2026金融九问生产级智能体规模化落地行动指南

金融九问生产级智能体规模化落地行动指南编制委员会曹冲、唐辉(金标院)、刘力慷(金标院)、贺毅波、饶争光、朱并队、王明迪、韩竺吾(金标院)、常璐(金标院)、巫建刚(邮储银行)、张志鹏(邮储银行)、袁佳(邮储银行)、陈利强(交通银行)、戴凯宇(交通银行)、孙浩(兴业银行)、李锋(兴业银行)、王晴(兴业银行)、周伟然(兴业银行)、曾立环(广发银行)、朱旻昊(南京银行)、张亿(南京银行)、初辰(南京银行)、刘远东(中原银行)、秦大路(中原银行)、郭刚刚(长沙银行)、李泽浩(长沙银行)张恩奇、张文涛、潘捷、王鑫、朱德领、陈燕凯主编单位·广发银行股份有限公司·上海银行股份有限公司·长沙银行股份有限公司目录 006 009 011 017 019 021 022 028 029 033 044 金融九问|生产级智能体规模化落地行动指南 059 063 074 077 083 091 095 098 供给? 07 8.5实践：邮储AI基础设施建设实践 9.1金融智能体量化价值评估：ROI框架 openJiuwenxFAB智慧金融专区加速金融智能体规模化落地 11.1openJiuwenxFAB智慧金融专区介绍 开篇开篇开篇行)。在中台，经营模式将从以标准产品、固定策略和人工规则为核心，逐步走向基于实时需求感知、动态策略生成和千人千策的自适应经营。智能体将连接客户、数据、模型、产品和渠道，根据客户状态与市场变化动态同时，华为将金融智能体建设过程中沉淀的场最终，通过统一战略牵引、统一工程体系、统一技术平台、统一通智融合底座、统一安全治理和持续生态共建，推动金融智能体由单点应用走向体系建设，由能力创新走向生产落地，由项目交付走向持续运营，形成加速迈向AgenticBanking智慧金融新时代。金融九问|生产级智能体规模化落地行动指南同勾勒出金融AI从"能做"到"做好"的治理阶梯。一是依法合规，筑牢制度底线。AI系统不能仅在外部第一章/时代命题演练，从而真正做到"安全先行”,筑牢"人工智能+金融第一章1.2战略跃迁：1.3商业重构：1.2战略跃迁：从业务模式看，传统商业银行依托人力驱动、静态从业务模式看，传统商业银行依托人力驱动、静态本运营等方面存在效率低、响应滞后、成本高等痛点。期缺位。AgenticAI可以构建7×24小时智能服务体系，传统信贷风控采用“事前静态审核、贷后定期抽检”模式，按月度、季度人工核查，风险识别滞后、漏判率高，极易滋生不良资产。金融级AgenticAI搭建实时、动态、可闭环的智能风控体系，从事后监控进化到实时自主治理，实现AML/KYC、欺诈调查、监管报告的自主执行与解释，提升合规效率的同时降低风险。AI治理框架嵌入智能体控在顶层战略维度，全球主流银行已将AgenticAI从·从成本中心走向价值创造引擎：传统银行运营成本占总成本的60-70%,AgenticAI通过端到端流程自动化和自主决策，可实现显著效率提升与成本降低，同时通过个性化财富管理、实时风险产品等创造新收入来源。银行战略定位从“稳健风险管理者”转向“智能金融服务提供者”,强调AI驱动的客户终身价值和生态扩展。传统银行大量人力耗费在咨询答疑、资料核验、贷后回访、数据统计等标准化事务，网点与人力刚性成本居高成本结构性优化。员工从执行者变为“智能体监督者+价值创造者”,银行成为“AI原生银行”。初审、账单提醒等标准化业务，降低超60%的事务性人幅提升。业务模式的变化带来银行传统前台-中台-后台技术重塑，从“80%投入服务好20%重点用户”到“金融智能助理超个性化服务所有用户”;交互入口将(NUI)主动交互；组织形态将被重塑，1人1团队，1岗1助手的新人才与组织形态将出现。金融九问|生产级智能体规模化落地行动指南第二章/开放演进触发信号4A架构确定性系统与可控智能体协同运行Al平台|模型|算力|安全运行时平台|系统集成数据服务|知识体系任务规划意图理解【引言】第二章/开放演进第二章/开放演进智能体嵌入式参与流程主干不变承担局部执行发起式驱动感知业务信号客户行为|系统状态|业务事件|外部信息|定时任务规则|权限|风险底线|嵌入式参与流程主干不变承担局部执行发起式驱动感知业务信号客户行为|系统状态|业务事件|外部信息|定时任务规则|权限|风险底线|操作禁区规则化|结构化|合规性校验低置信|超风险|规划路径|执行工作业务结果(2)发起式驱动审核者：在涉及客户权益、风险暴露或合规责任的节点进行确认和审批，审核深度与风险等级匹配。一目标。智能体统一工具注册中心工作记忆|会话记忆可信Al治理系统事件将文本、语音、图片、表单和渠道事件转化为结构化意图，完成意图识别、槽位提取、澄清对话、上下文管理和渠道适配；信息缺失时先补齐条件。第二章/开放演进(6)可信AI治理模块协同态支撑多智能体与人机协作、跨系统任务接续、上下文传递和状态同步，处理任务归属、结果汇聚、冲突和超时升级。智能体以只读方式获取数据，生成结论或建议供人参(2)流程编织(3)能力剥离(4)自主执行2.4数据与知识转化为智能供给(2)协议标准化键枢纽。结构化API|混合检索|资产来源对智能体结果的复核。分层模型体系第二章/开放演进第二章/开放演进2.5模型、算力与AI平台网络|安全体系兼容存储安全体系身份认证|访问控制|数据安全|应用安全|安全审计概率模型模型体系可以相应形成基础大模型、企业模型、领域模型和专用智能体。基础大模型提供通用理解和推理能力，企业及领域模型吸收银行语境与专业任务模式，专用智能体再将任务知识、工具和流程规则组合起来。知识库提供可更新、可引用的事实依据，模型承担理解、推理和生成。…古8(1)企业级大飞轮(1)分类标准2.2.“通用基座模型+领域模型”的模型矩阵实则补丁。(3)质量管控入库时完成分类标注、业务审核和发布确认；存续期间设置复核周期；失效知识切断检索并保留历文的知识可靠、有效、可追溯。时延和单位Token成本。选型需综合芯片、推理框架、模型适配、算子优化、运维工具和生态成熟度，并支持异构算力与多种推理框架，降低单一供应商依赖。统一算力资源池：根据场景优先级、时延和模型规模统一调度资源，在业务间削峰填谷，并通过配额和服务路由控制高并发任务对关键业务的影响，提高利用率和成本透明度。输入侧：针对提示注入、越权请求、敏感信息输入和恶意诱导，实施注入检测、身份与权限校验、敏感信息识别和必要脱敏，使请求范围与用户身份和授权一致。技术架构还需控制多轮对话的隐私累积和多智能体协数据与工具权限按任务授予，任务结束后及时收回。第三章/能力融通第三章第三章/能力融通第三章/能力融通智能体能力每上一个台阶，员工的岗位技能、组织分工方式与人才结构必须同步进化，否则能力越强、人从"流程执行者"转型为"智能体训练师、审核者与调度者",围绕提示词工程、智能体编排、结果复核等新技能建立分层培训与认证体系；二是知识进化，将智能体运行中沉淀的纠偏记录、优秀案例与专家经验回流至培训务+技术+风控"复合型团队。以客服场景为例，随着客服智能体承接绝大部分标准咨询，客服人员逐步转型为智能体训练师与疑难客诉处理专家，培训内容从话术背诵转向意图标注、知识维护与异常处置，人效与客户越专"的良性循环。生产级智能体的价值不能局限于技术层面的定性评上线前即明确三项核心考核指标——单笔业务审核时长(三)可规模：能力组件化与场景模板化，支构建金融生产级智能体的完整落地体系生产级智能体整体框架构建金融生产级智能体的完整落地体系推动治理模式从“上线后合规检查”向“运行时全流程2.岗位智能体岗位智能体是智能体矩阵的核心组成部3.4分步演进：生产级智能体体系建设不可能一蹴而就，需遵循“试点验证一平台沉淀一规模复制一持续演进”的生产级智能体体系建设不可能一蹴而就，需遵循“试点验证一平台沉淀一规模复制一持续演进”的(三)通智融合基础设施：规模化推理的算力数通智融合基础设施是生产体系的技术底座，面向智能数据、模型三位一体的融合支撑体系，为智能供给体系提供物理承载。3.金融模型矩阵构建“基础大模型一领域微调模型-遵循“治理内嵌、安全原生”的原则，围绕七大核心维度构建覆盖智能体全生命周期的治理体系，作为生产名制”管理，与实际业务岗位及责任人绑定，明确责1.第一阶段：试点验证期聚焦1-2个高价值、低风险的1.第一阶段：试点验证期聚焦1-2个高价值、低风险的向“建平台”转型。可审计。第四章/群智协同金融九问|第四章/群智协同4.1全场景智能体矩阵总览该矩阵全面服务2B、2E、2C三类对象，以基于模式一：服务于业务(智能体专家团)模式二：服务于员工技能技能营销客户单据审核风险分析[经理技能技能对客超级智能体(渠道协同)客户记忆多智能体协同框架(意图识别、任务拆解)(面向业务部门岗位)营销客户析专家单据审核家审贷官…岗位Skills..差旅报销..差旅报销…个人经验skills找应用…归因分析一个在开源社区拥有超过50,000星标、被全球开发者广一人一Agent,拓展每位员工的能力边界。第二种，岗痛点一：长程任务稳定性不足。这是银行AIAgent漂移、摘要失真三类“失忆”问题，斯坦福2025年研究显示超15轮交互后任务准确率下降约37%,这直接动摇第四章/群智协同第四章/群智协同理中等相关期路径触发隐患中等相关痛点五：用户体验断层。最终用户侧的体验断层会点：一线业务人员需要学习复杂提示词技巧导致“不会兼容性验证和标准化封装，转化为企业级资产。对内部痛点二：安全合规。这是金融行业AIAgent落地不可逾越的监管红线，当前开源Skill生态中已有超25%的保障输出可解释性，才能真正打通AIAgent落地的最能力体系：首先，每个能力都建立在OpenClaw此外，五大能力之间存在清晰的协同关系，五者缺一不可：安全合规是底线、上下文工程是基础、Skil体平台、成本治理是保障——通过TCO(TotalCostofOwnership,总拥有成本)精细化管控确保AI投资的可第五，用户体验——安装阶段，支持用户通过痛点三：治理与成本失控。当AIAgent从技术工具放大，分散的Agent实例会形成新型“AI孤岛”,导致单部门月均Token消耗超预算300%,超支原因集中在Claw数字分身五大核心能力全景架构Token可控第四章/群智协同第四章/群智协同业务层平台层业务层平台层能体/多智能体”的精准赋能。从客服智能体(文字客服&外呼场景)、信贷决策智能体、风险分析智能体、基于对多个金融AIAgent项目的最佳实践总结和失格，第一阶段(安全筑基)可能需要更长的6个月周期来以下为每个阶段的目标、周期、里程碑及验收标准人千面”应变能力等痛点，导伴打造了“1个核心平台+2大技术引擎+N个场景应用”的智能技术架构。在平台层面，金融(银行、互金、信托、信用卡)逾期提醒(M0-M1)催收话术&情绪安抚场景信用卡中台信用卡贷后外呼策略+模型分级路由周期缩短87%,四Agent并行审查+多维度覆盖义检索+模板生成外呼“直通车”优化提升效果评测话术/知识迭代能体协同分、滑动窗口安全合规压力陡增网络隔离+沙审计链控阵、SOP工范Skill飞轮、内化工具箱、概率性治理、链化不同实战案例虽然服务于不同的业务领域，但在架构——方面，通过SOP(不同实战案例虽然服务于不同的业务领域，但在目前，该方案已在存款、理财、个贷等零售核心场景实现规模化应用：整体营销转化率较人工外呼提升约30%,语义理解准确率达98%以上；大幅降低人力投入第四章/群智协同第四章/群智协同意见》(银发〔2026〕101号)中，明确定义“人工智能意见》(银发〔2026〕101号)中，明确定义“人工智能4、模型中心模型中心是一个由多种SOTA模型组成的协同矩阵。例如DeepSeekV4-Flash,某股份行对公授信审批智能体使用了DeepSeekV3.2、GLM-5多模型结合的工程化方案，模型。复杂逻辑，简化智能体开发，效率提升50%,覆盖70%场景。持续迭代话术完善度95%+、模型准确率90%+。外部数据征信|工商|外部数据征信|工商|…数据资产中心模型中心客户尽调贷后管理评级中心产品中心内部数据交易|资产|…数据·意图精准识别：深度微调模型，意图识别率达90%+,沟通更自然流畅。沟通，业务提升20%+。负责交互，合规率99.9%。规模化倍增。智能体平台通用算力智能算力(2)风险垂域模型训练065取据合成)065取据合成)(1)风险分析经验萃取第四章/群智协同管控解释欺诈风控管控解释电诈黑产化，欺诈手段变化快，传统人工规则小模型遇到新诈骗手段需新开发，迭代周期长(数月),存在一(1)正负样本比例悬殊：黑样本比例0.01%,客户黑以大语言模型为核心，基于TAPORL框架构建第一阶段：以Mantis模型为基础原型，通过离线+复用 Mantis楼型因果编码」ST-RAG.摸高识别能力上限…记忆库(数据库)(特征、模式、Skills)TAPO时序自(时序预测调度中枢)适应强化学习第一阶段成果基础上，在特性层面的叠加。第四章/群智协同财务报表、流水明细等),结合业务规则与经验作出准入智能审核方案虽在架构层面容易收敛，但在具体场景落地时往往面临效果、性能、成本三者约束，需在「不可 内容提取合规质检审核报告反馈与标注(人工/自动) 内容溯源定位 自动标注多模态VLM(视觉理解)de第三方平台存储设备网络设备影像数据平台训练平台 M(文本)k/Qwen..基于任务环节的分级调度策略▶垂域增强与上下文工程▶提取内容溯源定位科技部门，业务团队自己做不了。分类与路由通道分类与路由通道输出型对多模态模型以结构化结果为输验内容溯源定位算图像算法、OCR标应用层智能体层平台能力层基础设施层营销中台客户画像零售平台活动运营模型管理平台智能体平台客群洞察(1)技术点一，以圈客洞察为例，注入领域知识，第四章/群智协同(2)技术点二，以产品推荐话术为例，把思维链干(3)技术点三，以活动分析为例，分层组合来提升(三)应用成效目前方案在沿着"分析一圈客一策略一触达一复盘"沉淀、活动复盘周期长这几个问题，大幅提升了零售营销的数字运营能力。做洞察，圈群效率从以前靠IT取数的小时级甚至天级，缩第四章/群智协同第四章/群智协同分析"真正能做到了。活动报告的分析时间从原来的2天缩到30分钟。经验沉现代化应用新增，以及公共工程建设。遗留系统迁移(技术现代化应用新增，以及公共工程建设。遗留系统迁移(技术JSP+Java单体→微服务+H5/针对现有事务处理类应用系统的功能增量开发，现代化应用新增则包含业务应用新增以及业务智能体新增，如信贷智能体等，而公共工程包含符合银是Java和JSP向现代框架(如Vue/React)的技术栈模型、公有云MaaS服务、泰山500等，为上层应用提(技术翻新)JSP+Java单体->Java微服务+赋能|伙伴生态赋能|伙伴生态Taishan500图智能研发整体方案二人在做(决策把关)nn自霞盖率拦截(85%阻断)二○个骗方图4.3.7人机协同SDLC矩阵第四章/群智协同第四章/群智协同□手机原生智能体◎小程序/公众号/服务号接入运营多梁道后端服务意图运营Agent/工作流知识库运营损型网关+训推平台接入网关场景渠道接入业务实现接入层智能体平台章流转控制器执行施座通智融合底座多级意图|复杂意图逼算资源池执行策略解码约束4.4.1对客超级智能体(一)场景描述手机银行作为银行面客服务的核心阵地，承载着数机银行通过自然语言交互重构流程——用户只需说“给xxx转500元”,系统即可自动识别收款人、金额、账户用户积分权益：价值感知缺失与运营效率低下。大生活消费权益：信息过载与个性化缺失。银行App图化编排机制，将复合意图自动拆解为可执行的子任务序列，并通过最优执行路径规划与反思修正机制确保任务完成准确性。该技术使基金、保险、理财与财富营销业务能力封装为标准化的可调用单元。这一机制使银行无需重构核心交易系统即可让智能体调用现有服务——转账时调用支付系统、查询时调用账户系统、理财时调图化编排机制，将复合意图自动拆解为可执行的子任务序列，并通过最优执行路径规划与反思修正机制确保任务完成准确性。该技术使基金、保险、理财与财富营销业务能力封装为标准化的可调用单元。这一机制使银行无需重构核心交易系统即可让智能体调用现有服务——转账时调用支付系统、查询时调用账户系统、理财时调关系”。金融服务的连续性要求——用户今天查询的理关系”。金融服务的连续性要求——用户今天查询的理财信息、上周的转账记录、上个月的积分余额，都应在当前对话中被智能体理解和利用。记忆引擎构建企业级记忆库，实现跨会话的上下文共享。当用户连续多日咨提供连贯的个性化服务。该技术直接解决积分权益与财合规检测模块在意图识别与执行环节持续介入——识别高风险意图时触发额外验证、检测异常交易模式时自动意图识别引擎：从“点击位置”到“真实意图”。用户自然语言表达的模糊性与多样性——同样一个转账需求，用户可能有数十种不同表达。意图识别引擎采用大模型与轻量模型协同的分层架构，支持多级意图识别关实现存量服务的标准化接入与智能调度，支持将存量HTTP请求转换为MCP标准调用。Skill技能库将常用大模型技术在银行业的应用，正从"单点试点"走向了一些局部成效，但离"智能化经营"还有明显差距。问况靠周报回收，闭环周期以"周"计，容易错过最佳经营(二)技术方案跨渠道的执行计划，支持条件分支和执行中重规划，人前端入口智能体入口及中枢调度协同进化人前端入口智能体入口及中枢调度协同进化全域客户经营Agent营销策略Agent客户经理Agent财富管理投顾Agent信用卡经营Agent零售风控&反洗钱Agent零售信贷智能Agent网点Agent零售经营决策Agent能力目录能力管理知识与经验分层记忆管理零售技能库标准化零售工具零售语义森题能力编排/Sop沉淀能力中心知识与经验分层记忆管理零售技能库标准化零售工具零售语义森题能力编排/Sop沉淀能力中心事中：围栏与审核适当性校验事后：审计与追溯统一安全与治理●算力分层三层模型体系通用基座→零售垂直微调→轻量专项小模型算力+模型统一安全与治理●算力分层三层模型体系通用基座→零售垂直微调→轻量专项小模型算力+模型第四章/群智协同第四章/群智协同第四章/群智协同4.5实践：台为核心目标，搭建以小鹿助手为统一交互入口的主从智能体协同架构。持续打磨智能交互能力，提升意图识架构可持续迭代演进，持续优化移动端整体智能化服务体验。手机银行智能体采用分层化设计、权责划分明确：主体层依托手机银行核心智能体，凭借主从意图识别能力精准识别各类用户金融诉求，联动各业务子智能体完运行模式，通过参数提取、智能追问等方式精准研判业务需求，输出标准化、规范化的业务数据。此外，整套设备，实现了智能服务、安全管控与算力支撑的一体化银行的特点是需要快速响应请求，迅速路由意图到目的子智能体；交通银行手机银行智能体采用主从智能体架构，最上层是领域分类(LO),根据业务大类划分成若干个领域(L1),每个领域下面根据业务细分为多个工作流，输入问题通过两层路由到达通过微调技术，确保时延满足要求的情况下实现精生成节点的结合，快速响应输入请求并返回对应结2)ReAct模式：ReAct模式和Ski一种可以通过业务灵活配置的智能体落地范式，让1)短期记忆：通过业务总结缩减上下文场景，避免建设统一的智能体管理平台，平台提供统一的智能体的开发、运维、监控能力，规范化智能体的全生命周建设统一的智能体管理平台，平台提供统一的智能体的开发、运维、监控能力，规范化智能体的全生命周开发AI管理平台，面向Al手机银行提供统一管控能力，覆盖智能体配置、智能体运维、智能体测评三大提供意图在线调试、可观测能力，实现智能体运行构建智能体端到端测试校验体系，支撑上线前事前可靠。手机银行是行内各类产品与营销活动的核心推荐载完成产品及活动的个性化排序，实现千人千面的活动、使用历史有序的活动曝光点击记录，让模型记住用户长期习惯+短期行为变化，在推理时更有目的和针对性地对活动进行排序。根据AB测试结果，比起用传统小模交通银行手机银行以高代码模式为基础，探索落地涵盖智能体管理平台、自动化测评系统与运行可观测系统。对比上一代版本，新架构的体系完备度、组件协同手机银行测评体系直接决定产品整体质量与用户体验，是质量管控的核心。可以分为事前测评和事后测评，这里主要阐述的是事前测评部分。测评体系1)手机银行智能体评测体系：从技术实现到场景协同，构建多层次、可量化的评2)评测智能体：构建需求分析、用例设计等skill,快速完成评测设计、执行，报告生成，评测周期从周级缩短至小时级。3)评测飞轮：根因诊断-Prompt/微调优化-版本回归’的智能4.6实践：4.6实践：“人工智能+”技术建设行动方案。方案坚持把数据要素、人工智能作为金融高质量发展的核心驱动力，统筹推进基础底座建设、AI能力建设、业务场景建设、人工智能治理四个维度重点工作，同步延伸开展场景应用成效评估、统一标准体系构建、生态协同共建等工作，系统性推动Al技术架构体系迭代升级，以数智化、智能化手段赋能金融风险防控，助力业务稳健高质量发展。担重。涉及18大类、30+小类非结构化材料，尤其是交担重。涉及18大类、30+小类非结构化材料，尤其是交不齐。擎项目”,构建“1+3+2”智能体应用体系，全面覆盖进3个岗位智能体：建设贷前调查智能体、审查审批智能体、贷后监测智能体，深度嵌入信贷管理全业务流程，实现各岗位智能体之间协同联动，为关键岗位提供智能化工具助手。本解决方案坚持“零售信贷管理系统与智能体深度融合、多智能体协同联动”的建设思路，构建“智能体应用矩阵一智能体平台一AlInfra底座”三位一体技术体系，依托智能研发引擎，实现能力端到端落地。(一)智能体应用矩阵同时统一数据连接，建立信贷智能体矩阵的数据接入标准。通过数据路由工具完成Agent、Skill数据分层第四章/群智协同以OpenCode+GLM-5.2大模型为核心引擎，一键Skill-Tester自动化测试两类工具，实现信贷业务Skills生成标准化智能体与信贷业务Skills零售信贷Al智擎项目落地实施后，推动零售信贷作业流程与决策范式实现全方位升级。依托影像智能体实现影像资料自动分类处理，识别准确率达92%;借助进件、审查审批智能体协同联动，有效提升进件一次性通过率；通过贷后监测与审查审批智能体联动机制，能够结合客户资质、业务状态动态变化，强化全流程风险预警能力。第四章/群智协同第四章/群智协同4.7实践：南京银行超级智能体实践实体解析、上下文理解能力选择、任务队列依次调用工具资源已接入30+行内工具统一规范输入输出实体解析、上下文理解能力选择、任务队列依次调用工具资源已接入30+行内工具统一规范输入输出风险等级校验、人工确认技能加载、链路追踪三层模型体系大模型理解需求知识权限运行监控调用链路、用户反馈会话状态、短期记忆、前端合规断、合规拦截追问机制受控执行“灵犀”目前已接入30余个行内工具，工具输入输和技能。南京银行超级智能体架构图第四章/群智协同第四章/群智协同4.8实践：意图识别图2桌面超级智能体架构图人员通过自然语言即可驱动自动化；人员通过自然语言即可驱动自动化；四是存量资将存量RPA流程升级为智能体可调用的“标准能力单元”图1桌面超级智能体流程图安全沙箱RPA技能执行图1桌面超级智能体流程图安全沙箱RPA技能执行网关业务系统60%;成本层面，RPA流程维护频次预计降低40%,单次任务上下文控制在32K以内；合规层面，沙箱隔离与操作留痕机制实现关键动作100%可追溯。第四章/群智协同第四章/群智协同4.9实践：江苏农商行营销智能体实践基于联合行700+客户标签体系，叠加客户交易流水工具调用与流程自主编排。通过基座大模型承载深度语义理解、长文本推理、营销内容生成等高复杂度任务，行业兼顾推理时延、算力成本与业务可控性；搭建原生可解释AI工程框架，对客户标签处理、理财产品推荐链路进行推理路径溯源，配套建设完整模型工程化运营体系，支持版模型推理、应用交互的数据闭环，构建可持续运转的数据飞轮。脱敏、访问权限管控，保障行内业务数据不出域；第五章/知识注智金融九问|第五章/知识注智5.1数据连接涵盖行内核心业务结构化数据、外部第三方场景画像关键要点&风险评测/验收数据来源数据形态数据时效第五章/知识注智第五章/知识注智责任AI落地的地基——可解释、可审计、可问责、人在知识单元=通用加工引擎+场景化加工规约+萃取不修改)、知识萃取层(人机协同产出双态知识单元)、可执行Schema层(定义场景化规则规范，供规则引擎取数方式、数据融入推理的逻辑，串联起从数据采集到业务结论输出的完整推理路径。数据明细：定义连接器所有数据的上游源头，数据形态与数据时效。数据资产包：为智能体提供统一数据规范、字段映射规则、查询调用能力，实现多源银行API原始数据统一封装、支撑智能体供数1.准确性与灵活性：强规则场景要求99.9%以上索-重排-注入”,高并发下延迟与Token成本居高不下。段(2023及之前)向量检索与知识图谱平行探索，各有所长，但均将知识视为"查询时临时处理的原材料"。第二阶段(2024-2025)向量+图谱融合成为主流，大模贯彻“以终为始”核心逻辑，拆解智能体完整推理贯彻“以终为始”核心逻辑，拆解智能体完整推理"知识萃取"指在摄入阶段由大模型与专家协同，将方法论：采用"自然语言原文+结构化规则"的双态设计，以某股份行对公放款"贷中预审-批复解读"为例：传统方案对100余页手册与专家隐性经验混杂的多条件知识萃取方法，系统将散落在放款手册中的知识，萃取为带层级索引的规则，业务专家对萃取出的规则，用自+LLM仅做语义精判"的两阶段模式。上线后制度原文零改写、规则检索准确率提升至90%以上、规则迭代由2该场景中一个专家规则知识单元的微型示例(双态章第一条担保资料要求”-{feld:approval_text,op:contains_any,value:["担保","保证","抵押","质押"]}-{feld:customer_type,op:equals,value:"企业"action:{type:show_chapter,chapter:"第四章第一条"}检索引擎关系数据库、向量库分块、检索引擎关系数据库、向量库分块、向量化知识层向量索引文档数据连接(连接|加工)产品映射规约专家规则提取器系统产品名、子产品精准关联至信贷管理手册对应关系数据库、向量库、图库产品映射表规则萃取Agent连接层金融本体建设面临的机遇则引擎消除幻觉、结果可溯源(可问责的准确性);大模则引擎消除幻觉、结果可溯源(可问责的准确性);大模型承担80%以上结构化工作、专家仅做校验(可控的低成本构建);双态结构+专家署名+版本留痕，使每条知识的"谁改、何时、为何"全程可审计(人在回路与可问责);一次萃取持续复用，规避反复注入原文带来的改写风险(高效且合规)。由此，智能体的每一关键结论都金融AI规模化的瓶颈不在模型能力，而在知识的生本"升级为"给系统做资产"——构建出受可验证事实与路变成了可落地的机制，推动金融AI从"能用"走向"可监管正在从事后抽样的"人工审核"转向实时的"数据对金融机构的要求也更高。传统的人工解读规则、分标准不一致等问题，合规成本高且风险隐患突出。金融风险越来越隐蔽复杂。跨条线、跨市场的资金联动和关联交易增多，风控的穿透性和实质判断能力需要提高。传统风控规则模型多为静态建设，各条线规则独立配置、数据语义割裂，只能基于预设条件做表层筛选，难以穿透交易表象识别业务实质。·智能投研需要提取信息和因果推理么"的语义洞察。金融本体建设面临的挑战第五章/知识注智第五章/知识注智属性。系统能力静态僵化，无法适配业务创新与监管迭代系统能力静态僵化，无法适配业务创新与监管迭代量投入大模型与知识图谐融合。解决单一业务痛点的“杀手级应用”,态度务从"能对话"到"懂业务"的跃迁，达成跨智能体的深度理迈向“可信运行、规模应用”,需要具备可信、可解四根支柱共同推动企业智能从模型驱动走向知识驱概率预测"到"确定性业务执行"的转变。本体平台作为架构的核心，是四大能力(数据能力、2、可解释(Explainable):构建透明可追溯的推理体系本体驱动智能体层金融本体平台本体驱动智能体层金融本体平台金融知识底座知识管理知识服务知识运营结构化数据|非结构化数据第五章/知识注智景定义→模式设计→专家确认→场景应用),结合测试前4、可演进(Evolutionary):构建持续成长的智业务场景业务场景远程银行零售代发虚拟的本体视图数据库集成方案一：本体AP服务(MCP)提供本体服务，使能Agent侧Tool/Skill单轮对话接口金融本体平台作为金融语义体系构建的核心基础平本体平台具备多元化集成适配能力，支持API、在数据实例化构建方面，平台支持VT虚拟视图映射数据建设需求。VT模式通过构建本体虚拟视图完成与原于本体规范对多源原始数据进行清洗、转换、语义融合，第五章/知识注智开发人员、数据人员3方投入。选择一个具体的业务痛点，快科技投入，避免“长期投入无控术栈或大面积功能开发。业务专家、开发人员、数据人快速落地，简化项目管理.数据维度查询和模式识别(如“担保圈”识别).金融本体论构建了一个机器可读、逻辑自洽的语义框架。非常适合本体的代价是复杂性高、查询性能相对较低(相较于直接的KV存储或SQL查询)以及事务处理能力弱.在多个领域级本体建设成熟的基础上，构建全行统一的金融本体体系在样本间验证成功的基础上，将本体能力扩展到单个完整业务场罩的全流程o营销管理小切口->场景级->领域级->全行级从“一整栋楼”到“一个小区”将同一业务领域内的多个关联场罩本体进行整合，形成统一的领域级本体o反洗钱可疑案例分析◎交易监控与异常识别构建“样板间”最小可行验证单元，是“小切口大纵深”原则的起点从“样板间”到“一整栋楼”反洗钱可疑◎反洗钱·构建“样板间”·从“样板间”到“一整栋楼”在样板间验证成功的基础上，将本体能力扩展到单个完整业务场景的全流程。实践中提炼形成"四阶八步"标准化工程实施工艺，并沉·第1阶：场景定义(Step1-2)确场景选型依据、业务覆盖范围、预期业务价值；·从“一整栋楼”到“一个小区”·从“一个小区”到“一座城市”第五章/知识注智动作、流程6类标准语义要素；本体建模遵循W3C计模型6要素；"29句话"知识转化范式，通过将业务知识归纳为29·第3阶：专家确认(Step6)专家确认采用"分维度专项评审+异议闭环整改"机景验证遵循"测试前置校验+生产持续演进"机制。第四阶：场景应用第三阶：专家确认明确业务痛点、聚焦高价值场景，开发人员、数据人员迭代演进原则人机协同原则第一阶：场景定义业务专家、开发人员、数据人员场景驱动原则第六章/研运一体金融九问|第六章/研运一体第六章第六章洗钱报送系统对预设监测模型(模型基于规则跑批)每日金融本体平台Adapter金融本体平台Adapter本项目通过构建反洗钱智能体，使用本体+大模型本方案以反洗钱本体为内核，构建“一流两体”智第六章/研运一体第六章/研运一体么判断和行动)、Memory(需要记住什么),三者构成Intent是入口要素，定义用户“要什么”,是触发称、描述、正例/负例、边界),重点标注易混淆意图。评测未达标→返回补充定义，形成闭环与评测验证交付：评测语料集+评测报告评测未达标→返回补充定义，形成闭环与评测验证交付：评测语料集+评测报告与意图梳理②经验采样▶输出：风险线索和调查建议在这个过程中，Intent定义"核实经营收入"这一用能触及业务细节的落地精度与安全底线。从业务经验到前置提醒。”把新判断规则配进去，不走开发排期?”·3.逻辑蒸馏与记忆建模数、专业知识库或子流程进行适配，避免重复建设·4.专家确认与评测验证业务确认判断依据和例外，科技确认数据、接口和实现，架构治理确认复用与依赖，未经确认的内容仅作为候选经验。业务专家提供正例(覆盖标准/口语/省略/同义/指代五种表达风格)和负例(最易混淆场景),AI工程师跑评测验证准确率。未达标的意图第六章/研运体一第六章/研运体一金融机构在大模型应用落地过程中，如何让智能体代码节点，到FunctionCalling,到MCP协议，再到以银行的智能客服为例，客服系统覆盖300多个业问"怎么查余额",工作流先走意图分类节点，命中后路是重复劳动。大模型在这套架构里只是一个“文本生成工单总结需要3秒以内完成，但走代码节点编排，时延容提炼不完整，平均准确率仅40%。业务流程哪怕只调核心矛盾：工作流代码节点解决的是"流程自动化"口?2023年中OpenAl发布FunctionCalling能力。模型不再被动接收Prompt、输出文本，而是可以"看到返回。余额是多少?"模型分析意图后，自主决定调用"查询客内容时调用相比工作流代码节点，这是一个质变。模型从“被代码驱动的文本生成器"变成了"能自主选择工具的执行个硬伤。第六章/研运一体第六章/研运一体MCP连接),参考行业经营周期资料，执行收入波动率转天数同比增幅超过xx%时标记为异常",以结构化方种"业务专家贡献知识、AI工程师结构化转化、评测验MCP连接),参考行业经营周期资料，执行收入波动率转天数同比增幅超过xx%时标记为异常",以结构化方种"业务专家贡献知识、AI工程师结构化转化、评测验字资产。Skills还有一个重要设计：渐进式披露。系统启动时只给模型一个Skill名称和描述的索引(每个大概100体难以同时满足金融领域的业务深度和全局视野，无法处理复杂的金融业务链路。因此多智能体协作成为金融为了让多个智能体高效、安全、可控地协作，业界主要有如下几种不同的协作范式：控制器模式、SubAgent模式和A2A协议模式。二是上下文治理：MCP支持"懒加载",Agent启MCP解决了"怎么连"的问题。但机构发现一个新要交叉印证、查完怎么下结论",这些判断逻辑没有沉淀工具连上了，经验还在人脑里——这个缺口，机构Anthropic提出Skills机制，把"做法"本身打包成可复一个Skill本质上是一个文件夹，包含技能定义(SKILL.md)、参考资料(references)、确定性计算脚本(scripts)、输入输出模板(assets)和测试用例(tests)。它告诉模型的不是"你能做什么"(那是把专家的判断链路完整封装成一个Skill,智能体调用这某银行的智能客服覆盖300多个业务场景，客观意图数Token用量暴涨，模型反而开始"找不准"该调哪个。信工作流代码节点胀专家经验打包复用一大，模型开始"找不准"。机构需要的不只是"能调工具",工作流代码节点胀专家经验打包复用一能力发给子智能体或工作流，并实时监控执行状态。意图识别引擎将意图结果转给控制器。严格定义的工作流，并在不同阶段固化返回给用务逻辑执行准确。能力发给子智能体或工作流，并实时监控执行状态。意图识别引擎将意图结果转给控制器。严格定义的工作流，并在不同阶段固化返回给用务逻辑执行准确。底层FunctionCaling从实践趋势看，Skills正在从"私有能力"走向"共一是工具复用：某银行的Al助手通过MCP接入了30余个行内工具，覆盖对公客户经理的日常业务需求。底层FunctionCaling从实践趋势看，Skills正在从"私有能力"走向"共第六章/研运体一第六章/研运体一③选择SubAgent执行信用评估智能体1用户：转多少钱”7调用转账工作流意图识别3意图识别为汇款服务5query意图识别意图识别引擎意图识别引擎6意图识别为转账工作流xx工作流xx工作流xx工作流对金融机构AI服务的信任度。确定性的工对金融机构AI服务的信任度。确定性的工SubAgent架构采用主智能体规划、子智能体执行SubAgent模式将一个复杂的超级智能体拆成多个能力专一的子智能体。每个子智能体可独立配置工具和知识库，实现能力聚焦；对外接口保持不变，子智能体可独立更新升级。以智能营销为例，按任务维度对客户画像、信用评估、调查报告生成、营销策略制定等，分别构建独立的能力Agent对外发布的标准化JSON文件，描述身份、现和服务选择。Agent间协作的载体。智能体间的交互以任务，任务状态和结果可实时同步。智能体间交换数据的标准单元。消息可包含多种内同部门、机构的Agent能够相互发现并协同完成任务。以手机银行为例，其对外提供几百种业务办理和咨询服务。底层的服务研发涉及几十个部门，并且每个部门的技术栈和智能体框架各不相同，如Langchain、openJiuwen等。通过A2A协议，将原金融九问|金融九问|生产级智能体规模化落地行动指南金融业务具有高可靠、强合规和跨系统协同复杂等信息。以手机银行为例，用户先“转600元还信用卡”,机构A(营销智能中心)机构B(其他金融机构)·输入输出：需求<>方案划分严格的用户数据边界，防止跨用户数据泄露，是上下文隔离最基础的维保证单次交互内上下文的独立性。同一个用户在不同时间、不同设备或针对不同诉求，会划定不同业务线之间的边界。各领域智能体拥有独立的知识库、工具调下文时严格限制在所属的业务领域内。若确需跨域协同，的API接口，以状态摘要等形式进行受控的状态同步，防止模型在跨领域调用时违规读实现任务级的上下文隔离与即时清理。在复杂金融场景中，领域智能体多个工作流，敏感业务运行期间产生的临时状态要严格限制在该工作流结束(无论成功或异常中断),立即清理所有临时敏感上下文，防止中间敏感数据被后续无关操作意外复用第六章/研运一体第六章/研运一体回复(如：检测到有多个收款人，收款人1:卡号：xxx,手机号：xxx……)和用户输入(如：第一张卡)。包含回复(如：检测到有多个收款人，收款人1:卡号：xxx,手机号：xxx……)和用户输入(如：第一张卡)。包含以营销活动场景为例，精准上下文提取可将约2000字的活动文案压缩为200字关键信息，仅保留有效期控制方式、优惠力度、适用客群等关键决策字段，准确率从88.2%提升至99%。这说明上下文精度比上下文长度更占系统提示词的60%,这意味着每轮交互中60%的系统提示词Token被用于加载这些文件，而非用于实际任务精简后的系统指令与必要的引导文件合计约3840Token,单会话可持续交互轮次从15轮提升至40轮。这一实践表明系统提示词是需要持续迭代的工程产物，而非一次性的静态文档。景设2-3轮即可。Token的征信API返回压缩为“征信查询成功，当前无逾期记录”。利用语义相关性打分或任务价值评估，献极低的文本。通过嵌入向量相似度来评估每个片段与当前任务的相关性，低于阈值的予以驱逐。当任务上下文发生切换时(如从查余额切换到买理财),根据任务状态机或意图路由器，动态驱逐上一任务中已失效的中间参数，防止旧状态干扰新意图。同时设置“主任务保护机制”,被误删。以手机银行场景为例，其意图数量超过400个，每到模型进行分类，上下文规模可达20万Token,远超多样的困境。索从海量业务分类和API工具中召回最相关的TopN候类Claw场景为例，Agent以手机银行场景为例，其意图数量超过400个，每到模型进行分类，上下文规模可达20万Token,远超多样的困境。索从海量业务分类和API工具中召回最相关的TopN候(4)上下文驱逐{"role":"user","content":"我要转账"},{"role":"assistant","content":"请问你要转多少“角色设定+行为指令”,决定了智能体的行为边界。以类Claw场景为例，其Bootstrap文件是Agent启动时自动加载的配置文件(如AGENTS.md、SOUL.md、通过精准驱逐无关信息，可将冗余文本压缩50%甚第六章/研运一体第六章/研运一体为实现缓存资源与智能体实际需求的精准匹配，openJiuwen在其agent-tools项目中采用“主动释放+主动缓存释放机制。提供了主动缓存释放接口release_kv_cache,允许Agent在确认缓存块不再使用向量检索(VectorSe组数字),通过计算向量距离找到语义相似的内容。BM25MMR(MaximalMarginalRelevance,最大边际相关性)的方案，上下文从20万Token减少至数千Token,仅#请求解析message_begin=request.messages_releasreleased_token_index=calculate_token_index(full_render,release_block_index=(released_token_index*len(blhashes)//len(all_token_forblock_hashinblock_hashes:cached_block=block_pool.get_cached_block(blotail_blocks=collect_release_tail_orphans(session_id,hash_#解除session绑定→移入release区session_released=session_managerblocks(resolved_blocks,session_iblock_pool.aging_block(session_releas不是所有信息都值得永久记住。系统按信息的持久价运行时核心数据流围绕三个关键环节展开：不是所有信息都值得永久记住。系统按信息的持久价运行时核心数据流围绕三个关键环节展开：等级、风险偏好、常用账户向量检索+BM25晋升写入)(memoryMYY-(chunks表)(向量相似度)当前会话+1天*jsonl)当前会话的完整对直接引用(不需要检索)在智能体运行过程中，KVCache是提升模型推理效失效的对话历史和工具返回结果仍占用缓存空间，导致缓存资源无法精准匹配智能体的实际需求，直接影响智能体等外部API时，工具返回了数千Token的原始报文，即"messages":[..MemoryMemoryFlush(记忆刷写):当上下文窗口快满时，系统自动将当前对话中的关键信息"刷写"为持久记窗口大小一预留空间。为防止"压缩时丢信息",引入了softThresholdTokens机制——在压缩触发前先刷新记Session绑定与精细化控制。通过cache_salt和cacheSession绑定与精细化控制。通过cache_salt和cache_shaning参数控制缓存的归属与共享策略：cache_sharing=true时，不同Session共享缓存块；全隔离。支持按message索引和tool索引精确控制释个tool开始释放。记忆检索：以用户输入"选第二款理财产品"为例，每天失忆的人—无论昨天多努力，今天都从零开始一3.加权融合：向量检索权重0.7+BM25权重0.3,兼顾免返回5条内容几乎相同的记忆)(2)梦境系统——Agent的"睡眠整理"SHA-256哈希指纹为每条记忆生成唯一"身份证",用于判断是否重复。隔离机制基于角色的访问控制(RBAC)在多智能体系统实践中，采用Milvus(开源向量数相似度超阈值则不重复写入，避免"同一事实记了10遍"梦境系统使Agent具备了"反思"能力——不仅记住发生了什么,还能发现行为规律(如"该客户每月初查询账单，月底咨询理财"),这是传统对话式AI梦境系统使Agent具备了"反思"能力——不仅记住发生了什么,还能发现行为规律(如"该客户每月初查询账单，月底咨询理财"),这是传统对话式AI不具备的。响应，系统只留下"调过某工具"这样的粗粒度记录，安第六章/研运体一第六章/研运体一6.4运维态用的头号风险)、跨用户数据串扰(同一个助手服务多个资源被耗光(死循环、写满磁盘，拖垮整个系统)、插件5-10年、客户数据不能出境、对外连接要审批，这些只·对公客户经理助手(涉及授信，敏感数据多)——高强度(Kata),比上一种再严一档。第一，质量标准分散。客服关注意图与体验，信贷调缺少统一口径将使项目难比较、版本难准入。示例：尽调过程中客户口述年收入20万元，流水分析识别为18万元，调查报告生成为28万元。评测应先判第六章/研运一体第六章/研运一体1.金融场景下的Agent全链路可观测性挑战金融业务对AIAgent的可靠性、可解释性和合规性1.金融场景下的Agent全链路可观测性挑战金融业务对AIAgent的可靠性、可解释性和合规性提出了严苛要求。Agent需要调用内部系统API、查询数据库、执行代码、读取知识库，任何一个环节的错误都可能导致业务损失或合规风险。当前金融机构在引入Agent技术时，上层可能采用不同的Agent框架或工具，我们以OpenClaw、OpenCode在银行实战为例。无论上层使用何种Agent标准化Trace数据模型设计(基于steps的run/model/tool模型)以银行基于OpenClaw的探索实践为例：每次对话的完整执行路径通过标准化的steps数据结构记录。该数据模型具有通用性，可适配各类Agent框架的执行逻辑：tool(工具调用)。每个步骤包含offset_seconds(相对开始时间的偏移)和duration_seconds(自身耗时),代理拦截层实现原理(LLMAPI报文截获与指标提取)·第三方Agent框架适配：针对ClaudeCode、OpenCode等通用Agent,接入OpenTelemetry、·因此，构建一套框架无关的通用Agent全链路监控与成为金融场景下Agent落地的关键基础设施。核心设计理念：无侵入式代理拦截与标准化Trace是采取"无侵入式代理拦截+标准化Trace上报接口"的数据查询)导致问题采集指标推送Grafana接收Agent上报TraceLangfuse链路数据+Proxy性能指标统一汇聚链路可视化、异常检测、合规审计、成本管控实线=业务调用链路虚线=监控上报链路"trace_id":"8cf7a3cc-646d-4613-ad95-7"agent_id":"agent:main:dashboard:c7b0d780-e"started_at":"2026-05-20T1"query":"查询该对公客户当前授信余额与信用评级","reply_summary":"客户当前授信余额XX万元，信用评"name":"custom-api-siliconf"fle":"~1.OpenClaw/workspace/skills/corp金融九问|生产级智能体规模化落地行动指南业界主流的全链路观测方案包括Langfuse与可观测性框架，OTel提供了语言无关的API、SDK和Collector。Agent框架可通中埋点，生成包含TraceID、SpanID、父Span·Langfuse:作为专为LLM和Agent设计的开源可观测性平台，Langfuse的核心概念包括Traces用)、ToolCalls(工具调用)和Prompts(提示第七章/第七章/安全治理第七章第七章第七章/安全治理第七章/安全治理2026年6月18日，国家金融监督管理总局发布《关能力提升以及保障与监督等方面提出32项指导性意见，要求；新加坡于2026年发布《ModelAIGovernance金融稳定。方面。第五，从降低错误概率转向控制风险影响。第五，从降低错误概率转向控制风险影响。在金融场景中，信贷智能体可能读取客户信息、调用风险模型并形成审批建议；客服智能体可能访问客户账户并办理业务；投研智能体可能检索市场数据、运行分析程序并生成投资建议。此时，模型输出不再只是供人参考的信息，而可能直接成为访问数据、调用工具和改变业务状态的系统指令。风险从“单点错误”演变为“可传播的行动链风险”风险输入面●数据/记忆污染●组件与供应链漏洞错误决策/审批越权访问/泄露服务中断/资金损失风险从“单点错误”演变为“可传播的行动链风险”风险输入面●数据/记忆污染●组件与供应链漏洞错误决策/审批越权访问/泄露服务中断/资金损失第一，从内容风险转向行动风险。7.2安全与治理体系全景图全问题。容器、存储、网络等构建底层安全防护体系。实现环境隔离、容器加固、数据加密存储、网络边界防护，筑牢AI运行底层安全底座，杜绝环境被入侵、算力资源被恶意占用、数据被窃取篡改。工程化能力是安全体系建设落地的关键抓手，通过工程化手段，将安全制度、产品能力嵌入Al研发生产流程，解决安全管控落地难、人工成本高、迭代不同步的生产级问题，实现安全能力的常态化运营。·安全左移前置风险防控：把安全从"上线后管控"推到"研发阶段前置"。需求立项就做合规评估，数据制备就做脱敏校验，模型训练就做算法审计，智能体开发就做合规校验。不合规不建模，不安全不训练，不达标不上线。·治理运营常态化闭环：建立“监测-研判-整改-复盘-升级”的运营闭环，依托治理平台，自动统计治一、安全管控体系|制度与流程底线风险分级+最小权限管控体系统一入口、鉴权限流、覆盖