AI Agent 金融场景开发模式——打造你的“数字员工”
大模型已将开发范式从“确定性逻辑的堆砌”推向了“概率性能力的引导”。在金融语境下,构建Agent是“培养新入职的数字员工”,这代表着新的研发生产关系……本文把Agent落地讲成可执行的方法论,非常贴合银行合规现实且有工程抓手,不仅是一份开发模式指引,更是从“信息化银行”迈向“智能化银行”的工程路线参考。
作者:周友道
某银行数据管理部高级经理,数据架构师,负责银行大数据平台、数据中台、AI智能体等的规划与建设,以及推进数据与大模型技术在银行数字化转型中的应用,相关工作多次获得人民银行科技发展奖等荣誉。
前言
在一线落地中,我们常痛感于 AI Agent 的“Demo 陷阱”:演示中那些惊艳的智能体,一旦接入银行真实的复杂业务流,面对高熵的客户口语与严苛的合规红线,往往瞬间“智商掉线”。
其症结在于,我们仍囿于传统的“软件工程”思维来构建AI Agent。大模型的涌现,已将开发范式从“确定性逻辑的堆砌”推向了“概率性能力的引导”。在金融语境下,构建 Agent 不再是“制造严丝合缝的工具”,而是“培养新入职的数字员工”。这代表着新的研发生产关系:
业务专家从单纯的需求方转型为“带教师傅”,负责投喂业务教材(SOP)并划定风控边界;
技术人员从代码实现者转型为“教务后勤”,负责供给运行环境、记忆底座与技能装备(Skills);
Agent 则是那个聪明但易生幻觉、需持续纠偏的“数字徒弟”。
这种范式跃迁,正催生出一个复合型新工种——“Agent 产品工程师”。产品与研发的泾渭分明正在消融,取而代之的是对业务逻辑与模型边界的全局掌控。这样的新角色,配合新的金融场景开发模式,可以将一个只会聊天的模型,一步步培养成为懂业务、能执行、不逾矩的“数字员工”。
一、选“苗子”——场景甄别与立项分析
在银行内部推广 Agent,最忌“拿着锤子找钉子”,因为并不是所有业务都适合让Agent来干。场景立项必须收敛于“业务回报”与“技术可行性”,为“数字员工”建立合适的选拔标准。
1. 业务回报视角上,除常规 ROI外,应优先切入高频、枯燥且消耗人类情绪价值的“耗材型”工作。立项还需关注两点:一是“SOP 完备度”,Agent 需带“教材”上岗,若业务经验仍停留在口口相传,必须“先数字化沉淀,再智能化演进”;二是“容错空间”,鉴于大模型的概率特性,场景必须支持“徒弟出初稿,师傅来把关”的人机协同兜底机制。
2. 技术可行视角上,需关注数据就绪度和任务确定性。数据就绪度包括以湖仓库表和数据API为代表的底座完善度;任务确定性则可根据大模型能力边界和任务属性进行“红绿灯”分级管控:
绿区(投入):特征为“非标输入,标准输出”。如意图分流、合同要素抽取、辅助编码。原生能力契合度高,见效快。
黄区(试点):涉及多步推理与复杂流程,如信贷审批链、理财规划等。不可纯 Prompt 驱动,必须配合工作流引擎进行状态机的“硬控制”。
红区(等待):纯数学精算与毫秒级决策。如账务核算、高频交易。此类时延敏感且零容忍幻觉的场景,暂时可以不做。
3. 实际落地中,可采用 DO-IT模型进行漏斗自查,来甄别出合适的Agent苗子。
而对于大而全的业务需求,比如“理财助手”,Agent 产品工程师的第一步得是“做减法”:利用 DO-IT 模型,将其拆解为若干个子场景,比如“理财问答”、“持仓查询”、“产品推荐”,先落地绿区场景的Agent,再图串联。
二、带“徒弟”—— Agent 标准研发流程实战
Agent 的研发正从“代码编写”向“知识萃取”跃迁。其实质是将业务专家的隐性经验与公司的制度规章,重构为大模型可执行的认知逻辑。其流程可拆解为六大核心步骤:
(一)、需求定义 —— 从“功能清单”转向“意图图谱”
传统开发依赖原型和页面流转图(PRD)。但在 LUI交互下,用户面对的是空白对话框,不再是“按钮点击-路径穷举”的做法。
1. 核心痛点:自然语言的非标与模糊
用户输入往往是不标准的。例如抱怨“上个月房贷怎么扣这么多?”,若用传统关键字匹配,可能导航到“房贷规则说明”的 FAQ。但从业务逻辑,其真实意图包含三个明确动作:查询指定月份明细、提取本息数据、触发账务核查。
2. 工程解法:构建“意图图谱”
Agent 产品的首要任务,是将非标的自然语言,转化为底层 API 能接收的结构化参数。我们用“意图图谱”替代传统流程图,具体分为三步:
主意图映射:利用大模型或传统小模型,将输入归类到预定义的原子意图。例如前例映射为Query_Loan_Anomaly。 参数提取:定义执行该意图必需的入参并通过合适方法提取。比如,“合同号”从用户 Session 直接获取;“查询账期”则依靠大模型将“上个月”格式化为某年某月。 异常澄清:必填参数缺失时,不能直接中断,而是挂起任务并追问。比如用户说“查一下卡”,但账户下挂有3张卡,Agent 需动态反问:“您名下有如下3 张卡,请问查哪张?”这是系统鲁棒性的关键体现。
在这种思路下,Agent需求定义与传统设计对比如下:
(二)、产品设计 —— 基于 AI 原生思维重塑交互体验
解决了机器“听懂”的问题后,必须解决“沟通体感”的问题。与微服务等机械精准性的输出相比,智能体的交互需要以AI原生的思路进行构建。
1. 核心痛点:机器的傲慢与等待焦虑
当前许多上线的Agent未经调教,输出往往生硬机械;而且其在执行ReAct等流程时,最终结果形成往往远超常规的“3秒”前端容忍红线。
2. 工程解法:人设注入与流式协议
结构化人设注入
为Agent设定详细的系统角色提示词,遵循严谨的框架(如 CREATE 框架:Character, Request, Examples, Adjustments, Type)限定其行为与逻辑边界,提供合规而有温度的反馈,而不是只写“你是一个XX助手”。比如:“身份:10 年经验金牌私行经理。红线:严禁承诺保本保息;未完成 KYC 前严禁推荐 R3 以上产品。处理逻辑:遇客户因净值回撤焦虑,必须先输出安抚话术,再拉取客观宏观数据。格式:Markdown 输出,禁用大段长文。”
流式协议与“思考态”透传
为解决模型推理慢的物理瓶颈,服务层必须使用流式协议实现字符输出,尽快将首token呈现在用户面前。
如果确实前序推理时间较长,还可以将后台的“黑盒”计算“白盒化”。将思考过程或者调用链路脱敏后显示呈现,比如刷新提示“正在调阅您的资产分布...” -> “正在对比全市场同类基金...” -> “生成专属建议中...”。从而用“暴露工作量”的 AI 原生交互抹平用户干等的焦虑。