker在银行AI对公尽调的工程实践中，TI-ONE作为MaaS平台提供高质量数据构建、大模型训练、大模型推理服务、大模型评测等能力，统一管理各类模型（大模型+小模型）服务并发布至ADP的模型广场供AI对公尽调等业务场景使用，同时还训练出生成式K-V提取模型和尽调报告撰写模型；CodeBuddy提供智能开发环境，支持产品、设计与研发环节的一体化协同，实现软件工程Skills技能，实现AI对公尽调前端应用开发实施及与银行现有系统的快速集成；WorkBuddy深度理解业务用户指令，将复杂任务拆解为可执行步骤，全程自动完成，并直接交付最终结果，加速业务用户完成原型验证；ADP通过工作流引擎，将模型广场的各类模型、插件广场的各类MCP以及RAG知识引擎(Retrieval-AugmeGeneration)进行可视化快速组装与编排，利用自身多模态交互能力支持企业级智能应用的构建。上述产品协同构成从底层算力调度到上层应用的完整闭环，让金融机构能够快速、安全、低门槛地构建企业级智能应用。全链路、低门槛的一站式企业级智能应用建设平台：通过整合腾讯云TI-ONE（模型训练与数据）、ADP（智能体开发）、CodeBuddy（AI代码）和WorkBuddy（AI协作）等产品，为商业银行提供了从数据准备、模型精调、应用构建到客制化开发的端到端解决方案。它将复杂的AI工程简化为可视化编排与低代码开发，大幅降低了技术使用门槛，使业务专家也能参与企业级智能应用构建，显著加速了从创意到落地的全过程。数据与模型的双轮驱动，确保构建的企业级智能应用专业与可控：我们以高质量数据为基石，通过TI-ONE平台效训练出深度适配商业银行场景的专属模型。这一策略不仅解决了通用大模型专业度不足和过私有化训练与部署，确保了核心数据与模型资产的自主创新与安全合规。排的智能体（Agent）。通过知识引擎（RAG）、工作流引擎和Agent引擎，企业能快速构建具备规划、工具调用与多智能体协作能力的应用。通过WorkBuddy和CodeBuddy的协作，快速完成业务原型的验证和客制化需求的实现，并以插件形式提供给ADP，使需要构建的企业级智能应用从简单的问答系统升级为能自动执行复我们将以商业银行对公信贷尽职调查这一典型场景为例，深度剖析如何从零快速构建企业级应用。传统的银行对公信贷尽职调查流程存在显著的效率瓶颈，其主要表现为：流程高度依赖人工处理；尽调材料来源与格式复杂多样，包括各类扫描件、图片、PDF及音视频文件等；结构化信息提取难度大，如单份尽调报告常常需从各种不同类型、不同格式文档中精确提取超过数千项的关键数据要素。信贷业务系统上传尽职调查报告编写尽职调查报告贷款项目立项贷前尽职调查信贷业务系统上传尽职调查报告编写尽职调查报告贷款项目立项贷前尽职调查信贷业务系统 信贷业务系统 传统对公信贷尽职调查流程传统对公信贷尽职调查流程上传尽职调查报告上传尽职调查报告职调查流程上述因素共同导致尽调报告平均产出周期长达10个工作日，且存在较高的差错风险。AI对公尽调解决方案的核尽可能提高生成式内容的直接采纳率，压缩报告生成周期。腾讯云AI对公尽调解决方案功能架构图如下图所示，该方案的构建主要包括模型训练与服务、流程编排与处理后端服务结构化数据输出EXCEL、音视频等财务审计报告企业年报公司销售台账公司采购台账公司银行流水公司征信报告公司涉诉文件公司介绍文件公司高管简历行业研究报告企业行政许可企业股权质押文件现场录音录频配置提取K-V配置分析要求合成报告底稿在线报告复核修订/导出报告终稿报告撰写模型模块化设置构建尽调模板尽职材料识别对公尽调的原始文件类型繁杂，涵盖合同、银行流水、征信报告、营业执照、销售/采购台账及企业年报等上百种，且文件格式超过10种。传统基于单点场景的建模方式，普遍存在研发成本高、识别准确率低、模型泛化能力差等瓶颈。为此，需引入基于大模型的多模态文档解析技术，并配合生成式键值对（K-V）提取模型，将多源异构的原始文件高效、准确地转化为系统可理解、可计算的结构化知识。TI-ONE一站式AI训推平台通过大模型广场、数据中心、训练工坊、模型服务等模块，方便业务人员进行高质量数据构建、可视化大模型精调训练、一键大模型推理部署，为基于大模型的多模态文档解析提供全生命周期的支撑，使其具备金融领域的专业理解力，为对公尽调应用提供泛化能力强、识别率高、准确率高的智能底座。2.流程编排与处理尽调业务的全业务流程包括原始文档解析、Prompt（提示词）构造、K-V信息提取、风险分析直至报告生成，需要综合运用多种AI基础能力。如何实现原子化的AI能力串联，并根据业务场景灵活调整，是对公尽调系统落依托ADP智能体平台内置的工作流引擎及知识库引擎，可以图形化形式实现尽调业务逻辑的全链路自动化编 么腾讯c 排。ADP通过插件广场（集成MCP、API）与模型广场，将文档解析、生成式K-V提取及报告撰写等核心模型便捷组装出包含自动分类、信息抽取及结构化输出的完整后端服务，缩短企业级智能应用交付周期，快速响应3.应用开发与迭代完整的AI尽调应用不仅需要后端模型支持，前端还需构建互联网数据获取、多格式文件上传管理、动态模板增删改查、以及在线报告修订与导出等功能。按照传统软件工程流程（瀑布式代码开发）来实现该功能时，至少需经过需求设计、需求评审、交互设计、交互评审、代码开发、代码评审、单元测试、集成测试、系统测试等一系列环节，不仅人力投入巨大，交付和迭代节奏也难以满足业务的发展需求。腾讯云CodeBuddy为前端应用研发效能带来革命性提升，其核心目标是提升开发者效率、降低编码门槛、保障代码质量，开发人员只需将前端功能需求描述、交互设计要求、代码规范、测试规范等以Markdown文本的形式提供给CodeBuddy，CodeBuddy即可自动完成从功能需求分析、交互设计、代码编程直到验证测试的工程化实现，并与微信生态、腾讯云技术平台融合形成从“开发-＞集成-＞部署”的端到端产品联动腾讯云AI对公尽调解决方案的核心在于将大模型的意图识别和内容生成能力与银行业务的严谨性要求相结合，银行业务应用场景自动分类贷款银行业务应用场景进件材料，识别、提取和审自动进行行业分析和标杆对照，辅助判断行业和企业情况自动对银行流水进行识别自动进行财务识别、提取、计算并进行财流水分析流水分析提取并结合经营和财务进信用风险信用风险自动对企业征诉、涉税等风险案件进行识自动按照信贷模板，提取关键要素，分析信用风险材料，生成报信用风险放款审查放款审查自动审查企业用款申请以及提取和审核递放款审查自动放款审查自动提取贷后经营、财务、息，并进行贷模型层模型层1.模型层：双模驱动与场景化微调模型层以腾讯全链路自研的混元通用大模型和优秀的开源模型DeepSeek作为基础能力支撑。在此基础上，通过银行业务数据进行后训练或全参数微调（SFT），衍生出面向特定场景的混元专属大模型，例如生成式K-V提取模型和报告撰写模型。这种“通用模型+专属模型”的双模驱动机制，既保证了技术的先进性和灵活性，又通过领域微调显2)训推一体平台(TI-ONE)覆盖从数据准备、模型训练、优化、评测到推理部署的全流程；3)AI代码助手(CodeBuddy)支持智能应用开发、MCP、Skills和API接口开发，为快速开发企业级智能应用提供开发4)知识库(乐享)支持信贷知识的沉淀和知识检索服务。3.业务能力层：插件化赋能信贷全流程 么腾讯c 业务能力层是直接赋能业务场景的“信贷智能体”矩阵，其能力由一系列可插拔的专用插件组成，包括分类检查、质量检查、内容检查、生成式K-V提取分析、行业研究分析、经营审查分析、交易流水分析、信用风险分析、尽调报告生成、放款审查分析等。上述插件可以根据需求进行灵活组装和调度，共同支撑起各种银行业务应用场景，满足从贷前进件、行业分析、财务分析、流水分析、信用风险识别、报告生成、放款审查到贷后风控的全生命周期业务需求，实现端到端的自动化处理。腾讯云AI对公尽调解决方案以银行业务人员（对公客户经理）为中心，提供了极简操作体验。用户仅需完成上传材料和审核结果两步即可生成专业尽调报告，大幅降低了使用门槛。同时该方案具备高适配性与低门槛集成能力，支持根据任意尽调报告模板进行要素提取，无需针对每个新模板进行代码开发或复杂流程编排，支持业材料识别材料识别对公客户经理对公客户经理融场景下面临的格式复杂、文档超长、要求精准溯源等多重技术挑战，并可将传统依赖人工、耗时10个工作日的尽调报告生成周期压缩至1小时，结合人工审核可在1日内完成，整体周期较传统模式缩短约90%，且审核采纳率达93%以上，从而以AI驱动对公信贷业务实现线上化、数字化、智能化的根本性变革。 么腾讯c 低，生成速度从数分钟缩短至秒级，仿真度高达95%以上，这使得其在金案特征。这使得基于单模态（如静态图像或简单动作）的检测失效，直接威胁远程开户、信贷审批银行客户旅程:人脸核身应用场景全景图(银行客户旅程:人脸核身应用场景全景图(SDK活体检测++活体检测技术滞后：许多系统仍依赖单模态活体检测（如动作或纹理分析），难以应对多模态伪造攻击（如图片+视频+表情融合）。黑产组织通过采集少量的头像或面部特征，就可生成如假包换的真人图片和视频，绕过黑灰产常用Root设备、定制ROM、模拟器或群控农场绕过防护，设备安全采集不全面，导致攻击防御和溯源跨机构协作薄弱：黑产链条隐蔽，情报共享机制不完善，导致孤岛式防御，即便是同一家机构，也面临广泛的员工与客户教育缺失：社交工程攻击频发，内部人员易被AIGC伪造内容诱导。AIGC生成内容的传播速度快、溯源难，传统风控模型难以实时响应，导致银行运营成本激增。同时，客户隐私泄露和声誉损害进一步放大系统性风险，潜在引发群体事件和社会不稳定。面对AIGC深度伪造、自动化攻击、多模态内容欺诈对金融核心业务的重大风险，银行机构亟需建设从设备安全与防御、智能生物信息核验与比对、多模态内容鉴伪能力与服务一体化的全链路智能安全防御体系。我们通过安全”三大核心防护能力，提供全链路、多模态、优体验、动态化身份联网核查平台[库源灵活调度策略]图灵盾设备安全防御公有云/第三方 么腾讯c 1、综合防控：构建三层递进式一体化智能防御网1212可信设备卫士·130项移动设备风险与业务场景风险·16亿移动设备的实时设备风险更新·即时定位设备与黑产攻击风险可信设备卫士·130项移动设备风险与业务场景风险·16亿移动设备的实时设备风险更新·即时定位设备与黑产攻击风险·无感、行业最优体验人脸核身活体比对·动态、智能分项核验·显著提升高价值客户留存与新客转化3344·大模型多维度、智能化解析·大模型多维度、智能化解析·实时自学习更新·黑产样本量与攻击手段掌握行业领先·助力85%系统重要性银行建设身份核验体系·根据风险等级进行多因子智能组合实践·安全资源聚焦真实风险会话①可信设备卫士：图灵盾提供设备风险与黑产欺诈的全域防御能力。基于腾讯APP与互联网业务安全运营能力，准确识别近130项移动设备风险与业务场景风险，覆盖16亿移动设备的实时设备风险更新。从黑产启动欺诈开始提前感知防御，基于风险等级动态调整身份核验等级，最优化用户体验与黑产攻击拦截防御。②可信身份基石：慧眼人脸核身提供行业最优体验，应对不同业务场景所需安全、智能分级的人脸比对与活体检测服务。依托行业领先的光线活体和静默活体的低动作与无动作活体核验手段，降低对用户配合度的要求，满足不熟悉智能设备的老年人或行动不便的特殊群体线上业务办理需求，助力银行机构在核心业务中提高营销效果、用户转化，降低人员投使用AIGC鉴伪大模型，对图像/视频进行多维度、智能化解析，有效识别并拦截包括CycleGAN等新型技术生成的、肉眼难辨的AI换脸攻击，确保生物特征真实。针对黑产团伙作案，支持实时自学习更新能力，有效应对黑产快速迭代的攻击。通过黑产模板，防范黑产集团大范围欺诈攻击，保障核心业务的安全稳定运营。核心构建银行智能、动态、以风险为驱动的安全认证体系。通过实时分析设备、行为及操作场景，动态决策认证强度，确保“高风险强验证，低风险无感或便捷验证”。我们采用多因子验证库中的手段（证书、动态密码），并根据风险高低进行智能组合，通过融合高级防御技术与持续的策略运营，在有效抵御深度伪造等新型攻击的同时，保障了合法用户的流畅体验，实现了安全与便捷的最优平衡。2、问题解决：精准防御新型人工智能金融安全威胁在AIGC技术爆炸式发展的今天，传统身份验证手段在深度伪造手段与工具面前已显得愈加脆弱。黑产集团在设备端发起高频、多样化的对抗攻击，银行机构亟需端到端、全链路的动态化防控体系和与时俱进的用户身份核黑产集团滥用针对银行核心业务身份欺诈的合成注入式攻击，已成为新型金融欺诈犯罪的显著趋势，正以爆发式增速对银行机构的现有防御体系构成严峻冲击与考验。“AI人脸防护盾”凭借可对黑产集团深度伪造的生物特征数据进行有效识别与拦截，帮助银行规避重大资金损失与声誉风险。银行高价值和高净值客户需要高效、无感的身份核验业务流程与服务，而机构也必须建立坚固的防御体系，抵御高度专业化、规模化的黑产集团攻击。腾讯身份核验方案通过智能化户无扰，对黑产精准拦截”的动态平衡，在保障广大合规客户顺畅体验3、业务价值：实现安全、体验与运营效率的多维提升 么腾讯c 通过全链路拦截黑产身份欺诈攻击、深度伪造诈骗，直接避免银行重大资金损失。同时，大幅降低因安全事件导致的监管处罚、客户赔付、舆情处理等间接成本，实现可观的风险投资回报（ROI）。帮助银行机构满足监管对客户身份识别、反欺诈、数据安全及AI应用伦理日益严格的合规要求。通过向市场和客户展示顶尖的防AI诈骗能力，极大增强品牌公信力与客户安全感，成为市场竞争中的差异化信任优势。确保极高业务安全能力的同时，提供流畅的无感认证体验，提升客户业务办理成功率与用户满意度。提升营销效果与客户转化，降低运营成本，并快速扩大业务规模。三大核心能力一体化将银行传统人脸核身从被动响应，升级为主动化智能化动态化防御，有效规避黑产集团通过自动化、深度伪造工具进行高频对抗式攻击，从而避免最终的核心业务损失。“端-管-云”三位一体防护体系提升端到端的防护能力。通过构建基于设备安全、人脸核身与AI防护盾的一体化多业态组合部署方式满足不同银行的安全防御需要。腾讯人脸一体化AIGC攻防体系支持SaaS调用、私有化部署和混合云部署方式：SaaS方式支持轻量化接入；混合云方式既能满足更为严格的数据安全管理需要，也能充分利用公有云的产品迭代优势，有效应对AIGC变种工具；针对大型银行机构的私有化方式，可以与行内风控体依托腾讯公有云“试炼场”持续迭代，高效应对各类攻击变种。腾讯依托二十余年互联网建设经力，积累大量的样本数据和黑产设备信息。人脸AIGC攻防中的相关技术也广泛应用于腾讯内外部场景，通过腾在宏观经济周期调整与金融监管深化的双重背景下，银行业正面临前所未有的信贷资产质量大考。传统风控策略的效果正在下滑，新的风险形态层出不穷，行业首逾上升明显、回款质量持续恶化。信我们基于服务于上千家金融机构的实战积累，面向互联网助贷业务及自营贷款业务全场景总结出三种数字化风助贷新规发布以来，金融机构陆续收敛风险策略，尤其是互联网金融机构停止高利率产品后，客群属性、客群行为在短时间发生了大范围的变迁，导致了现存风控模型和策略效果下滑。1)原先基于中低利率客群画像构建的申请评分模型及对应策略，现在混入高利率客群后，整体申请客群画像分布被打乱。从银行业调研数据观察到，自2025年4月以来从高利率产品转向低利率产品的客户占2)原来共贷次数少的客群，风险评分更好，现在因为高利率客群被抽贷，导致共贷次数被迫减少，反而因3)此类变化造成申请客群整体还款意愿大幅下滑，带来的首逾提升问题明显，且大部分逾期出现在MOB3存量在贷客群还款意愿的重分布互联网金融机构的风控收敛带来风险外溢，多头客户高利率产品借新还旧链条断链，传导至在贷低利率产品的还款意愿大幅下降。另外信用修复政策对于历史模型和策略的效果也都带来了冲击。>»破局路径：强化动态实时风控体系强化动态实时的意愿类客群画像客户意愿的判断将加入更多基于客户行为动态变化的数据，如设备的行为、网络图谱的变迁、借款利率产品的趋势变化等各类动态数据，而非仅使用静态客户属性画像类数据，如学历、收入数据。在近期存量客群意愿实时变化的情况下，贷中比贷前更需要动态实时的意愿类画像，来防止自身银行成为类犯罪中，行为人以获取高额回报为目的，主动接受长期负债、失信惩戒乃至刑事犯罪风险，通过精心包装身份，专门为他人承担债务，或配合实施骗取贷款、金融诈骗等违法犯罪活动。国家金融监督管理总局稽查局也提出加强科技赋能：加大科技投入，充分运用大数据、人工智能等科技手反催收服务伪造证件团伙机构内部人员反催收服务伪造证件团伙机构内部人员包装过程包装过程全程线下，都在深圳办理有实际房产做抵押物要求背债人有学信网可查的学历7个工作日完成申请，4个工作日签字签字给背债人5万奖励背债人到深圳，验完资料后奖励3万·是否有风险（0-无/1-有）ceepseelc·是否有风险（0-无/1-有）ceepseelc基于包装骗贷载体通过分析特定的骗贷黑产别潜在背债骗贷风险。信贷进件信贷产品·是否有风险·风险检出时间拒绝个别几笔规避大额坏账骗贷预警贷前审核风控决策获取可疑用户骗贷特征提取Embedding特征综合训练模型除职业背债人风险以外，作为众多银行核心增长引擎的小微企业金融业务还面临众多其他新型风险，如团伙包装欺诈：利用群控设备、虚假地址、空壳公司进行批量攻击金融机构；虚假经营幽灵户：拥有合规的营业执照、真实的租赁合同，甚至有“下户拍照”认证的实体门店，企业主物理存在但数字真空，在静默，缺乏正常经营的高频社交和经营特征，甚至从未在经营地驻留，间接证明了其空壳本质。人：基于互联网应用和地图数据，对企业主的资质和行为做评估在贷前进行：1）对欺诈包装等高危人群进行识别；2）对个人信用资质做评估；3）对企业主是否真实到店做排查，以及在贷中进行：1）对企业主资质变化做实时监控；2）企业主是否来店持续经营做监控。店：基于腾讯地图数据能力，对商户门店的真实性和周边情况做评估在贷前进行：1）对用户填写的门店地址是否准确做评估；2）对门店是否真实存在做评估。企业：基于腾讯地图和生态数据能力，对商户的经营趋势和稳定性做评估在贷前进行：1）高覆盖率的实时数据评估商户经营，用于定额定价；2）对门店的经营趋势和稳定性做评估；3）对门店在同业中的竞争情况做评估。在贷中进行：1）对门店在贷中的经营趋势和稳定性做监控，及时识别异常。面对金融黑产专业化、欺诈手段隐蔽化以及数据获取合规化的多重挑战，我们构建了“场景咨询-解决方案-风控评分-风控系统”的服务矩阵，致力于将腾讯二十余年的黑产对抗经验转化为银行的自主风控能力，通过产品解决方案与深度专家服务的结合，助力银行在信贷、交易及合规等核心场景中构筑动态防御防线。针对商业银行在实际业务中面临的各类棘手风险，我们提供针对性的产品组合，实现从通用防御向精准打击依托MaaS大模型工具平台与海量风控数据，提供动态实时反欺诈评分及风险分层信用分。结合贷中风险评分与行业风险评估，在兼顾风险拦截与业务通过率的前提下，实现对风险的实时识别与差异化客群定价。引入职业背债人骗贷预警功能。基于腾讯独有的黑产知识图谱与关联网络技术，从中游包装阶段切入，穿透识别团伙欺诈特征，精准预警异常借贷行为，将风险阻断在资金流出之前。构建小微企业风控专属模型。综合运用小微企业主风险评分（评估个人信用）、商户真实性评分（核验经营场所真实性）及商户经营评分（预测经营稳定性），通过数字化手段还原小微企业真实经营状况。提供反电诈专项服务，结合AI算法识别涉诈账户特征，辅助银行精确识别风险账户。腾讯云社保、个税、公积金及银行流水等高价值事实数据，是穿透资产风险、实现精准风控的核心要素。针对长期以来这些数据缺乏合规获取渠道的行业现状，腾讯云信鸽深度融合区块链与公证处证据保全技术，在严格遵循《个人信息保护法》等监管法规的前提下构建安全可信的清洁环境：在用户实名认证与充分授权的基础上，通过用户本人自主完成数据查询与提交。立立用户小程序、SDK数据接收者信鸽清洁环境区块链数据提供者数据提供者信鸽在信贷风控环节实现了用户交互成本与合规效能的平衡，其核心优势在于能够在无需用户预演的极简操作下，合规调取包括社保、个税等在内的事实数据，为金融风控提供关键的数据支撑。信鸽依托受控的清洁环境与区块链存证技术，确保了数据从源头查询、下载到授权提交全过程的真实性与不可篡改性；同时，信鸽能够对流水类数据进行深度分析与统计，并基于海量样本训练出预测能力最优的模型，从而实现精准的趋为解决通用模型和数据“水土不服”的问题，我们为深度合作的银行客户提供定制化的风行特定客群（如特定产品、特定行业等），通用评分往往难以达到最优区分度，我们将结合银行样本数据与腾讯自有能力，开展联合建模与定制化调优，打造比通用评分能力更强的专属模型。4.1.组织协同的困境和挑战4.2.腾讯数字化协同解决方案4.3.智能协同打造连接新体验随着银行业数字化转型进入深水区，业务协同已超越传统办公自动化的范畴，正成为制约组织效能充分释放与客户体验全面升级的关键瓶颈。尽管数字化工具在业务协同中的普及率不断提高，但“人、事、仍面临着割裂与阻滞，在当前的银行一线业务与中后台管理中通常面临如下挑战：关键业务信息往往散落于即时通讯、邮件、合规文档中。员工在跨系统查找资料上耗费大量精力，难以在海量碎片缺乏有效的会前组织与会后追踪机制。会议决议难以转化为可落地的待办事项，导随着网点到店率逐年下降，传统短信与外呼的触达效率持续走低。银行与面对日益复杂的产品体系与频繁更新的合规政策，一线员工缺乏实时的专业支持。财务、人事及业务专家资源有乏实时的可视化数据看板，难以精准把控业务动态与一线业绩；客户经理通过社交软件对客服务，如何在保障沟通灵活性的同时，实现事前拦截、事中预警及事后溯源，防止违规承诺与信息泄露？智能化赋予了协同深度认知与自主执行的能力，也为组织效能的提升提供了新的解题思路，企业微信、腾讯会议、腾讯文档作为腾讯面向企业级市场的核心产品，已成为银行构建智能业务协同体系的重要基础设施。银行业智能协同建设方案主要围绕两大核心场景展开：内部业务协同与对外营销展业，通过私有化部署与SaaS服务相结合的模式，为银行业提供安全合规、高效智能的数字化办公与客户经营服务。智能协同的总体建设目标是全面落地业务数字化移动协同需求，构建统一的PC端和移动端工作入口，打通业务科技沟通渠道，形成统一的消息待办体系，建成一套运行平稳、功能完同平台。同时，通过SaaS企微链接个人微信，建设微信私域运营体系，实现客户全生命周期运营管理的自动化和智统一审批统一审批活动宣传新闻公告会话存档智能总结智能机器人智能协同理财库信贷库客服服务库腾讯文档企业邮箱合规库企业微信腾讯会议对内业务协同对客营销展业客户营销类客户服务类柜面业务审批信贷业务审批领导驾驶舱客户经理业绩运维监控报表统一认证权限运维监控大屏客户画像企微工作台当前，腾讯智能协同方案紧跟AI时代的步伐，已升级迭代开箱即用的AI支撑能力，可在企业微信协同体系内实现AI搜索、AI总结、话术推荐、智能机器人等功能。可提供AI知识库能力或对接行内知识工程体系，提升银行对内协同和对外展业的智能化水平。同时，智能协作的底层大模型开放解耦，支持对接开源优秀大模型或使用行内自建大模型。通过AI智能应用能力的构建，重塑对内业务协同能力和对客连接体验。 么腾讯c 针对上述行业挑战，我们构建了银行业务智能协同方案，并沉淀了以下实战经验：跨系统的信息搜索和智能总结在银行日常运营中，关键业务信息往往散落于多个系统和渠道之中，包括即时通讯记录、会议纪要、合规文档、业务报表、邮件等。分散的信息存储方式导致员工在查找所需资料时耗费大量时间，严重影响工作效率。企业微信智能搜索支持对聊天记录、文档、邮件、会议等多源信息的统一检索。区别于传统的关键词匹配，AI可直接理解用户意图并呈现核心答案。例如，当客户经理主管搜索"三组最新的销售额"时，系统可直接提供销售业绩结针对银行业务中常见的项目推进、会议沟通等场景，智能总结功能可自动从项目群聊、会议录音、进度文档中提取关键信息，生成结构化摘要。这一功能有效简化了多层级汇报流程，使管理者能够快速掌握业务进展。复杂会议场景协同提效1)大规模行政会议，事前需要大量的组织协调，会中需要专人记录会议纪要，会后结论汇报需要多层审批和多轮汇2)员工日常工作会议，面临大量会议室繁忙，日程冲突，会议没有形成有效结论，会后无人跟进等困难，导致会议3)线上线下会议协同：在跨部门、跨地域的协同或者对客的产品宣讲、路演以及供应商会议场景中，需要线上、线下同时接入会议，内部会议系统难以具备多地多端腾讯会议支持会前通过邮件发送会议邀请，会议信息会自动添加至参会人的日程；会议AI助手支持实时会议录制，会后总结形成会议纪要和会议待办事项，支持邮件一键发送给参会人。同时，腾讯会议已推出混合云版，可以满足内部会议内容不出域的合规管理要求。客户连接和经营效率提升在客户经营层面，传统的外呼、短信等营销方式覆盖率持续走低，获客成本不断攀升。同时，客户网点到店率逐年降低，银行与客户之间缺乏有效的长期连接渠道，服务触达能力受限。企业微信作为唯一能够与微信生态打通的企业级办公平台，为银行提供了客户私域运营的基础设施。通过企业微信，银行可建立与客户的1V1长连接，实现全生命周期的数字化服务。基于企业微信AI能力，可以构建AI会话辅助、话题洞察、自动客户信息完善、自动客户跟进总结等智能应用，大幅提升客户服务效率。AI数字员工服务提效银行业务条线繁杂，产品复杂多样，各业务板块对专业知识与能力要求各不相同。银行内部缺乏有效的服务体系和人力资源，支撑内部员工问题解答和对外客户服务。企业微信智能机器人支持对接银行内部各类专业知识库，生成各种类型的专业AI助手，可处理员工日常高频咨询，包括报销流程指引、人事服务指导、设备故障报修、业务政策解答等。机器人支持自然语言交互，可根据银行内部知识库提供准确答复，有效降低人工咨询压力。 么腾讯c 业务数据的实时报表呈现层分头填报、中台逐级汇总”的流程制约，数据流转链路长、时效性低（报表通常滞后至T+1日）。依托腾讯文档智能表格可构建“多人多地、实时同频”的数据采集体系，支持全员协同录入、数据自动汇同时自动形成可视化图表，大幅提升了从数据采集到经营分析的全链路效率。安全合规的风险提醒在商业银行推进数字化办公与移动展业的进程中，如何在业务推进的同时建立起会话内容可控、操作行为可查、数据使用合规的风控体系，成为转型的关键挑战。企业微信的全栈私有化部署方式从物理层面确保核心数据不出域，其内置的会话内容存档功能可实现聊天记录的合规留存与审计。更进一步，基于企微AI智能引擎构建的风险合规助手，可在敏感语义识别的基础上构建构建统一的移动办公门户和AI智能中枢，重塑高效业务连接基于企微工作台可构建统一的移动和PC办公门户，同时通过权限控制，实现千人千面的工作台，并真正做到可用信整合智能搜索、智能总结、智能机器人等AI能力，构建银行智能办公中枢。通过接入银行内部知识库、制度文档、业务系统，实现信息的统一检索和智能应答，大幅提升员工信息获取效率。通过AI智能协同，改变传统业务管理，提升业务服务效率依托腾讯文档、智能表格、自动化流程等功能，构建银行业务数字化管理体系。实现客户信息自动建档、项目进度可视化跟踪、业绩数据实时监控，推动银行从传统管理模式向数字化管理转型。依托微信生态，通过智能SOP策略，提升客户服务质量在对客展业方面，企业微信作为新型服务渠道，发挥越来越重要的作用。基于企业微信与微信的连接能力，帮助银行构建客户私域运营体系。通过添加客户微信、建立客户群、朋友圈运营等方式，实现客户的数字化触达和精细化 么腾讯c 服务，提升客户经营效能。客户经理人均服务客户数可从500户增至10000户，客户经理服务半径和服务效率大幅通过私有化部署和会话存档，构筑安全合规保障企业微信提供完善的安全合规保障机制，包括数据加密传输、操作审计留痕、敏感信息管控等功能，支持建立零信任安全网关，具备多维认证、动态访问控制、访问日志审计等能力，满足银行业严格的监管要求。同时支持与银行现有安全体系对接，确保数据安全可控。5.1.核心重构：保障业务稳定运行5.2.数据智能：融合全域深度洞察 么腾讯c 数据是智能化的基石。在大模型时代，数据基础设施的建设需兼顾稳态交易与敏态分析的双重挑战。一方面是通过分布式架构保障核心交易系统极致稳定与高并发处理能力，另一方面则是依托全域数据集成与精细化治理，将数据资源转化为可信的资产，从而为智能应用的构建提供实时、精准且合规的要素支撑。数字化业务的持续增长令基于封闭技术体系的传统银行核心系统面临严峻挑战。传统架构因模块高度耦合，导致产品迭代周期长、差异化定价支持薄弱，在高并发场景下更存在性能瓶颈与扩展成本高昂的问题。核心系统的重构已不仅是技术架构的升级，更是商业银行开展业务创新的必要前提与坚实基石。为适应这一变革，核心系统架构正从集中式向基于开放体系的分布式架构演进。新一代核心系统通过剥离非核心业务，使核心系统聚焦交易处理，不仅实现了业务逻辑解耦、大幅缩短发布周期，更能通过动态扩容灵活应对电商大促等瞬间高并发挑战，从而高效支撑以客户为中心的业务创新。集中告警/展现组件集中告警/展现组件监控信息处理组件运维监控运维大数据平台运维大数据运维操作自动化智能运维平台持续集成平台代码扫描组件接口测试组件构建工具组件代码托管平台研发体系全链路测试测试体系laaS计算资源服务存储资源服务网络通讯服务资源编排服务统一服务接入平台分布式文件传输平台全局流水号组件文件处理组件批量服务框架组件分布式事务组件交易服务框架组件参数管理组件分布式锁组件聚合查询组件服务调用代理数据访问代理分布式调度组件服务编排组件微服务平台a分布式文件系统分布式缓存外汇银行卡中间业务支付结算资金对私存款对公存款分布式消息流控组件灰度发布镜像仓库分布式技术组件应用框架S应用新一代分布式核心具备了技术多元性、开放性、标准化等特点，可通过横向扩容来扩展业务系统的吞吐量。如上图所示，新核心整体分为IaaS基础设施层、GPaaS通用技术能力层、APaaS新核心应用通用层、IPaaS集成层、SaaS应用层，与之配套的是研发效能与分布式测试体系和分布式运维与安全体系，构建起新一代分布式核路由网关全局路由JDBC驱动数据路由与访问JDBC驱动JDBC驱动JDBC驱动分布式事务路由网关全局路由JDBC驱动数据路由与访问JDBC驱动JDBC驱动JDBC驱动分布式事务针对大型商业银行，业务发展模式较为均衡，各个单元内对应账户数量均等划分，应用系统平台自带路由网关，对各个业务单元进行调度管理，每个单元内业务系统类型相同，通过应用系统进行分库分表，单一传统大存贷款库，可以根据实际情况拆分成若干小存贷款库，若银行业务存在横向扩展需求时，通过增加上层业务单元，新建底层对应集中式数据库实例的方法，实现业务快速横向扩展。 么腾讯c 建议每个业务单元承载300万～500万账户数据，充分利用分布式架构特性，提升核心系统处理效率，同时在极端故障情况下，保障核心业务系统不中断，尽可能影响最小量级的客户交易。路由网关路由网关JDBC驱动PROXYJDBC驱动PROXYJDBC驱动PROXYJDBC驱动PROXYset4分布式事务面向账户规模在数百万级、或暂无单元化建设意向的中小银行机构，建议采用“业务微服务拆分+共享数据库集群”的建设模式：在统筹考虑高可用、高性能、横向扩展能力与最优独立的子核心业务系统，底层数据架构则采用“一套物理集群、多套逻辑实例”的策略，各数据库集群。根据不同子系统分布式改造的具体需求，在集群内分别采用分布式实例与集中式实例。通过深度参与多家银行新核心系统的建设，我们在单元化方案和微服务方案的建设中均积累了丰富的行业实践经验，并在此基础上总结出完备可靠的新核心建设流程和方法论。调研客户未来5年到10年预估业务数据量，用户、账户数量为基准，根据客户单元化或者业务微服务架构来调整数据库建设逻辑，单元化架构需要考虑业务库拆分颗粒度，微服务架构需要考虑数据库分布式拆分逻辑。性能容量11根据增量预例规格根据预计/期望容量和性能，规划预期数据同城双中心：1异地灾备：1主233根据增量预3根据预计/期能，规划预期数据库规格同城双中心：1异地灾备：1主45根据增量预根据预计/期望容量和性能，规划预期数据同城双中心：1异地灾备：1主2)表信息调研根据表特点，筛选出大表（需要进行分表改造，通常较大）、广播表（需要在每个set保留完整副本以支持本地示例：数据库表类型调研规划表 么腾讯c 基础数据基础数据预计增长比率预计未来容量预计增长比例预期未来容量预计未来性能预计未来性能1）计算模型一：根据核心业务峰值QPS和TPS来确定物理分片数，根据最佳实践，单分片基准根据增长率估算2030计算模型一：2030（单MYSQL进程计算模型二：2030年峰值容量上限读写比及单条记录数据库容量账户数和数值TPS数据库容量需求确定分片规格评估结果：总行交易库评估结果：总行交易库TDSQL数据库X个物理分片点的分布，利用跨IDC强同步复制技术，确保核心备集群，依托系统自带的DCN同步工具，建立从同城生产中心到异地灾备中心的异步数据级容灾链路，从而形负载均衡设备负载均衡设备总账集群核心集群基于逻辑建设规划，结合机房部署实例密度，给出最模块名称模块名称-备-备2-主-备-备-备-备-备-备-备4-主2-主3-主3-主4-主-备-备-备-备-备-备-备-备-备-备-备-备-备-备-备4-主2-备3-主2-主8-主6-主7-主3-备4-备-备-备-备-备总账-备-备总账-主总账单元总账-备-备总账-主总账单元-备单元-主-主-备单元-主-主总账-备-主总账-备单元-备单元-备总账-备-备-备单元-备-主单元-备-备-备总账-主总账-主-备汇聚库-汇聚库-主汇聚库-主汇聚库-备汇聚库-备汇聚库-主汇聚库-主汇聚库-备汇聚库-备汇聚库-主汇聚库-主汇聚库-备汇聚库-备汇聚库-备汇聚库-备汇聚库-备汇聚库-备汇聚库-备汇聚库-备汇聚库-备汇聚库-备汇聚库-备汇聚库-备汇聚库-备汇聚库-备汇聚库-备汇聚库-备汇聚库-备汇聚库-备汇聚库-备汇聚库-备汇聚库-主汇聚库-主汇聚库-主汇聚库-主汇聚库-主汇聚库-主ZK2-2主ZK2-2主备ZK2-3主备ZK1-3ZK1-4备备ZK1-5ZK2-1ZK1-1ZK1-2ZK集群ZK1-5ZK2-1ZK1-1ZK1-2ZK集群主主腾讯云TDSQL数据库最早服务于财付通等腾讯内部业务，在服务海量互联网用户的行业实践中探索并形成了新性地落地了按DCN（数据中心单元化）的架构设计，通过业务与用户维度的水平拆分，支持了5亿级用户规模，成为国内银行核心单元化架构的首个实践案例。之后又分别支撑了多家国有大行和股份制银行核心系统的建设，多年的核心系统设计与交付实践，腾讯沉淀了成熟的方法体系与丰富的生态资源，并形成了具备全局视野的行业洞察。▲▲▲▲▲▲▲第一优先强强第一优先强强逻辑备份逻辑备份NNTDSQL经过多年实践，针对金融行业高可用要求，具备成熟的两地三中心容灾建设能力，底层数据节点采用一同城双中心搭建一个生产系统大集群，底层数据节点采用跨IDC容灾模式，确保一旦出现机房级故障，完整切异地机房搭建单独一套数据灾备集群，同城生产系统集群与异地灾备集群通过TDSQL自带的DCN工具，进行数作为分布式数据库领域的行业标杆，腾讯云TDSQL已在金融关键基础设施建设中发挥了决定性作用。在此基础上，我们推出了数据库AI服务（TDAI）智能体，深度融合了腾讯云行业最佳实践，旨在通过AI技术助智能体服务智能体基础设施智能体服务智能体基础设施硬件底座SQL事前风险预测高负载止损值守SQL事前风险预测高负载止损值守数据库诊断数据库优化数据库诊断数据库优化数据库智能管家数据库智能管家数据传输服务数据传输服务服务器B 么腾讯c TDAI的核心价值在于弥合了开发者与数据库管理员（DBA）之间的认知鸿沟。开发人员熟悉业务代码但可能不了解数据库底层细节，而DBA精通数据库优化却难以介入开发阶段。TDAI以智能体的形态集成至业务开发的险SQL问题闭环在开发测试阶段。此外，TDAI依托自研数据库大模型（DBLLM）、全域上下文记忆、原子能在内部实践中，其累计检测了超过770万行代码，对风险SQL的拦截率高达95%。历经多年系统化建设，银行大数据平台已成功将分散、多源的业务数据整合治理为高质量、标准化的数据资产，为全行各类AI模型训练与深度数据分析提供了坚实、持续进化的数据支撑。基于这一坚实的数据底座，数据应用已从传统的报表分析，全面渗透至银行营销、风控、投研、运营等核心业务领域，成为驱动全行智能化合规支持与运营管理大数据平台通过建立统一的数据标准和模型，自动化地加工、生成报送所需的数据集和报表，将以往依赖人工核对的繁重工作转化为高效、可控的数据流水线作业。基于大数据平台，反洗钱模型能够高效获取训练数据、精准匹配客户信息，并智能识别风险特征，将过去需要大量人工处理的工作缩短至数分钟内完成，实现降本增效。大数据平台通过分析业务流程数据（如开户、贷款审批的耗时、差错点），为流程再造提供依据，大幅降低运客户经营与智能服务通过