智能体加速金融创新 | TF技术前线179期回顾

扫码观看回看 

"智能体加速金融创新"聚焦智能体技术在银行营销、保险产品解读、投研分析与多智能体交易框架中的真实落地经验。随着AI技术的快速发展，智能体正在从通用场景快速渗透至金融核心领域——智能投顾、投研分析、保险理赔等场景的数字员工已成为金融机构的重要基础设施，"人机协同"的新型金融服务模式正成为行业新常态。

活动由CCF TF AI+金融SIG主席史海峰开场致辞，介绍了CCF TF的宗旨和活动安排，副主席舒文亮担任活动主持人，引导与会者进入主题讨论。

杭州摸象大数据科技有限公司总裁袁兰以"银行客户经理AI营销Agent"为题，分享了银行场景下智能体营销的落地实践。她指出，银行在科技上高度集中，但营销体系却非常分散——大量线下网点、分部门运作、多层结构，导致从总行源头驱动所有神经末端成为最大痛点。围绕这一痛点，摸象科技构建了五大驱动模式的智能体体系：事件驱动、客户经理中心、长尾客户直营、企微私域、大数据+AI双轮驱动。

在技术架构层面，袁兰强调智能体不能只是大模型的应答，需要对数据、模型知识、专家团队规模进行统一管理。她分享了四个核心亮点：规则与模型的协同、智能行动推荐、真实场景下的智能闭环、组织经验沉淀为数字能力。同时她也指出了四大行业共性难题：异构数据融合、AI生成内容合规性、模型可解释性、与实际工作流的深度融合。在合规性方面，袁兰介绍了摸象科技采用的两层机制——智能体生成后的自核验规则（目前已有八大类60多条规则）与人工抽查相结合，确保金融生成内容的强合规性。她强调："完全没有规则是不行的，全靠规则也是不行的，小模型、中等模型和大模型三者协同，最终要以成效为依据。"

蚂蚁集团蚂蚁保Agent技术专家王艺辉以"保险快查Agent Native实践"为题，深入分享了保险场景下智能体的构建方法论。他首先指出保险咨询是高约束业务场景下的复杂任务——长上下文、多条件约束、强合规都是必须考虑的因素。

王艺辉提出了"Token经济学"的概念，强调离线Token沉淀认知、在线Token调度认知的核心逻辑——将一次性推理转为可复用的认知资本。在技术架构层面，他介绍了"One Agent"方法论：通过一个强大的基础Agent内核（包含Loop、工具、虚拟文件系统、SubAgent、Checkpoints五大模块），以少量配置即可派生出不同领域的专业Agent。他总结得出："Agent Native产品，就是认知资本加上Agent之间的协议化协作，再加上在线资本的调度。""让Agent想更久，不如让我们的沉淀更深——让资产、上下文沉淀，让模型基于业务场景的反复推理能力更深。"

在产品解读页面的生成链路中，王艺辉详细拆解了四个核心Agent的协作：全局规划与推理式检索、注入内部业务信息、接入外部认知、质量校验与修复。他强调，这本质上是一个"Deep Research"过程，但并非传统的RAG式检索，而是Agent自己构造关键词、构造路径、进行推理式搜索的"Agentic Search"。在回答速度方面，王艺辉指出复杂问题的完整回答通常在10秒左右，需要通过事件流将内部Token流翻译为业务事件，让用户感知到"搜索-取证-生成"的过程。

东方财富人工智能高级研究员张恺以"重塑投研工作流：从通用对话到专业智能体"为题，分享了投研场景下智能体的范式跃迁。他指出，大模型应用已从关注"对话是否更聪明"转向关注"Agent能干什么事、生成的内容是否直接可用"

张恺强调，金融级Agent的第一要求不是多聪明，而是"可控、可审计、可治理"。为此，他提出了三大核心技术支撑：精准调用能力——通过工具描述、参数结构化限制、任务路由判断、结果校验机制，让模型负责理解和规划，工具负责确定性执行，校验机制负责兜底；Harness工程——为Agent套上一层可控框架，规定能看什么数据、能调什么工具、需要什么审批、结果需要留痕；Skill建设——原子化封装、高质量数据燃料、内置防御性代码。

在部署层面，张恺介绍了混合部署的两种模式：内网编排模式（重本地、充分融合外部数据）和云上编排模式（兼顾性能与成本）。在检索增强方面，他分享了从朴素RAG到GraphRAG再到Agentic RAG的演进路径，指出GraphRAG在金融穿透识别场景下效果显著，检索准确率从80%多提升到90%以上，但性能会慢5-6倍。在产品设计层面，张恺强调"不要拿着模型去找场景，而要先解决场景下的问题"，"让模型负责理解和整体规划，让工具负责确定性执行，让校验机制负责兜底。"

蚂蚁集团财富事业群高级技术专家杨一帆以"单点推理到组织化工作流：多智能体交易框架的落地与应用"为题，分享了多智能体在资管级别交易场景中的前沿实践。她指出，从2023年到2025年，AI在投研领域逐渐从"Copilot"走向了"Autopilot"，具备了自主掌舵的能力。但她同时指出"我们不会完全把决策交给AI，人在Loop中不是干预最终观点，而是把控思考过程和决策链路，进行归因。"

在技术层面，杨一帆介绍了两个核心原子能力：在模型思考过程中通过外部工具调用将结果回插进入思考流，扩展上下文能力；基于自研开源的多智能体协作框架，实现多智能体的编排与协同。在实际落地中，AI Trading框架包含三个关键层级：底层是金融MCP与数据治理基座；中间层由6个核心Agent在每晚对65个行业板块进行独立分析；上层是多空辩论与核心矛盾研究机制，通过辩论将观点极性收敛到更加中性的场景。

杨一帆分享了实盘效果：自2025年5月28日上线第一个实盘策略以来，AI决策的策略能够在市场中排在前40%甚至更靠前的位置，"AI Trading的超额收益很大一部分来自行业轮动的有效性——AI可以7×24小时挖掘消息面信息，获取快和广的优势。"面向未来，杨一帆强调团队的目标不是追求单条策略胜率的不断提高，而是构建多条低相关、不定频的策略矩阵，在不同市场环境下实现平稳的Alpha增强。

问答环节中，四位嘉宾围绕金融场景下智能体的合规性、多Agent分工调度、OpenCloud与自建的选择、AI多空辩论的最佳实践等议题展开深入交流，从产业落地与技术创新视角分享了各自的实践经验与思考。

CCF TF将持续关注AI+金融领域的前沿动态，举办更多高质量交流活动，为技术从业者搭建顶级交流平台。期待与您在下一期活动中再次相聚，共同探索智能体技术的创新与落地！