金融AI原生要建三横两纵：可信执行比模型更贵

本文解读：《2026金融AI原生技术应用生态建设白皮书-华为》 · 共 134 页 · 原文

金融机构真正缺的不是模型能力，而是让智能在强监管下稳稳干完一件活的能力。

工行与华为这份 134 页白皮书把话讲得很直接：账户、账务、交易、额度这些核心环节仍应由规则和代码守住， 智能体只在授权范围内理解意图、组织任务、调用能力。AI原生不是最大化自治。

它给出的答案是"三横两纵"：三横是智能体应用层、AI原生资产层、技术支撑层，两纵是运营管理与安全治理。报告把它压缩成一个公式：Agent 等于 LLM 加 Harness。

前半句决定智能上限，后半句守住可信下限，业务真正消费的也不是模型，是被稳定供给的词元。

上面引用的数据都能在原文里找到出处，报告放在运营动脉（www.yydm.cn），搜标题即可。

遇到统计口径不一致的地方，回原文核一眼，比对两三篇二手解读要快得多。

模型决定上限，Harness 守住下限，金融的钱大多花在下限上。

图源：《2026金融AI原生技术应用生态建设》（第1页） · 原文

一、从 Chat 到 Work，评价标准换了

报告把生成式 AI 的能力演进拆成四段：Chat 做问答和生成，Copilot 嵌进工作台给建议， Agent 围绕目标自主规划并调用工具，Agentic Work 用多智能体协同承接跨岗位长流程。

四段不是替代关系，而是按任务复杂度、风险等级和责任边界组合使用。真正的分水岭是评价标准：从回答是否流畅，变成任务是否完成、过程是否受控、结果是否可靠。

在金融场景里，越接近真实行动，要求叠得越高。知识问答管事实准确和内容合规， 方案建议还要满足适当性、可解释和依据可追溯。

工具执行必须再叠加身份识别、权限校验、参数核验和人工确认；跨系统任务还要处理长周期状态、 异常恢复、幂等补偿与审计留痕。

所以报告说，从 Chat 到 Work 不是多了一次工具调用，而是从"生成可信"走到"行动可信"。

会聊天不稀缺，能把活干完还留得下证据才稀缺。

图源：《2026金融AI原生技术应用生态建设》（第2页） · 原文

二、Agent 等于 LLM 加 Harness

报告把工程焦点分成三代：提示词工程解决"如何表达任务"，上下文工程解决"在有限窗口里供给什么信息"， Harness 工程解决"如何让智能体在既定边界内持续可靠地把任务做完"。

Harness 被定义成面向智能体全过程的运行与控制框架，要做六件事：定边界、供上下文、控执行、管状态、 验结果、能修复。报告给了一个简洁公式：Agent 等于 LLM 加 Harness，LLM 决定智能上限，Harness 守住可信下限。

它还预判了一个方向：随着模型变强，用于弥补认知不足的显式规划和重型编排会逐步变薄。

但身份权限、执行隔离、状态管理、结果验证、异常恢复和审计追踪不会消失，只是角色从 "帮助模型想明白"转向"确保模型做得对、做得稳、做得可追溯"。

最终形态是轻编排、强环境、强治理的智能运行时。

模型越强，外层的活越像操作系统，不像提示词。

图源：《2026金融AI原生技术应用生态建设》（第3页） · 原文

三、云原生为什么不够用

报告把架构演进分成三段，并且明确说这是继承式演进，不是推倒重来。

云原生解决了确定性软件的规模化生产问题，容器、微服务、弹性调度、持续交付和可观测性让交付效率和 资源利用率大幅提升。前提是行为由代码、配置和规则预先定义，路径可预测。

智能体面对的往往是开放目标，执行路径要按意图、上下文和环境动态生成，输出有概率性， 任务可能长跑、重试、跨智能体协同。

风险也从"服务是否可用"扩展到"理解是否正确、计划是否合规、权限是否匹配、行动是否可逆、结果是否可信"。

中间那段是 AI 增强：在既有流程节点上接大模型，改造成本低、上线快，但主流程仍被代码固化。 场景一多，各部门重复建模型接入、知识库和工具编排，形成新的"AI 烟囱"。

报告点得很准：能力难复用、状态难贯通、成本难归集、风险难统一治理。所以 AI 原生要做的是把代码退回到"划定确定性边界"的位置，让模型、知识、工具、Harness 各司其职。

AI 增强的天花板不是模型不够强，是它一直待在流程外面。

图源：《2026金融AI原生技术应用生态建设》（第4页） · 原文

四、业务三困：有试点、有功能、有上线

报告把业务侧的困难概括成三句话，每句话都指着一个"有"之后的"缺"。统筹之困是有试点没方法。企业普遍回答不了"建多少、建什么、怎么建、谁来建"， 容易烟囱林立、重复建设、建而不用、用而不管。

权责机制也不清晰：业务掌握场景和规约，平台负责工程与运行，安全合规界定边界， 但谁识别场景、谁批准上岗、谁持续运营、谁对结果负责，常缺贯通机制。

服务之困是有功能没转向。客服问答、合同审核、风控辅助、营销文案陆续上线， 但用户面对的仍是一组割裂的工具，而不是一个理解意图、连续组织服务的智能伙伴。

报告举了个很具体的例子：一个刚完成大额购房支出的用户，和一个账户余额稳步增长的用户， 同属高净值标签，当下的金融需求截然不同，智能体给出的却是同一套标准化响应。

运营之困是有上线没闭环。成本上算力投入看得见，词元消耗算不清；价值上效果可感知，收益难归因。

三个"有"说明投入不缺，三个"缺"说明体系没建起来。

图源：《2026金融AI原生技术应用生态建设》（第5页） · 原文

五、技术六难：中枢、知识、技能

技术侧的六难里，前三难都在问同一件事：能不能被稳定复用。

中枢之难，是怎样让不同框架的智能体在一个平台上统一支撑。意图识别、上下文组织、记忆使用和规划校验 是每个智能体都要的能力，但各框架对任务、状态和执行结果的定义不一致，换框架就要重新适配。

知识之难，是知识"进得来"但"用不准"。多数机构把文档丢进向量库做语义检索， 但向量只解决"找到相关内容"，不解决"判断知识是否权威、最新、适用且有权使用"。

报告举了个典型情形：一段已废止的信贷政策和现行政策在语义上可能高度相似，模型无法只凭相似度区分效力。再加上缺少知识飞轮，人工纠正过的错误不会回流到知识库，同样的错会在下一次推理里重复出现。

技能之难，是存量数字资产没有面向模型的语义。一个账户查询接口对人很清楚， 但模型不知道它在什么场景可调用、要什么前置条件、哪些返回字段敏感、异常怎么处理。

报告因此提出技能工厂，把存量能力封装成可发现、可理解、可授权、可组合、可评测、可观测的任务技能。

智能体不是不会做事，是没人告诉它哪些事能办、依据哪一条。

图源：《2026金融AI原生技术应用生态建设》（第6页） · 原文

六、技术六难：安全、算力、词元

后三难更贴近成本与风险。安全之难，是风险从"说错话"升级为"做错事"。

具备规划执行能力的智能体可能拥有查询、写入、审批、交易或系统操作权限。提示词注入可能诱导未授权操作， 知识或记忆污染会让判断依据系统性偏移，工具描述被篡改可能引发对敏感接口的错误调用。

算力之难，是卡数不等于有效供给。金融场景受信创适配、资源隔离、业务连续性约束， 推理、检索、解析、校验的负载特征差别很大，容易出现资源看似繁忙、任务却在排队。

词元之难，是业务真正消费的不是模型，是模型服务持续输出的词元。简单任务调高成本模型是浪费， 复杂任务选能力不足的模型又降质量。

报告要求把词元消耗归集到具体任务和业务结果，用首词时延、吞吐、有效词元占比和单位成功任务成本来衡量。三难的共同解法是同一件事：把资源与消耗换算成成功任务，而不是换算成调用次数。

算力的账要按成功任务算，按卡数和调用量算都是自欺。

图源：《2026金融AI原生技术应用生态建设》（第7页） · 原文

七、三横两纵各管什么

三横自上而下：智能体应用层、AI 原生资产层、技术支撑层，形成从业务价值到生产资料再到能力的主链。

应用层解决"面向谁、完成什么任务、形成什么结果"，由超级智能体、专业智能体和必要的组件智能体组成。 超级智能体只负责理解意图、识别情境、维护上下文并把跨域需求路由出去，不包揽专业判断。

资产层由知识工厂和技能工厂组成。知识工厂生产制度知识、业务事实、数据指标、规则、记忆和上下文模板； 技能工厂封装 Skill、Tool、Workflow 以及 API 和业务服务。

报告特意说明，"工厂"指持续生产与供给机制，产出才是供智能体消费的资产，不新增架构横层。技术支撑层是算力底座、统一模型服务的词元工厂和以 AgentOS 理念建设的融合型智能体平台， 分别对应算力之难、词元之难和中枢之难。

两纵不是附加模块：运营管理体系管标准、责任、度量和价值经营；安全治理体系管身份、权限、数据、 行动和审计边界。

报告还给了个度量式：金融 AI 生产力大致等于应用有效性、资产可用性、技术有效供给、运营转化效率 与安全可信系数的乘积，乘法不是财务模型，是提醒短板效应。

任何一横供给不足，乘积都会被拉到零，这就是它坚持用乘号的原因。

图源：《2026金融AI原生技术应用生态建设》（第8页） · 原文

八、安全护栏要内生，不要外挂

报告把安全拆成研发态、运行态、运营态三态协同，三类能力分别是攻守兼备引擎、统一安全护栏和在线安全运营。

研发态管上线前和变更后的验证。模型、数据、提示词、知识、记忆、Skill、工具、框架、镜像和依赖组件 都在持续变化，可能引入投毒、后门、漏洞和权限偏差，因此要建资产清单、版本管理、扫描测评和红队攻击。

运行态按感知、规划、执行三阶段分段防守。感知环节防提示词注入、违法有害内容、隐私泄露和虚假金融事实； 规划环节校验意图一致性、金融规约、工具组合和数据流；执行环节校验身份、权限、参数、限额和人工确认。

报告特别强调，反洗钱、消保、个人信息保护、合规和交易限额这些要求，要转化成智能体可识别、可执行、 可校验的控制规约，嵌入任务规划与业务执行。

遇到疑似洗钱、欺诈或不当营销，应调用客户尽职调查、名单筛查、交易监测、适当性管理等权威系统判断， 而不是让模型自行裁决。

报告也给了一个克制的位置判断：智能体安全是现有风控体系的延伸升级，不取代身份权限、数据安全和反欺诈， 而是把它们作为资产绑定到具体任务上。

护栏外挂只能拦输出，内生才能拦动作。

图源：《2026金融AI原生技术应用生态建设》（第9页） · 原文

图源：《2026金融AI原生技术应用生态建设》（第10页） · 原文

九、落地分三阶，2026 还有五个判断

报告反对两种做法：先把平台全建完再找应用，或者资产规约和安全边界还没稳就快速铺场景。

它给的是以任务牵引的三阶段路径。第一阶段闭环验证，选 1 到 2 个价值明确、规则清晰、风险可控、 结果可度量的任务，把任务跑通、可追溯、可观测、可核验。

第二阶段规模复制，往相邻领域扩，把反复出现的知识、规则、Skill 和工具沉淀为标准资产， 重点检验第 N 个场景的交付周期和单位成功任务成本是否下降。

第三阶段体系运营，做跨专业连续服务，知识工厂和技能工厂常态化保鲜、版本兼容、变更通知， 运营体系按价值、成本、质量和风险决定扩面、优化、降级与退出。

展望章给了五个判断：竞争力会更多沉淀在机构上下文中；架构会收敛为"稳定内核、强运行时、有界自进化"； 建设门槛下降后要分层建设，平台提供底座、领域制定规约、基层编排任务、企业守住边界。

另外两条更前瞻：跨机构协作要先建立可验证的身份链、授权链、证据链和责任链； 风险范式会从"检查结果"转向"证明过程"，看的是结果是否由被授权主体在正确上下文里按允许过程得到。

报告还提到，2026 年 6 月金融监督总局发布的指导意见提出 32 项要求，FSB 也已把治理要求往前推了一步。134 页全文、十二章原文和全部图表，都在运营动脉（www.yydm.cn）上，搜报告名即可打开。