AI落地Best Practice · 企业与业务成品 · 2026-08-24

银行业 AI Agent 的企业级架构——从“服务导向”到“智能导向”的体系化重塑

银行AI Agent规模化应用遇架构瓶颈?本文基于真实实践,从服务到智能导向重塑体系,提供架构蓝图与破局策略。 核心内容:

  1. AI Agent应用带来的架构级挑战
  2. 银行AI Agent的架构蓝图
  3. 关键组件建设策略与组织团队

导读

从单点试点走向银行业的规模化应用,AI Agent战略仅仅依靠工具堆砌已难以为继。面对复杂的存量系统与严苛的合规要求,亟需一套具备前瞻性的顶层设计与企业级架构来支撑与引导。本文是基于真实的银行实践,结合业务诉求与试点经验所沉淀出的阶段性思考与架构蓝图。也期待抛砖引玉,与同业共商 AI Agent 破局之道。全文包括:AI Agent 广泛应用带来的架构级挑战、银行 AI Agent 的架构蓝图、架构中关键组件的建设策略、组织级的建设团队。

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

大模型方兴未艾,智能体(AI Agent)已异军突起。作为商业银行的企业级架构师与一线工程实施者,我们在规划全行 AI Agent 战略时,正经历着一场“兴奋”与“焦虑”交织的心路历程。

兴奋在于,我们切实看到了智能体作为关键抓手,将大模型能力推向业务深水区的巨大潜力,部分先行试点的成效也印证了这一判断。然而,焦虑随之而来:从单点试点走向全行级推广、规模化应用,仅仅依靠工具堆砌已难以为继。面对复杂的存量系统与严苛的合规要求,我们亟需一套具备前瞻性的顶层设计与企业级架构来支撑与引导。

本文是基于真实的银行实践,在评估信创环境适配、数据治理现状、存量系统复杂度及安全合规红线的基础上,结合业务诉求与试点经验所沉淀出的阶段性思考与架构蓝图。我们期望以此文抛砖引玉,与同业共商 AI Agent 在银行业的破局之道。

一、AI Agent广泛应用带来的架构级挑战

回顾银行业过去十余年的科技架构演进,从大机下移、SOA 治理到微服务与中台化,其主旋律是走向“服务导向”,旨在解决业务解耦与敏捷交付的难题。然而,随着大模型的成熟与 AI Agent 的崛起,从客户交互到流程执行,再到底层数据支撑,科技体系正面临前所未有的范式更新。

在前期的场景探索中,无论是面向内部赋能的“办公助手”、“客服助手”,还是面向业务增效的“零售营销锦囊”、“对公尽调助手”,我们都遭遇了共性的“落地墙”:前端交互显得生硬反人性、插件生态匮乏导致能力受限、与核心系统对接的边际成本居高不下、跨域数据难以打通、以及 Prompt 工程化管理混乱等。

透过这些表象,我们意识到这已非常规的技术修补,而是深层次的架构级挑战:银行IT 架构需要从一套确定性的、被动响应的指令执行系统,进化为具备概率性推理、自主规划与主动感知的“智能导向”生态。

具体而言,我们总结了如下层面的挑战:

1、交互范式的重塑:从“人找服务”到“服务找人”。银行当前主流的应用模式是“人找服务”式的,银行的各种金融产品如手机银行、网上银行等展示出了层层叠叠的菜单、宫格和导航栏,用户的操作需要分解为界面上一系列的浏览点击,进而对应后台一系列的接口服务。而在Agent架构下,交互模式转变为“人机协作”甚至“机器自主”,用户表达意图,Agent 通过对意图的“语义理解”和任务的“推理规划”动态生成服务路径,这样对于金融产品的形态、客户旅程的设计都是新的挑战。

2、架构拓扑的演进:从微服务到Agentic Mesh。微服务架构通过将单体应用拆分为独立部署的服务单元,解决了开发效率和扩展性问题。然而,微服务之间的交互依赖于刚性的API契约,缺乏灵活性。当业务需求变化时,往往需要重新编排服务调用链。而Agent则不然,它可以身处于“Agentic Mesh”(智能体网格)之中,能够自我描述、自我注册和动态发现,Agent之间也不是严格的架构层级关系,调用的链路从单向线性变成了多向网状。这种关系将使得底层的服务治理、通信协议和数据交换格式发生大的变化。

3、研发运营的变革:从Devops到LLMOps。近些年来,银行科技在研发运营层面大力推进了DevOps和DataOps,但在Agent层面缺少新的生命周期管理机制。Agent的开发不仅涉及代码,还涉及提示词(Prompt)、模型参数、知识库和技能(Skills|Tools)的配置。如何对这些非代码资产进行版本控制、测试和发布?如何构建Agent特有的CI/CD流水线(即LLMOps),实现从Prompt工程到模型微调的自动化?如何构建合适的评估框架进行非确定性调用测试?如何优化APM工具实现对Agent思维链中所使用资源的监控?这都是新的课题。

4、数据与资产的跃迁:从数据资产到新的数智资产。银行的数据当前以“结构化数据”为主,数据模型承袭于库表思想。所构建的数据资产是企业业务模型的低维静态投影,以服务人的分析为目标,但对大模型和Agent并不友好。故而更容易为大模型所用的语义模型开始引人关注,实现方案之一的“本体模型(Ontology)”成为了新的资产建设目标。此外在Agent应用当中的非结构化数据、提示词、知识库、Skill等新的数智资产也需要进行规范和管理。

5、安全与合规的增强:新的防御要求。在传统的漏洞扫描和安全攻击之外,Agent的应用带来新的威胁,尤其是提示词注入(Prompt Injection)这种因自然语言的边界模糊不清而更难防御的攻击,以及越权访问这种难以觉察的隐患。如何构建新的Agent防护栏已经是迫在眉睫的要求。

故而,当前的银行IT架构——以结构化数据为底座、以刚性API为连接、以偏静态规则引擎为中枢——在面临Agent广泛应用时,需要提前思考并应对架构的挑战,从而构建一个既具备高度智能又符合金融级风控要求的Agent生态系统。

二、银行AI Agent的架构蓝图

2.1 总体架构视图

基于前面的分析,银行AI Agent架构蓝图,不能只考虑模型能力的引入和Agent功能的构建,必须进行体系化设计。我们总结出“4+1”的架构蓝图,即一个总体架构视图,包含四个核心横向层次(数据层、平台层、资产层、应用层)以及一个纵向贯穿的安全层,具体结构如下:

2.2 数据层(Data Layer):数据模型与本体模型的双模驱动

数据层是Agent智能的基石。在传统的数据模型的基础上,银行必须引入本体模型,完成从“Human-Ready”到“AI-Ready”的跃迁。

在实际的权衡上,我们虽然深知全行级的本体模型是目标态,但是实施的成本和推行难度极大。一方面湖仓数据和集群规模体量巨大,部分能力还需要持续建设和运营;另一方面业务部门基于宽表的数据分析中沉淀了大量的经验,尚未形成成熟的本体分析方法论。因此我们的策略是双模驱动,将数据模型的优化和本体模型的局部建设并行推进。

在数据模型层面,主要是保鲜和提质。持续利用 CDC 及流批一体技术,将银行核心资产(账户、交易、余额)实时孪生至数据湖仓中,为Agent 提供精准、鲜活的“事实”来源;同时通过持续的数据治理,捍卫数据的一致性、完整性与时效性。

在本体模型层面,主要是补齐与建模。一是补齐非结构化数据的存储和处理能力,二是引入金融企业业务本体(FEBO - Financial Enterprise Business Ontology),构建一套机器可读的业务语义模型。考虑到实施周期和成本,我们优先针对针对客户画像、交易分析等业务领域进行“微本体”建设,其核心步骤包括:

1、语义构建

从业务实体出发,结合已有的数据模型,设计FEBO本体模型。既可以将本体模型中的实体、属性、关系等与物理表进行映射,也可以重新设计模型与物理数据进行编织。这样,当Agent接收到“查询高风险客户”的指令时,它能通过本体模型理解“高风险”和“客户”的定义,并自动生成正确的SQL查询。

2、知识推理

将散落的业务规则、策略以及本体间的约束进行语义化封装,作为本体模型的一部分、或者是独立的业务逻辑层,赋予Agent“业务逻辑自洽”的能力。例如,本体定义了“某个金融产品只能推荐给风险承受等级高的客户”,当Agent进行个性化推荐时,即使没有显式规则,它也能基于本体约束自动推理并校验客户的风险等级,确保业务合规。

2.3 平台层(Platform Layer):Agent开发运营一体化

平台层主要解决Agent…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/AIjinrong/2026082495712.html