金融智能体建设的十大关系

金融智能体建设的思考框架

近期，我们在与行业内专家交流以及与金融机构一起做智能体（Agent）落地的过程中，观察到大家主要关心两方面内容，一方面是业务如何落地、如何做好价值及组织能力建设，一方面是科技如何实施、如何做好平台和应用建设。

参考《论十大关系》的思考框架，我将金融智能体建设的相关问题进行整理，以两个方面、十大关系的形式进行汇报和交流，供大家参考和批评指正。

智能体暗含东方哲学智慧，恰如《礼记·中庸》所述，“博学之、审问之、慎思之、明辨之、笃行之”，其继承了经典的信息论、控制论、系统论、协同论，并在感知、记忆、决策、反馈、执行五个方面上有所创新。

十大关系分为两部分。第一部分是业务和组织能力上的五类关系，主要是业务驱动和科技引领的关系、客户经营和安全合规的关系、自助研发和生态共建的关系、人机协同和岗位重构的关系，自上而下和自下而上的关系；第二部分是科技和实施能力上的五类关系，主要是大模型和小模型的关系、提示词和知识库的关系、静态编译和动态规划的关系、数据治理和智能体治理的关系、自主执行与人工干预的关系。

战略：业务驱动和科技引领的关系

第一个关系是战略方面，“业务”和“科技”的关系。我们说智能体是业务的“倍增放大器”，它一定是围绕金融产品服务这个“灵魂”来构建的，业务和技术一定是融合发展的关系。

在实践中，业务规划可以按照银行、保险、证券、互金等前中后台各类岗位的维度思考，也可以按照金融“五篇大文章”的维度分析。之前我们曾提出一个按照业务场景分类的ABCDE分析思路：A是公域和私域AI App场景，B是对公领域Business场景，C是对客领域Customer场景，D是开发者领域Developer场景，E是企业管理者及员工领域Employee场景。

在技术规划方面，可以按照算力、模型和数据、平台、应用这样四个横向层级，以及安全、运维、运营和治理这样四个纵向维度去考虑。业务战略规划和实践做得好，可以驱动科技战略规划和实践；科技战略规划和实践做得好，也可以引领业务战略规划和实践。

最佳的模式，还是业务和科技的融合规划和发展，重点是要构建“业技融合”的敏捷组织，战略聚焦业务特色，在干中迭代、充分信任、不惧冲突、有效投入、有责无界、重视结果。

业务：客户经营和安全合规的关系

在业务方面，我们认为，要重点关注客户经营和安全合规的关系。智能体的安全合规是客户经营的“底线”，客户体验是安全合规下客户经营的“高线”。从目前AI和大模型的技术原理来看，幻觉不可避免，这要求我们在客户经营上做好场景的选择、定义以及兜底方案。

科技：自主研发和生态共建的关系

在科技建设方面，是自己建设还是生态共建？我们认为，在智能化升级的当前阶段，金融机构最应该关注的核心资产其实就是特色数据、智能体业务流，比如智能体应该怎样理解和引导客户的金融需求，怎样分析金融资产的风险和收益，怎样匹配金融资产的需求和供给。每家机构都有自己的特色策略，这才是金融机构的核心竞争力，是我们应该做到“自主可控”的护城河。

而在整个科技体系的搭建方面，我们建议金融机构特别是中小机构充分借助“智能体生态合作共同体”的力量，例如基础算力体系的搭建、智能化的平台软件，以及相关的服务，用好科技企业的经验。另外，随着MCP和A2A这样的产业界协议的出现，我们去对接外部的各种服务也会更加方便。

组织：人机协同和岗位重构的关系

在组织方面，人机协同和岗位重构大家谈得也比较多。智能体替代“重复性、流程性工作”，人类专注“审核及创造性价值”，人和机器的关系将更加紧密。

BCG咨询去年提出了这样一个假说：“随着智能化转型的推进，公司的组织形式会发生巨大的变化，对各个层级的人员能力也提出了新的要求，组织将会从三角形发展到锥形再发展到松树形”。

我们过去一段时间帮助很多机构做了提升员工特别是业务人员使用智能体设计平台做应用的相关工作，金融机构的管理层和业务员工可以自己搭建自己的智能体。这是很有意义的，可以更好地理解智能体目前的技术边界，包括智能体能做什么、还不能做什么，也可以获得更多关于人机系统和岗位重构关系的切身体验和理解。

落地：自上而下和自下而上的关系

整体的落地路径方面，我建议从两个方面通盘考虑：自上而下是“孵化支撑力”，自下而上是“创意涌现力”，两种落地形式形成智能体落地的“敏捷迭代力”。

组织能力需要跨越战略共识、场景验证、规模复制、价值重构四个鸿沟。

跨越战略共识的鸿沟是“-1到0”的过程，这个过程需要自上而下和自下而上相结合，重点做好内外行业调研、场景价值评估、技术成熟度评估、组织文化机制建设，比如C端和公有云方式先动手体验技术的边界。

跨越场景验证的鸿沟是“0到1”的过程，确定场景优先级，场景要在业务和技术路线上具有典型性，特别是要考虑多模型、检索增强和智能体的技术以及有数十人以上使用的场景。

跨越规模复制的鸿沟是“1到10”的过程，这个阶段可以开始全员培训共创，通过工作坊、黑客松比赛的方式建立AI创新的组织文化和能力，目前很多金融机构正处于这个阶段。

跨越价值重构的鸿沟是“10到100”的过程，这里100不是简单建立100甚至上千个智能体，而是让特色业务价值可以十倍百倍地发展，技术上要实现智能体平台化和治理，业务上要有全新且有效的用户体验和流程，同时还要搭配好AI时代的金融产品和服务。

感知：大模型和小模型的关系

接下来我进入第二部分，关于科技和实施能力的五大关系。

首先来看智能体的感知能力，大模型构建智能体“大脑和中枢”，小模型打造智能体“小脑和眼耳”，大小模型的高效协同是业务成功的关键。

目前，很多优秀的大模型都在发展多模态的感知能力。在实际的业务落地中，我们发现，其实很多场景下我们需要合理搭配大模型和小模型的协同，才能够达成业务效果与成本平衡的最优解。以目前阶段来看，想要训练一个统一的模型去应对不同的场景还不太现实，再去应对那些之前小模型已经处理得很好的场景也不经济。

记忆：提示词和知识库的关系

智能体的记忆能力有很多不同的实现方式。提示词工程和RAG检索增强对算力要求相对低，不改变大模型的参数；微调和监督微调需要高质量的数据和标注，对算力要求中等，改变大模型的参数；预训练和增量预训练需要庞大的泛数据或者特定领域的数据，对算力要求高，一般适用基础大模型特别是特定领域的基础大模型。

目前来看，通过RAG检索增强以及提示词工程实现知识的注入还是最主流、最经济的方式。金融机构可以将精力集中在私域知识的灌入和特色金融思维链的提炼增强上，沉淀自身业务智能体的特色“记忆”。

决策：静态编排和动态规划的关系

从上一代的低代码平台，到2022年开始出现的基于大模型的LangChain、AutoGPT等技术架构，我们认为可以将智能体的决策方式大致分为两个大类。

一类是“弱自主性”的专家型智能体，这类智能体以人工精心设计的核心工作流为基础，配合外挂的领域知识，再加上大模型提供的扩展和泛化能力，能够完成专业领域的严肃任务。

这类智能体有点像武侠小说里的乔峰，专业性强、稳定性强、产出非常可控，而且优化成本和学习成本很低，比如我们投研的智能体，有了新的研究分析框架，只需要更新知识库，或者修改工作流的配置，就可以得到实时的效果提升。当前来看，行业/企业专家Agent基于“垂直模型+企业知识+静态编排工作流”构建，更易落地，效果更可控。

另一类就是“强自主性”的通用智能体，这类智能体根据给定的任务，动态规划执行路径，自主完成任务。今年以Manus为代表的这类产品吸引了很多关注。但在实践中，我们发现，这种方式目前在任务的完成率和可用性上还存在很多问题。

这类智能体有点像段誉，六脉神剑时灵时不灵，理论上上限很高，但下限也很低，而且还非常不可控、不稳定。如果想要优化，只能通过模型训练的方式来提升，但这又将消耗大量的成本和资源。另外，模型训练的时效性目前还面临挑战，难以适应一些快速变化的场景需求，目前其更多在个人应用领域带来效率提升和情绪价值。

当然，我们也相信，未来智能体的规划能力还有很大的提升空间，但当前阶段，大部分比较重要的金融场景还是需要以工作流+智能体结合的方式来构建，才能实现比较可用的业务效果。我们在做智能体平台建设的时候，可以考虑同时兼容高低代码的工作流编排以及可嵌入自主智能体的模式。

反馈：数据治理和智能体治理的关系

在反馈方面，建议从数据和智能体两个方面来入手。

数据是基础，数据治理做不好，会大大的影响智能体的产出效果。一些机构以为，把数据一股脑丢给大模型就好了，而实际情况是，对于非结构数据，我们还需投入很多精力去做梳理和清洗，非结构化的数据治理将进一步促进智能体发展。当然，在这个过程中，智能体也能够极大地提升数据治理的工作效率。

另外一方面，智能体的爆发也要避免烟囱式、丛林型的发展，避免像“数据沼泽”一样陷入新的“智能体沼泽”。需要有一个统一的规划，按照不同层级、不同场景去做抽象和归纳，然后在平台层配合统一的调度管理，形成结构化的“智能体市场”，包括公司智能体、部门智能体、员工个人智能体。这些智能体可以是业务或者科技自建，也可以是合伙伙伴共建，可以结合使用情况和价值情况的优胜劣汰的市场机制进行治理，才能发挥大模型和智能体的最大作用。

执行：自主执行和人工干预的关系

最后，关于智能体任务的执行，这个点业内讨论较少，但我认为这个点非常重要。因为对于我们金融机构来讲，尽职免责是最基本的原则性问题。什么样的工作我们可以放手让机器去做？我相信大家心里也未必有一个统一的认知。而且，我们与一些一线从业者访谈后得到的结论是，如果真的把一些工作全部丢给智能体，大家也是不放心的。

目前市面上大多数Agent类产品中，使用者只负责提出诉求，之后就是智能体自动工作，有些能看到其工作的过程，有些只给出最终的产出物。用户在这个过程中，更多是个“观察者”，当前阶段还不太符合我们金融行业的要求。

目前还需要让员工与智能体深度配合、相互协作，一些关键的决策要由“人”来掌握，“人”是整个任务的“指导者”，而智能体中是任务的“协作者”。

作者刘俊系火山引擎金融行业总经理，本文为作者在2025·金融四十人年会暨闭门研讨会“人工智能时代的金融与科技”平行论坛二“智能时代的金融业：创新，变革与监管”上所做的主题交流。文章仅代表作者个人观点，不代表CF40立场，未经许可不得转载。