金融行业Agent百景图Agent 100 in Financial IndustryNew Finance New Future作者张翅阿里云智能集团副总裁新金融行业总经理简介张翅先生曾经在蚂蚁金服智能科技团队负责蚂蚁金服科技产品的开放合作，推动内部技术产品化和金融行业数字化转型。从2017年开始先后负责了从银行、保险、证券到金融服务等多个重要客户的数字化项目，深耕金融科技、云原生分布式架构、移动平台、大数据、人工智能、区块链等数字金融技术领域。在加入阿里云和蚂蚁金服前，张翅先生先后供职于甲骨文、Pivotal,领导参与了多个重大项目的建设，拥有丰富的企业架构设计、T战略规划、产品研发及团队管理等专业经验。前言河海不择细流，故能就其深。2025年是国务院《新一代人工智能发展规划》发布的第8个年头，也是国家层面提出通用人工智能的第2个年头。通用人工智能是新质生产力的典型代表，当下已成为全球科技竞争的制高点。当DeepSeek春节期间在全球引爆开源革命，当Qwen2.5-Max在Chatbot Arena实现智能跃迁，我们恍然惊觉，中国力量已然成为这场科技革命中的引领者，并引发了产业界的系列变化：●杰文斯悖论的延伸：大模型能效的指数级提升非但不会降低算力的消耗，反而会催生出更复杂的智能应用场景，从而激发更大的算力需求，如同9世纪煤炭效率提升刺激更大能源需求那般；●梅特卡夫定律的演变开源生态存在显著优势，更多的研究者和开发者通常会带来更多的使用场景、更快的模型算法创新、更丰富的工具链产品，从而全方位推动技术进步。过去的一年里，我们看到金融机构的大模型应用已从局部试水迈向全场景深度渗透，从内部提效转向外部赋能，从知识问答、办公辅助等传统场景向投研决策、信贷审批等复杂场景延伸，以招商银行×阿里云为代表的合作，已实现大模型在智能投研、财富管理等高价值环节的专家级推理能力。应用场景的深入带来模型架构的持续进化，通用大尺寸模型与专业小尺寸模型并行，通过模型训练微调注入专属领域知识，提升专业能力，降低推理成本，在有限的资源下推动应用快速落地。应用场景的丰富特别是对客服务场景，对算力需求以及系统并发和服务能力提出了更高要求，金融机构的算力基建进入攻坚期，这场算力竞赛的成败亦将决定企业未来的智能化水平，乃至在市场中的竞争能力。这场始于岁未年初的智能革命，正在书写金融科技史上前所未有的范式迁移。未来企业的大模型架构是一个MOA(Mixture-一of-Agents)混合架构，即一个强大的通用模型加一个强大的推理模型，通常是干亿或万亿参数，采用MoE架构，作为企业智能基座；N个中小尺寸的稠密模型，用在不同场景Aget当中，可以通过模型蒸馏提升其领域能力；工具链层面，一个训练推理平台加一个Agent工厂，构建企业级的数据飞轮，基于在若干Aget在场景中沉淀的数据，使用基座模型对领域模型进行蒸馏；当这些Agt积累的数据不断丰富后，基座模型也能够通过强化学习进一步增强，逐步演变成企业内部自有的世界模型。这种模型架构与开发范式，不仅是对传统业务流程的一次重大升级，也为金融机构探索新的商业模式和服务模式提供了可能。为助力金融机构依托大模型实现业务创新突破，我们精心梳理过去一年多与众多金融机构携手共创的业务场景，将其整理成册。这本册子凝聚着实践经验与创新思路，期望能为金融机构在大模型应用浪潮中找准方向，开启业务拓展与升级的新篇章。阿里云智能集团副总裁新金融行业总经理目录01开篇金融场景创新的时代背景01Agent是大模型落地的最佳形态03AI时代金融行业Agent落地典型实践04金融机构大模型落地路径08金融行业Agent发展趋势0902银行金融行业信货(8 Agent)11风控(3 Agent)27Agent百景图AI Native手机银行(4 Agent)33证券投研(7 Agent)41投行(2 Agent)投顾(3 Agent)59智能运营(2 Agent)65保险产品开发及销售(7 Agent)69核保核赔(3 Agent)83监管合规(3 Agent)89通用智能客服(14 Agent)95智能用数(10 Agent)123知识助手(3 Agent)143研发助手(6 Agent)149数字人(4 Agent)161内容审核(3 Agent)169信息检索与打标(5 Agent)175培训陪练(5 Agent)185办公助手(4 Agent)195营销助手(4 Agent)20303结语21104附录212金融场景创新的A时代金融行业政策指引与A技术发展双轮驱动01Agent是大模型落地的最佳形态0304金融机构大模型落地路径08金融行业Agent发展趋势09金融行业Aget百景图|金融场景创新的A时代>金融行业政策指引与A技术发展双轮驱动01金融行业政策指引与A技术发展双轮驱动十四五规划纲要提出，稳妥发展金融科技，加快金融机构数字化转型。2023年10月，中央金融工作会议明确，金融机构要加快数字化转型，提高金融服务的便利性和竞争力。2024年1月，习近平总书记在省部级主要领导干部推动金融高质量发展专题研讨班上的讲话指出，要加快金融数字化、智能化转型。2024年11月，人民银行联合7部委印发了《推动数字金融高质量发展行动方案》，旨在通过金融数字化、智能化转型提高金融服务的便利性和竞争力。金融行业Agent i百景图|金融场景创新的A1时代>金融行业政策指引与A1技术发展双轮驱动02在数字经济浪潮汹涌的历史背景下，在金融数字化、智能化转型的发展大势下，金融机构数字化转型是不可避免的，不存在转不转的问题，必须坚定不移推进，积极探索与自身特点相适应的转型路径，实现自身的可持续发展。数字化转型不是纸面上的鸿篇巨制，而是一线工作的针头线脑。金融机构要写好自己的小作文，并建立与数字化转型战略相适应的协同推进、进度管控与成效评价机制，确保任务可执行、进度可跟踪、效果可评估，形成从规划设计、执行到优化的“闭环”，真正将战略认知力转变为变革推动力。自ChatGPT推出以来，生成式人工智能经历了显著的技术进步和扩展。●认知能力方面，模型规模持续扩大，在Scaling Law的驱使下，智能水平持续增强，使得大模型在自然语言理解、文本生成、逻辑推理、工具调用等方面达到了前所未有的水平，加上推理模型的出现，加速了GenA!在复杂金融场景的落地。●感知能力方面，端到端的多模态处理成为生成式人工智能发展的另一重要方向，早期的大语言模型专注于文本输入和输出，现在端到端的多模态大模型已经能够处理和整合多种数据类型，如文本、图像、音频等，在数字人直播、营销物料生成、智能语音客服等更广泛场景得到应用。近期OpenAl o1和DeepSeek R1这类推理大模型的出现，得到市场广泛好评，标志着生成式人工智能领域的一个重要转折点，具体体现在几个方面：1)Scaling Law依然有效，从Pre-Training阶段扩展到了Post-Training和Test-Time阶段，强化学习技术的创新性应用为不断迭代升级模型能力带来了新的方向；2)开源模型成为世界顶级模型，在Qwen和DeepSeek为代表的开源模型推动下，模型创新和应用创新将持续涌现；3)推理算力需求激增，模型的开源开放带来了大模型时代的“杰文斯悖论”，算力应用效率的提升，带来整个社会对算力需求的增长；4)企业大模型应用范式向“大尺寸MoE模型+小尺寸蒸馏模型+数据飞轮”转变。金触行业Agent百景图|金融场景创新的Al时代>Agent是大模型落地的最佳形态03Agent是大模型落地的最佳形态构建于大模型之上的Aget,不仅具备强大的语言理解和生成能力，还能够通过规划、记忆、工具和行动四大关键组件实现复杂的任务处理。规划模块负责拆解复杂任务为可执行的子任务，并评估执行策略；记忆模块支持短期对话上下文保持和长期用户特征存储；工具模块让Aget可以调用外部AP或插件来扩展自身功能；而行动模块则是将这些规划转化为实际操作的工作流。这种多组件灵活编排的架构设计使得大模型Aget能够灵活适应各种业务需求，同时提供高度定制化的服务。金融行业因其信息密集、逻辑严谨及监管严格等特点，对大模型技术落地提出了极高的要求。无论是客户服务、风险管理、还是经营决策，每一个环节都需要精准的数据分析、逻辑判断、快速响应等能力。面对这类复杂场景，单靠大语言模型本身往往很难应对，大模型Aget凭借其环境感知、决策规划、调用工具及执行行动的能力，有效应对上述挑战。当把大模型应用在金融行业具体场景当中，Aget的上述能力特点得以完美体现。一方面，基础大模型提供了强大的语义理解和内容生成能力，支持高效率和准确的数据处理工作，并且其推理和规划能力，能够将复杂任务进行拆解，分而治之，更重要的是，相比小模型，大模型具备很强的泛化性，能支持多类场景的快速验证与落地；另一方面，以Aget为核心的多智能体架构允许其根据不同的业务场景需求，调用已有的系统接口和工具，充分复用已有的T资产积累，以适应不同场景下多样化需求。可以说，大模型Aget不仅是金融行业数字化转型的理想选择，更是推动现有IT体系向智能化迈进的关键力量。金融行业Agent百景图|金融场景创新的Al时代>金融行业Agent落地典型实践04金融行业Agent落地典型实践金融是国之重器。2023年10月，中央金融工作会议首提“金融系统要做好科技金融、绿色金融、普惠金融、养老金融、数字金融五篇大文章”，为金融如何服务实体经济高质量发展指明了方向。在这一背景下，大模型技术的应用显得尤为重要。大模型具备强大的数据处理能力、自然语言理解和生成能力，以及复杂任务执行能力。它们能够为金融机构提供精准的风险评估、个性化的客户服务、智能化的投资顾问等解决方案，从而助力“五篇大文章”的实施。普惠金融一蚂蚁集团蚂蚁集团自成立以来，一直致力于通过科技创新推动普惠金融的发展，旨在为全世界提供平等的金融服务机会。其使命是构建基于互联网科技的全球开放式金融服务生态系统，使每一位普通消费者和小微企业都能够随时随地获得便捷、安全且低成本的金融服务。蚂蚁集团利用大数据、云计算及人工智能等先进技术，不断探索新的服务模式和服务边界，力求覆盖更广泛的人群，特别是那些传统金融服务难以触及的群体。在这一愿景下，蚂蚁集团推出了两款基于金融大模型的产品一一支小宝与支小助。支小宝是一款智能理财助理，而支小助则是面向金融行业专家的智能业务助手，两者均采用了最新的大模型技术进行深度定制，以满足不同用户的需求并提升服务质量。支小宝作为一款针对个人用户的智能理财助理，它不仅能够帮助用户解读市场信息，还能结合用户的财务目标和个人偏好给出个性化的资产配置建议。支小宝2.0版本尤其引人注目，因为它实现了从“检索式A”到“生成式A”的转变，极大地提高了智商和财商水平。据透露，截至2022年底，支小宝1.0版本就已经累计服务超过3亿用户，解决了超过17亿个理财问题。此外，支小宝还能够主动预测用户需求，适时地提供相关服务，使得用户体验更加人性化和智能化。支小助则专注于为金融行业的专业人士提供支持。这款智能业务助手包含多个专业版本，如“服务专家版”、“投研专家版”等，分别服务于理财顾问、保险代理等多个角色。例如，“投研支小助”每天可以帮助每位分析师高效处理超过100篇研究报告的信息提取工作，显著提升了工作效率。支小助的设计理念是为了让金融机构的专业人士能够更好地利用数据和技术手段，从而提高他们的金融行业Aget百景图|金融场景创新的A!时代>金融行业Agent落地典型实践05生产力和服务质量，最终惠及更多的客户群体。随着生成式人工智能时代的到来，大模型技术在金融行业的应用前景显得尤为广阔。无论是对于普通消费者还是专业金融从业者而言，大模型都能够带来前所未有的体验变革：更自然的交互方式、更丰富的信息供给、更有效的表达形式以及更加贴身的服务定制化。未来，我们可以期待看到更多像支小宝和支小助这样的创新产品出现，它们将共同推动整个金融行业向着更高层次的智能化迈进，同时也将进一步扩大普惠金融的服务范围和服务深度。2科技金融一网商银行网商银行作为中国首批民营银行之一，自成立以来便专注于利用数字技术为小微企业提供金融服务。其核心使命是通过创新性的金融科技手段，解决小微企业融资难的问题，尤其是那些传统金融机构难以覆盖的长尾小微企业。凭借阿里巴巴集团和蚂蚁集团的技术能力和生态资源，网商银行致力于打造科技金融服务新模式，使得每一位小微经营者都能够享受到便捷、高效的金融服务。大雁系统是网商银行基于数字化技术开发的一套产业链金融解决方案，旨在满足小微企业在供货回款、采购订货、铺货收款、加盟、发薪等生产经营全链路中的信贷需求及综合资金管理需求。该系统不仅帮助解决了供应链上下游小微企业的融资难题，还提高了整个供应链的资金流转效率。大雁系统的推出标志着网商银行在服务小微企业方面迈出了重要的一步，并逐渐成为行业内的标杆案例。随着A!大模型技术的发展，大雁系统得到了显著增强。针对小微科创企业数据获取难、标准化程度低、噪声多等问题，大雁系统提出了依赖于大模型的产业认知框架，通过多任务统一知识抽取引擎和大规模知识校验的人机协作链路等技术手段，有效提升了服务效率和风险控制能力。例如，大模型能够自动读取大量研报、研究产业趋势，形成对小微科创企业的精准经营画像及信用评分，从而更好地服务于产业链上的“毛细血管”企业。这些技术的应用不仅让更多的小微科创企业得以被看见，更让他们能够得到更加准确的资金支持，促进了产业链的整体健康发展。大雁系统应用大模型后，取得了令人瞩目的成绩。截至2024年9月末，网商银行已通过大模型搭建了包括汽车、医疗、建筑在内的9条产业链图谱，识别超2100万产业链上下游的小微企业。此外，大雁系统已经成功为超过58万家科创型小微企业提供了信贷额度，授信金额超干亿元，覆盖全国31个省份，涉及国家重点鼓励的高新技术领域如电子信息技术、生物与新医疗技术、新材料技术等。金融行业Agent百景图|金融场景创新的Al时代>金融行业Agent:落地典型实践06不仅如此，借助大模型的力量，大雁系统大幅提升了小微科创企业的信用画像效率，使得金融服务的覆盖面和可得率得到了前所未有的提升。进入生成式人工智能时代，大模型在“数字金融”领域的应用前景无限广阔。它不仅可以进一步优化现有的金融服务流程，提高服务效率和服务质量，还能通过深度学习和数据分析挖掘出更多潜在的价值信息，助力金融机构作出更为科学合理的决策。未来，随着大模型技术的不断进步和完善，我们有理由相信，像大雁系统这样的创新产品将继续引领行业发展潮流，为实体经济注入新的活力，推动金融服务向着更加智能化、个性化、定制化的方向发展。同时，这也将促使金融机构不断创新业务模式和服务方式，以适应快速变化的市场需求和技术环境。3养老金融一某商业银行某商业银行长期以来致力于为老年人提供专业、全面的金融服务，确立了自己在养老金融领域的领先地位。作为市养老金发放的主要金融机构之一，某商业银行不仅承担着养老金客户的代发任务，还不断推出针对老年群体的专属理财产品和服务，充分体现了对老年客户需求的关注与尊重。随着大模型技术的发展，某商业银行积极探索如何将这一前沿技术应用于养老金融服务中，特别是开发了一款基于对话式用户界面(LU)的AI Native APP。这款APP代表了从图形用户界面(GUI)金融行业Aget百景图|金融场景创新的A!时代>金融行业Agent落地典型实践07向语言用户界面(LU1)的重要转变，特别适合视力下降或不熟悉智能手机操作的老年用户。通过支持语音输入，老年人可以更加自然地与APP进行交互，无需担心复杂的菜单导航。结合大模型强大的自然语言处理能力，该APP能够理解并回应用户的口语化指令，例如查询账户余额、转账汇款或是咨询最新的理财产品信息。此外，它还能根据用户的偏好和历史行为提供个性化的建议和服务提醒，如按时缴纳水电费、预约体检等实用功能。在银发经济时代，大模型技术的应用极大地增强了金融服务的便利性和用户体验。传统的手机银行APP经过多年发展，已经变得功能繁多而复杂难用，尤其是对于老年用户来说，过多的功能堆砌反而增加了使用的难度。借助大模型技术，能够帮助老年用户快速智能筛选出最相关的信息和服务，并以直观的方式呈现给用户。例如，在养老金发放日，APP可以通过语音提示告知用户资金已到账，并询问是否需要查看详细账单或者安排定期存款计划。这种智能化的服务方式不仅简化了操作流程，也使得老年人更容易接受金融服务，帮助他们跨越“数字鸿沟”，享受科技带来的便捷生活。总结而言，利用大模型技术开发的适老化AI Native APP标志着养老金融服务进入了一个新时代。通过对话式的交互体验，这款APP不仅解决了老年用户使用传统手机银行APP时遇到的问题，还通过智能化的服务提升了用户体验，真正做到了让每一位老年人都能轻松享受到高效、安全的金融服务。随着技术的持续进步，我们可以预见未来会有更多类似的创新产品出现，进一步推动养老金融领域的发展，满足老年人日益增长的美好生活的需要。金融行业Aget百景图|金融场景创新的A!时代>金融机构大模型落地路径08金融机构大模型落地路径大模型这类新兴技术在金融机构中的落地，遵循应用价值驱动的原则，采取自上而下的建设方式，从应用场景出发，到对模型能力的要求，再到对算力基础设施的规划。这意味着企业首先需要明确应用场景和业务价值，选择真正有影响力的场景落地，再结合场景需求和模型特点，选择合适的模型架构，再考虑GPU算力卡等硬件资源的采购。否则会导致资源估算不准确，甚至没想清楚大模型能带来怎样的应用价值，就动手开始做，导致时间和资源的浪费，错过了技术红利期。因此，从实际问题出发，识别出关键落地场景，才能确保投资的有效性和最终的项目成功。以客服系统为例，这一类知识密集型的场景，大模型在整个客户服务流程的不同阶段都可发挥作用。事前，大模型基于历史通话记录生成会话摘要，帮助客服人员快速了解客户的历史沟通情况，提高服务效率和服务质量。事中，通过更精准的意图识别，大模型实时分析客户的对话内容，感知客户情绪，捕捉客户需求，并提供个性化的话术推荐，增强客户体验。事后，大模型还能对通话内容进行质检，自动评估客服的表现并提出改进建议。在明确了这样一个场景后，可以再往下估算资源需求，假设某银行拥有1000个坐席，每个坐席平均每天处理50通电话，每通电话调用大模型5次，那么理论上该银行每天将产生约25万次大模型推理请求。再结合大模型的尺寸、输入输出长度、系统延迟要求、业务量波动等因素，评估出相对准确的GPU卡规格和数量要求。明确了大模型的具体应用场景及其带来的价值后，接下来便是构建支持这些应用的工具链，工具链的核心作用是提升大模型开发和管理工作的效率。例如，为了更好地服务于智能客服系统，需要搭建基于检索增强生成(RAG)技术的客服知识库，与传统FAQ结合共同生成答案。此外，如果需要对复杂业务SOP做托管处理，还需要建立Agent平台，用于编排不同Vorkflow,例如：信用卡提额SOP、协商还款SOP等。参考这种应用+模型+算力+工具链的落地模式，确保每一个组件都是围绕着实现业务和技术目标而设计的，少走弯路，最大化有限资源的投入。金融行业Agent百景图金融场景创新的A时代>金融行业Agent发展趋势金融行业Agent发展趋势回看2024年，大模型技术在金融机构中的应用主要仍集中在基于检索增强生成(RAG)架构的知识库和问答Chatbot上，包括知识助手、客服助手、合规助手等，这一类助手型应用旨在通过智能化对话的交互形式提升信息处理效率。尽管这些系统在一定程度上提高了工作效率，但其价值相对有限，尤其在面对复杂金融业务流程时显得力不从心，这甚至引起了行业内对大模型实际价值产生质疑。一方面，标准RAG的工程链路相对固定，与外部系统灵活交互的能力有限；另一方面，对话交互这种形式仍然只是“辅助”，并未实现作业的托管，其他工作还需要人工完成，导致对效率的提升有明显瓶颈。