01产品定位与核心愿景
Cloud Native
▍1.1 FinXScope 是什么
FinXScope 是阿里云新金融技术服务团队基于 AgentScope Java 构建的金融级 AI 原生智能体底座。作为整个 Agent Harness 体系的核心组成部分,FinXScope 充分复用 AgentScope Java 在智能体编排、工具集成、多模型接入及可扩展运行时等方面的成熟能力,并在此基础上针对金融行业的合规性、安全性与高可用要求进行了深度定制与增强。完整的 Agent Harness 体系由 FinXScope 运行底座、AI 服务资产平台、全链路评测平台和运营管理平台共同构成,FinXScope 在其中承担着最核心的智能体运行与管理职责。
理解 FinXScope 的核心定位,需要把握四个关键层面:
一句话概括:FinXScope 是金融级 AI 原生智能体底座的核心引擎。专家服务团队与金融机构深度共创,围绕企业实际场景共同打造符合金融级要求的 AI 原生应用搭建、运行与运营体系。基于它构建的智能体应用,让用户只需一句话描述目标,系统即可自主规划路径、动态调度上百个技能完成任务,真正实现“对话即服务”的全新交互范式。
▍1.2 客户进展与市场验证
自推出以来,FinXScope 获得多家金融机构的高度关注和实质性合作进展。覆盖国有大行、股份制银行、保险公司及证券机构等多类金融业态。
实际落地场景涵盖财富管理、客户经理赋能、智能核保、合规审查、投研分析等核心金融业务。在已投产的项目中,AI 原生 App 已触达千万级用户群体,验证了 FinXScope 在真实生产环境下的稳定性和业务价值。
这些实践验证了一个核心判断:金融机构需要的不是又一个聊天机器人框架,而是一个能够真正支撑企业级智能体从概念验证到规模化投产的运行底座。
02行业背景与挑战
Cloud Native
▍2.1 从“功能导航”到“对话即服务”的范式跃迁
金融 AI 正在经历一次根本性的范式变化。2024 年以来,以 Manus、Claude Code、Hermes Agent 等为代表的自主智能体产品引爆了全球市场的关注,OpenClaw 在 3 个月内获得超过 23 万 GitHub Stars 成为现象级项目。这些标志性事件证明:大模型已经从“聊天助手”进化为能够自主规划和执行复杂任务的“工作搭档”。
对金融行业而言,这个变化的影响是深远的。传统的智能服务研发路径是在已有系统上“叠加”AI 能力:AI 的定位更像是帮助传统工作流的辅助工具,它没有打破原有的服务路径。用户依然需要在层级菜单、按钮和表单间手动跳转,只不过多了一个“AI 问答”入口。这种方式导致了一个尴尬的局面:客户用了所谓的“智能服务”,但使用方式和体验与传统模式并无本质区别。
但随着大模型能力跨越临界点,AI 已经具备参与甚至主导业务流程的能力。这意味着金融机构对 AI 的期待发生了根本性转变:不再是简单地自动化固定工作流,而是希望 AI 能够自主理解用户意图、动态调度企业级金融服务资产、解决客户的复杂问题。
这个跃迁的本质是:从“以企业功能为中心”转向“以用户问题为中心”——用户不再需要知道系统有哪些功能、该走哪个流程,而是直接描述自己的目标,AI 自主完成从理解到执行的全过程。这就是“对话即服务”的新范式。
▍2.2 金融机构构建智能体面临的结构性挑战
据安永《AI 银行白皮书》分析,AI 技术在银行业的规模化落地已具备战略紧迫性。普华永道 2026 年金融 AI 调研也指出,银行与保险机构在 AI 治理方面最关注的是可追溯性与可解释性。然而,金融机构在从 POC 验证走向规模化投产的过程中,面临着一系列深层次的结构性挑战,而这些挑战恰恰是 FinXScope 所针对性解决的:
上述挑战的本质是一个系统性问题:金融机构需要的不是某个单点能力的增强,而是一套完整的智能体运行底座。
一个容易被忽视的事实是:智能体的最终业务效果,并不完全取决于大模型本身的能力,同样取决于承载它运行的底座(Agent Harness)的质量。 意图是否被精准理解、工具是否被正确调度、上下文是否被有效管理、执行过程是否可靠可控——这些“模型之外”的工程能力,才是决定智能体能否在真实场景中稳定交付价值的关键。同一个大模型,运行在不同质量的底座之上,呈现的业务效果可能天差地别。这正是金融机构需要一套专业级 Agent Harness 的根本原因。
03AI 原生六层架构
Cloud Native
▍3.1 6 层架构设计
FinXScope 是整个 Agent Harness 体系的核心引擎,也是首个面向金融行业的企业级智能体运行底座。 它提供的是系统性的完整能力组合,而非散点式的技术组件:基于已在阿里巴巴大规模验证的 AgentScope 框架,叠加完全自研的十大核心能力和金融级增强,形成了一个既有坚实技术根基、又能快速适配金融场景的智能体运行平台。围绕 FinXScope,Agent Harness 体系进一步延伸出 AI 服务资产平台(FinXSkillHub)、全链路评测平台(FinXVantage)和运营管理平台,共同覆盖智能体从开发、运行到持续优化的完整生命周期。而 FinXScope 的六层架构,不仅是这套体系的技术实现骨架,更是面向 AI 原生时代对企业应用架构的全新定义与规范。
为什么需要重新定义企业架构? 传统企业架构(SOA、微服务)是围绕“人操作系统”的范式设计的:人通过界面发起操作,系统按照预设流程执行,返回确定结果。但在 AI 原生范式下,“AI 自主规划和执行任务”成为核心驱动力。这要求所有的服务能力、数据资产、功能组件都必须面向“如何更好地被 AI 理解和调用”而重新组织。这是一次底层设计范式的转变,而非在原有架构上的修补。
▍3.2 架构设计详解
▍3.3 AI 原生架构的战略意义
六层架构的意义远超技术实现层面,它回答了金融机构在智能化转型中面临的一个根本性问题:当 AI 从“辅助工具”升级为“核心驱动力”时,企业的技术架构应该如何重新组织?
04核心能力深度解析
Cloud Native
以下十大核心能力是 FinXScope 的技术护城河,它们既包含完全自研的原创能力,也包含在 AgentScope 基础上进行深度增强。这些能力源自实际金融客户场景的刚性需求,经过了多个生产环境的打磨验证。
▍4.1 意图引擎:金融语义的精准理解
-
场景痛点:在金融对话场景中,用户的表达往往是口语化、模糊的、带有强上下文依赖的。“茅台最近咋样”需要被理解为“贵州茅台(600519)近期股价走势”;“昨天说的那个产品帮我买 5 万”需要结合历史对话还原完整指令。传统的关键词匹配或浅层分类模型,在这种复杂金融对话中表现出明显的不适应性。
-
解决方案:FinXScope 的意图引擎实现了完整的四阶段处理管道,每个阶段可独立开关、灵活配置,形成“模块化、可配置的金融意图引擎”:
- 第一阶段:NER 实体识别——基于金融领域词典与规则引擎,自动识别股票代码、企业名称、金额、时间、百分比等金融实体。采用异步处理和小模型推理保证高性能(毫秒级响应),同时通过可配置的词典机制支持企业自定义实体类型扩展。
- 第二阶段:问题改写——将口语化输入转化为结构化查询请求。改写管道串联四个处理器:上下文增强(从历史消息和用户画像中提取上下文实现指代消解)、术语标准化(“年涨”→“年度涨幅”)、语义纠错(修正歧义和错误)、LLM 重写(在必要时调用大模型生成更清晰的结构化表达)。改写规则支持管理端在线配置。
- 第三阶段:意图分类——基于动态意图树实现多级意图判定。支持 LLM 智能分类(高精度)与规则回退(高性能)两种模式自动切换。意图树支持管理端在线配置和版本管理,支持运行时动态覆盖。
- 第四阶段:Skill 映射——按识别出的意图精确路由到对应技能。支持多技能组合和优先级配置,映射关系支持管理端在线配置。
在意图树路由之外,意图引擎还支持基于 Skill 文档的 LLM 自主规划模式。当用户问题无法被意图树精确匹配时,系统自动切换到 LLM 自主规划:大模型基于 SkillPool 中所有可用技能的文档描述(SKILL.md),自主判断需要调用哪些技能、以何种顺序执行。两种模式在同一智能体中共存,由引擎根据问题特征自动路由。
- 2.0 新增能力:支持调用方通过请求参数覆盖预设意图树,实现多租户场景下的差异化意图策略;支持意图切换追踪;意图树管理接口支持完整 CRUD 和版本回滚。
▍4.2 三层记忆系统:从提示词工程到上下文工程的进化
-
场景痛点:传统 AI 系统要么没有记忆(每次对话从零开始),要么只有原始消息堆砌(无法提取高价值信息),且记忆实现深度耦合于业务逻辑,缺乏统一的读写接口和生命周期管理。
-
解决方案:提示词工程关注的是“如何写好一个提示词”,而上下文工程关注的是“如何系统性地管理 LLM 接收到的所有上下文信息”:上下文的质量和组织方式,直接决定了智能体的决策质量。 三层记忆不是三个独立的“存储箱”,而是一套完整的“存储→压缩→召回→注入”运行循环:
-
短期记忆(STM):对话级上下文的窗口管理与智能压缩。 STM 采用滑动窗口机制管理当前会话的对话轮次。当对话持续进行、上下文逐步膨胀超过 Token 阈值时,STM 触发智能压缩:优先使用 LLM 摘要(让大模型提取对话中的关键信息和决策要点,压缩为简洁的摘要),规则摘要作为回退策略(按时间衰减丢弃较早的低重要性消息)。压缩后的摘要替代原始消息继续参与对话,确保每次注入模型的上下文既保留了关键语义,又不会因过长而影响推理质量。多维度容量控制(轮次限制、Token 限制、时间限制)协同工作。
-
2.0 升级:STM 支持 Redis 持久化,实现跨实例会话恢复。
-
长期记忆(LTM):跨会话知识的结构化存储与语义召回。LTM 基于 PostgreSQL + pgvector 实现持久化向量存储。在每次对话结束后,系统自动评估本次交互中哪些信息具有长期价值(通过 LLM 驱动的重要性评分,过滤冗余和低价值内容),将有价值的信息向量化后存入 LTM。在新对话开始时,系统将当前用户输入向量化,通过语义相似度检索,召回与当前对话最相关的历史片段(如“用户上周咨询过的基金产品”“用户表达过的投资偏好”)。同时支持关键词检索(带时间衰减评分)作为补充通道,向量检索失败时自动降级。召回的记忆片段被注入到当前对话的上下文中,让智能体“记住”跨会话的关键信息。
-
2.0 升级:LTM 完整迁移到 PostgreSQL,支持集群化部署。
-
用户画像(UserProfile):构建在 LTM 之上的结构化金融属性层。 UserProfile 不是第三类独立“记忆”,而是从长期交互中自动提取和更新的结构化用户认知。它将 LTM 中散落的交互信息提炼为标准化的金融属性:静态属性(年龄、职业、资产规模)、动态属性(风险等级变化、投资偏好演进)、行为偏好(交互风格、决策习惯)和标签体系(高净值、稳健型、关注科技板块等)。每次交互自动更新,整体画像注入系统提示词指导对话策略。UserProfile 的运行时注入让不同用户获得完全不同的服务策略——同样问“推荐基金”,保守型和激进型用户获得的产品组合和话术完全不同。
异步零感知:三层记忆的读写操作完全异步化,不影响主流程的响应速度。用户感知到的是即时响应,系统在后台默默完成记忆的评估、压缩、存储和画像更新。
▍4.3 双模智能执行架构:灵活性与可控性的统一
-
场景痛点:金融业务场景的复杂度跨度极大:从简单的余额查询到复杂的投资组合分析。单一执行模式无法覆盖所有场景:纯自主规划模式在简单场景中效率低且不可预测,纯工作流模式在开放性问题中过于僵化。
-
解决方案:首先支持两种执行模式,然后通过共享执行底座实现两者的融合。
- OneAgent 模式:自主智能执行。基于 ReAct(Reasoning-Acting)循环,让单个智能体自主规划并闭环执行任务。AI 在每一步都进行“思考→行动→观察”的循环,充分释放大模型的创造力和推理能力,适合开放性、探索性任务。
- Multi-Agent 模式:协作编排执行。2.0 全新构建的统一工作流执行引擎,支持八种编排策略:并行执行(Parallel)、顺序执行(Sequential)、循环执行(Loop)、消息中心(MsgHub)、辩论模式(Debate)、图编排(Graph,基于 DAG)、动态路由(Routing)、监督者模式(Supervisor)。每种策略都实现标准化接口,支持流式输出。
核心创新:共享执行底座使两种模式深度融合。 实现两种执行模式本身并不是最难的部分。真正的技术亮点在于:OneAgent 和 Multi-Agent 共享同一套统一执行引擎(AgentProcessEngine)作为底座。这意味着两种模式在权限校验、审计留痕、执行管理等横切关注点上保持一致,不会因为切换执行模式而丧失金融级保障能力。
正是因为共享执行底座,FinXScope 才能实现更进一步的创新——工作流挂载到 OneAgent。通过 MountableResource 机制,将 Multi-Agent 工作流封装为 Tool,供 OneAgent 在自主推理过程中按需调用。AI 自主决策何时需要启动一段确定性工作流(如合规审查子流程),工作流执行完毕后结果返回给 OneAgent 继续推理。这种“自主智能 + 确定流程”的融合之所以能够实现,正是因为两种模式运行在同一套执行引擎之上——上下文可以无缝传递、事件可以跨模式透传、审计可以统一记录。支持工作流挂起/恢复和子流程事件透传(避免主 Agent 复述导致的信息衰减和时延增加)。
▍4.4 统一执行引擎:智能体的“操作系统内核”
- 场景痛点:每个智能体各自实现执行逻辑,导致代码重复、行为不一致、审计不完整,在金融级场景中这是不可接受的合规风险。不同 Agent 的上下文装配方式参差不齐,记忆读写时机不统一,异常处理链路各行其是,使得全链路日志无法穿透、工具调用缺乏统一拦截,既无法满足“每一步决策可回溯”的审计要求,也极大增加了多编排模式下的维护与演进成本。
-
解决方案: AgentProcessEngine 作为统一执行入口,整个引擎包含前置通用层、策略路由层、后置通用层,形成“统一入口 → 统一调度 → 统一收官”的闭环架构:
-
前置通用层:
-
权限校验:用户-Agent-Skill 三级权限验证。
- 输入预处理:文件 ID、运行标识统一补齐,保证后续任何一层都能拿到完整可追踪的输入。
- 上下文加载:从历史消息装配短期记忆(STM),从 MemoryManager 召回相关长期记忆(LTM),从用户画像读出风险偏好等静态属性,统一注入执行上下文。
-
审计启动:打开全链路结构化日志、记录意图决策链与耗时度量,为后续拦截点提供统一的上下文锚。
-
策略路由层:
-
灵活策略选择:根据 pa…