金融业初试智能体：让AI长出“脑、眼、四肢”

21世纪经济报道记者李览青 上海报道

在不久前落幕的国际金融展中，大模型是最热的话题。其间举办的大模型金融应用及创新论坛，在9点正式开始前就座无虚席，记者用了一个半小时才从门口挤到站位的第一排。

“从2021年开始的AI时代，每一年都是一个元年。”有观众向记者表示，AI技术发展速度太快，作为从业者必须及时跟上技术应用的脚步。

在被称为“智能体元年”的2025年，聚集了资金、人才、数字化基础设施的金融行业成为智能体落地应用的前沿“战场”。

“金融业大模型应用将从以模型预训练为重心的上半场，走入以先验知识+后训练+智能体应用的下半场。”工商银行首席技术官吕仲涛表示。

然而，这对金融机构自身的数字化基础与工程能力都提出更高的要求，一方面“大模型上半场”的知识库梳理、算力基础设施建设、模型调优一个都不能少，另一方面，当智能体开始重塑组织架构与业务流程，金融机构需要在兼顾效率与安全的情况下，实现投入与产出的平衡。

“严格意义上的智能体需要具备自主规划的能力，这是原生AI应用的基础，在AI时代智能体真正要实现应用落地，将对工程化能力提出远高于云原生时代的要求。”中国电子首席科学家、中电金信研究院院长况文川向记者表示。

金融业初探智能体

“智能体元年”已经过半，金融行业的智能体落地应用成效初现。

记者梳理发现，目前大型金融机构与中小金融机构的智能体应用程度有所差异。

以银行业为例，一方面，大型商业银行越来越多地提及智能体（AI Agent）的实际应用，如建设银行已经打造AI小诸葛智能体辅助客户经理营销服务，工商银行提出要按照“一岗一助手、一人一分身”的智能体建设方案，构建端到端运行的一体化智能体应用生态。

另一方面，围绕着智能体应用，中小银行开始再造底层基础设施。公开招标数据显示，中原银行、长沙银行、青海省农商银行今年开启智能体应用开发平台项目招标，通过集成检索增强生成技术（RAG）、提示词（Prompt）工程以及智能体创建等多样化能力，打造大模型智能应用开发的标准化方案。

一家保险机构AI基础设施负责人提到，去年受制于工具链、大模型能力等方面不足，智能体的构建还相对困难，但得益于今年模型水平与产业链的成熟，他们研发的“数字核保员”智能体能力得到了非常大的提升。

他指出，目前在该公司智能体开发平台上投入研发的智能体已超过100个，包括交互型智能体、作业型智能体等两大类，其中交互型智能体有人工的参与能够对偏差及时纠偏，从而实现输出结果的稳定，但作业型智能体要直接给出核保结论、理赔结论，对输出结果的稳定性、准确度要求很高。

“就如微服务虽然带来了灵活部署拼装等架构优势，但过度拆分微服务和API可能导致过多的服务调用，这会显著影响交易的响应能力，而在金融实际场景中一些交易处理超过200毫秒会影响投产使用的。”况文川告诉记者，在当下，智能体的自主规划能力能否成为原生AI应用的基础，是否会规模化替代现代应用中基于规则和代码的硬编排方式，这些技术问题还处于概念验证的初期阶段，更考验金融机构的工程化落地能力。

重构AI落地的“脑、眼、四肢”

在多位受访人士看来，以智能体为代表的AI应用落地，已经开始重构金融机构数字化转型系统工程。

“我们在做AI应用落地的时候发现，人工智能时代的系统工程建设和过去互联网时代的软件工程建设是完全不同的。”蚂蚁数科副总裁余滨在接受记者采访时指出，金融智能体建设不是单一的模型，而是一个“系统工程”。

余滨认为，金融智能体的落地过程中，结合金融机构内部经验的金融大模型是“大脑”，实时感知专业知识、数据的金融知识库是“眼睛”，能够及时调用推动业务落地的金融工具集是“手脚”，在初步搭建智能体后，还必须通过相关评测来做“体检”，确保金融智能体在安全合规的基础上能够稳定提高运作效率。

系统性工程也意味着，在搭建金融智能体的过程中，“脑、眼、四肢”一个也不能少，这对AI时代的基础设施建设、数据能力发展、应用生产模式变革都提出新的要求。

基础设施层面，况文川告诉记者，技术迭代已经从分布式架构、云原生阶段发展到了数据、算力与模型融合的新阶段，融合型基础设施需要同时容纳和调度面向关键任务和管理任务的通用算力，以及面向识别和生成式AI的智能算力。

以数据库产品为例，某中西部地区银行金融科技部人士向记者表示，在过去的数据架构中，事务处理（TP）能力和实时分析处理（AP）能力是完全分离的，大数据分析往往是后台系统的工作，要基于数据实现指标分析与产品反馈可能需要一整天时间。然而，在AI时代，要让数据在第一时间最快地变成服务向客户输出，就需要通过HTAP一体化实现数据传输、分析效率的提升。

数据能力建设则是有两个关键问题，一是金融机构是否建立起自身的金融知识库，真正理解金融领域知识、标签体系；二是金融机构如何对数据生产展开变革，来确保AI生成内容的安全可信。

况文川指出，数据生产链条过去更多考虑面向数据产品和数据资产，现在需要考虑到和AI模型能力的批量生产连接起来，因此对数据的规模、质量及其加工链条都提出了更高的要求。当AI模型的实现路径越来越标准化，根本的挑战在于如何组织企业内部大量的多模态数据，使其能够被人工智能吸收并大规模使用，同时确保生成内容的正确、可信。

基于效果收费模式初现

在基础设施与数据能力建设的同时，金融机构的AI应用生产模式已经发生变化。

记者注意到，AI应用生产模式的变革发生在组织架构、生产流程、交付模式等多个方面。

余滨在蚂蚁数科负责领导商业化团队，他告诉记者，根据不同金融机构的资源禀赋与战略决策，目前大模型在金融机构的落地路径分为四种类型：一是从技术基础设施侧构建大模型中台从而赋能应用；二是以手机银行为载体，从移动金融服务端构建AI原生应用；三是从实际业务场景出发，如风控、理财、营销等环节应用大模型提升效率；四是将大模型作为全行1号工程进行重点部署，使大模型全面重构业务流程，打造智能体集群，驱动业务创新与体验升级。

对于“金融大模型落地是否应当是一把手工程”的疑问，蚂蚁数科AI技术负责人章鹏认为，产生实质性业务价值的大模型项目应当是一号位工程。“如果我们期待的是引入大模型技术，让机构浅尝辄止地有一些应用，那可以是技术驱动的。但如果真正要大模型落地产生价值，它一定要是从业务侧发起的，可能会遇到一些阻力，所以这更需要通过一号位工程推动。”章鹏表示。

越来越多的金融机构建立了专门推动大模型落地应用的组织架构。

一家银行数据团队负责人表示，他所在机构已在科技侧专门组建大模型建设的团队，和业务部门进行对接，其中有两个关键角色，一个是与业务端进行衔接的业务分析师（BA），负责将业务端提出的意向需求进一步细化；一个是提出解决方案的系统分析师（SA），负责将BA细化后的需求做可行性验证，从而对业务端价值较高的项目进行落地实施。

况文川向记者表示，目前的应用生产模式已经从基本的代码驱动发展为“代码+数据+智能驱动”。“要实现应用智能体的自适配、自适应、自扩展，应用本身的开发模式正在发生改变，未来也会对人才结构、组织架构和资源分配产生重大影响。”

事实上，需要全方位调动各个环节实现落地应用的智能体，比单项大模型技术应用还需要更高昂的投入，在这样的背景下，已有按效果收费的“RAAS”模式出现。

余滨告诉记者，在商业模式方面，目前蚂蚁数科的金融智能体服务模式既可以支持私有化部署、SaaS订阅服务，还可以支持基于效果计费的“RAAS”模式，对成熟度较高的产品基于可以预判的效果，与客户形成商业解决方案的设计。