基于多智能体的ChatBI在商业银行的应用研究
2025年全国两会《政府工作报告》中明确提出“持续推进‘人工智能+’行动”及“支持大模型广泛应用”。基于多智能体的ChatBI系统凭借分布式协作特性、专业化角色分工与自适应交互机制,可将复杂的商业银行相关任务拆解为多智能体的协同目标,各专项智能体依托自身专业能力,在遵循金融合规要求的前提下实现高效协作,既发挥单一智能体的专业化优势,又通过多智能体的分工、协作提升系统对复杂场景的适配能力。据此,商业银行以多智能体ChatBI应用推动金融服务向更精准、更高效、更普惠的方向持续发展。
一、大模型ChatBI技术发展历程
大模型、智能体与商业智能(BI)的融合演进,推动着数据智能迈向规模化发展。这一技术融合通过三个阶段的递进式发展,不仅体现了数据智能技术的持续完善,更标志着BI系统在功能边界、处理复杂度与应用灵活性方面的跨越式提升。
1.接入大模型能力的ChatBI系统(2022—2023年)
这一阶段的ChatBI系统基于大语言模型(LLM)能力,通过自然语言问答实现数据查询和分析,交互方式开始变得灵活易用,但大模型直接生成结构化查询语言(SQL)的方式仍然存在较多问题,例如,业务术语与数据库Schema的映射偏差导致生成SQL准确率低,大模型直接生成SQL未经优化易引发性能瓶颈等,因此此类技术的准确率和执行效率都有待提升。
2.以单智能体为核心的ChatBI系统(2023—2024年)
在这一阶段,智能体的构建引入记忆、工具调用、规划等模块,使BI系统获得一定的自主性,可以处理多轮会话以及使用简单工具,但单一智能体在处理复杂任务时,其专业能力存在固有的边界约束,难以兼顾多领域知识深度与跨场景适配广度,易出现准确度下降或响应效率不足等情况,在执行任务时由于缺少并发处理机制,存在执行效率低的问题。
3.以多智能体为核心的ChatBI系统(2024年至今)
多智能体ChatBI系统通过分布式协同机制实现商业智能任务的高效拆解与执行,主Agent作为全局协调中枢,可解析用户意图、识别问题类型,对任务进行拆解与分发,对任务优先级、子Agent专业能力、可用资源进行全局感知,并优化多Agents的协同效率,同时通过结果评估与动态反思机制实现系统闭环优化。这种协同范式有效突破了单一智能体在专业能力边界、复杂场景适配性上的固有局限,通过核心中枢的全局调控与子Agent的专业分工,显著提升了系统对复杂商业智能任务的处理能力与鲁棒性。
二、多智能体ChatBI技术框架
在商业智能任务场景中,多智能体协同机制的构建能够保证任务的高效执行及结果的稳定输出。以主Agent为全局协调核心,通过任务调度将各专项子Agent有机整合,形成“总分联动”的智能决策与执行体系,通过层级化的任务拆解、专业化的任务分工以及闭环管控,突破了单智能体在复杂场景处理上的局限。
本文提出多智能体ChatBI系统“5C”框架(如图1所示),涵盖主Agent——中控智能体(Central AI Agent),以及子Agent——商业智能智能体(Chat BI Agent)、因果分析智能体(Causality Analysis Agent)、结论智能体(Conclusion Agent)以及代码生成智能体(Code Generation Agent)。
1. 各智能体功能定位
(1)中控智能体
中控智能体的首要功能是规划,负责理解用户的意图并进行任务拆解、总体调度和信息流控制,支持多路并行推理,是系统的核心控制器;另一功能是评估,负责对前序分析结果进行评估,具备反思与自我评估能力,实现链路的动态调整和优化。
(2)商业智能智能体
商业智能智能体负责商业智能任务,配备丰富的商业智能工具箱,专注于数据的深度解析与运算,凭借专业化的数据处理逻辑与算法适配能力,成为支撑商业智能全流程的“数据智能专家”角色。
(3)因果分析智能体
因果分析智能体负责数据指标下钻与指标根因分析,支持对指标变化和业务码值的精细解释,通过构建多层级指标关联网络与业务语义映射模型,实现从指标变化到根因要素的穿透式推理。
(4)结论智能体
结论智能体作为商业智能分析结论的输出环节,负责对其他智能体的分析处理过程与结果进行系统性归纳总结,形成兼具逻辑性与完整性的总结性应答;为全系统的语言交互任务提供基础性支撑,确保人机交互以及智能体间协作的流畅性与一致性,同时提升复杂分析成果的传递效率与可理解性。
(5)代码生成智能体
代码生成智能体具备代码生成与执行的专业化能力,在应对可定制化的商业智能任务时,通过程序化脚本的自动化运行实现高效处理。在常规分析场景中,商业智能智能体可依托预设逻辑完成标准化指标计算与可视化输出,而当面临复杂数据转换、自定义算法实现等场景时,代码生成智能体则可对商业智能智能体的输出结果进行二次加工。
多智能体ChatBI系统工作流程如图2所示。
2. 多智能体ChatBI系统技术特点
(1)高效协同调度
中控智能体作为全局协同中枢,负责统筹各功能智能体的任务调度与协作流向管控。通过构建“主Agent—子Agent”的层级化交互模式,确保各子Agent在统一的任务目标与时序逻辑下实现高效协同,保障系统在复杂商业智能分析场景中的稳健运行与流程可控。
(2)自适应推理流程
中控智能体作为中枢决策单元,具备对任务类型与输出结果的智能研判能力,针对简单查询类任务,通过轻量化推理链路实现即时响应;面对复杂分析类任务,则启动多步骤深度推理的“慢思考”机制,确保结论的全面性与精准度;同时,内置“评估功能”模块,基于输出结果进行自动化核验,若识别到潜在偏差,则触发任务重新执行流程。多智能体ChatBI系统运行流程如图3所示。
三、多智能体ChatBI系统核心能力
多智能体ChatBI系统主要具备“4R”核心能力:一是推理与规划(Reasoning&Planning)能力,支撑对复杂任务的拆解与逻辑推理;二是协调与合作(Reconciling&Collaboration)能力,以专业化分工与交互实现群体智慧的高效应用;三是记忆与回忆(Remembering&Memory)能力,负责对任务上下文与历史交互信息的存储与动态调用;四是反思与自我评估(Reflection&Self-assessment)能力,保障任务执行的实时纠错以及结果的稳定可靠。
1. 推理与规划
在单智能体系统中,所有任务均由单一智能体自主执行,这种设计虽然具备基础泛化能力,但在应用深度上存在明显局限,其知识的覆盖范围受限于初始训练数据集,难以应对金融领域出现的复杂商业智能场景,当系统需要适应新的业务场景需求时,通常需要进行全量模型迭代更新,存在时效性缺陷。
相较而言,多智能体系统通过模块化设计实现了能力的专业化分工,每个子Agent经定向训练后成为特定领域的专家节点,由主Agent根据任务特征进行推理与规划,动态调用最优执行单元。…