7月18日下午，在金融街i客厅，由北京金融街服务局和北京立言金融与发展研究院联合主办，国家金融与发展实验室金融科技研究中心、金融科技50人论坛学术支持的金融街论坛系列闭门会之“AI 智能体赋能数字金融高质量发展”在京举办。

研讨主题紧扣政府工作报告中提出的“支持大模型广泛应用”要求，以及央行在科技工作会议中强调的“安全稳妥有序推进人工智能大模型等在金融领域应用”的政策部署。大模型，尤其是智能体的进一步发展，正深刻改变金融业的运营方式和业务流程，为金融行业智能化转型和业务升级提供了关键技术支撑。来自政产学研的专家学者，围绕 AI 智能体在金融领域的应用与展望，从监管、技术和产业实践三个维度，展开热烈的交流。

会议第一部分是开场致辞环节，由中国金融传媒集团特聘高级专家、中银协原首席信息官高峰，国家金融与发展实验室副主任杨涛作致辞发言。本次会议由北京立言金融与发展研究院副院长金巍主持。

主持人金巍 北京立言金融与发展研究院副院长

高 峰 中国金融传媒集团特聘高级专家、中国银行业协会原首席信息官

中国金融传媒集团特聘高级专家、中国银行业协会原首席信息官高峰表示，2025年是“智能体落地元年”，预计将有超百个覆盖风控、营销等全链条的金融智能体方案呈现。当前，中国智能体正在从客服、办公等边缘场景向风控、投研、财富管理等核心业务渗透。一方面，技术驱动使得智能体从单点应用向多智能体协同转变。另一方面，场景Agent以手机银行为突破口和标杆，未来将加速带领金融核心业务的智能化，从国内外金融智能体的变化对比来看，美国受制于监管和基础技术依赖，在应用层进展缓慢。中国凭借场景创新与开源生态，在金融智能体应用中快速缩小与美国的差距，甚至在信贷风控、普惠金融等 领域实现反超。

具体而言，智能体在金融行业的应用的发展存在几个新的趋势。一是“AI数字员工”重构人力成本结构。智能体正在替代传统岗位，如AI信贷审批官、合规质检员等，起到代替人工、节省成本的作用。二是多智能体架构（MAS）成为主流。金融机构通过多智能体协作处理信贷风控、投研分析等场景的复杂业务流程。三是风控与信贷从辅助到决策的转变。银行数智尽调平台融合大模型与知识图谱，实现企业的风险穿透分析。不过，金融行业仍需关注大模型的幻觉问题，在第三流程优化、情感分析等决策方面仍需要必要的人工复核干预。四是财富管理业务的个性化服务升级。例如，蚂蚁集团AI理财助理“蚂小财”支持基金诊断和风险提示，用户覆盖三四线城市。相较而言，美国Betterment等智能投顾平台依赖传统规则引擎，大模型仅用于报告生成，交互深度不足。五是C端智能体爆发，方言交互、老年友好界面推动金融服务下沉。六是中国技术输出跨境与普惠金融提速。七是未来的竞争焦点将转向多智能体协同效率。当前，提升多智能体的协同效率是AI领域的关键挑战，需从架构设计（去中心化与分层协作）、通信协议（解决跨平台智能体互操作问）、协同算法（多智能体强化学习）、资源优化（算力调度与模型轻量化）及工程实践（开发框架与故障容错）等多维度综合突破。八是全球化合规适配成为当前智能体出海的关键瓶颈。AI智能体在跨国部署时，需动态调整技术方案与业务流程，以满足不同国家/地区的法律、监管及文化要求，关键在于解决技术标准化与地域差异化之间的矛盾。

杨 涛 国家金融与发展实验室副主任

国家金融与发展实验室副主任杨涛围绕智能体在金融领域的应用和挑战展开分享。随着人工智能、大模型在行业的快速应用和迭代，需要更多关注如何处理其未来的风险与挑战，做好价值与场景的平衡。大模型在金融行业的应用要把握好风险底线，避免在长期内低估、短期内高估人工智能应用的挑战。

第一，要推动完善AI大模型金融应用的制度和标准。当前，大模型在国家层面的制度规则在不断完善，但从整体来看，大模型在金融领域的应用仍存在一些制度规则的缺位。2024年5月21日，欧盟理事会正式批准《人工智能法案》，对不同风险层级的人工智能分层管理。其中，银行和保险的AI应用被归为高风险层级，需满足一系列严格的透明度与合规要求。尽管该监管政策存在一些争议，但其分层分类的监管理念在某种程度上可以借鉴。例如，通过分级分类策略帮助解决大模型的可解释性问题。在某些需要较高可解释性的产品和业务上，尽可能将黑箱背后的逻辑讲清楚。而面对那些不需要太高可解释性的产品和业务，则不一定需要解释原理，这就需要完善的制度和分级分类管理加以支撑。

第二，要做好创新风险与责任的明确与分担。伴随着数字化新技术的演进，大模型等新技术的持续应用为金融全产业链带来重构，原有金融机构的边界、金融业务的合作方式受到了颠覆式冲击，这带来了一些不确定性的风险积累。对此，要把握好创新与安全的跷跷板。关键在于明确潜在风险，实现各方参与者责任的有效分担。例如，可借鉴美国跨部门监管机构联邦金融机构检查委员会（FFIEC）的实践，通过标准和规则建设，推动金融与科技融合过程中的参与主体各司其职、风险自担。

第三，要理性看待大模型在金融领域应用的功能与价值。从技术角度来看，大模型的金融应用逐渐体现出较高的灵活性和实用性，结构小而精，向轻量化方向发展。在现实中，不同金融机构的资源禀赋不同，在专业性、成本控制、价值追求方面存在差异。对于众多小金融机构而言，数字化时代的马太效应将会越来越突出。因此，金融行业在拥抱大模型的过程中，例如在Agent方面的布局，要避免一哄而上。要探索真正必要的数字化手段，短期内降低预期，长期持续稳定健康发展。

第四，要提升监管科技和智能监管的能力。面对大模型对金融业务、金融产品、金融活动带来的深刻影响，需要提升智慧监管能力、改善监管流程的数字化水平。当监管部门拥有更多技术手段，就能有效实施穿透式监管，减少对技术的担忧。

第五，把握好金融科技伦理和金融科技的底线。2022年，中国人民银行发布了《金融领域科技伦理指引》，对金融科技创新活动的伦理底线加以约束。然而大模型的使用为原有的一般性伦理挑战带来了更多突出性问题。因此，需要探索推动伦理标准的建设，让未来的应用更加符合技术责任，解决信息真实性和金融安全等一系列伦理问题。同时，进一步地和当前中国特色金融文化的建设结合起来。

会议第二部分是主旨发言环节，邀请到中国工商银行总行金融科技部副总经理刘璐，中国邮政储蓄银行软件研发中心副总经理陈倩倩，中国民生银行信息科技部副总经理李晓东，北银金科副总经理杨子良，浙江大学人工智能研究所副所长郑小林展开分享。

刘  璐 中国工商银行总行金融科技部副总经理

中国工商银行总行金融科技部副总经理刘璐就工商银行在AI智能体方面的探索与实践展开分享。

第一，智能体的整体发展与定位。首先，智能体是从相对低级的智能向高级智能进化的重要阶段。通用人工智能被视为人工智能的终极目标，然而，向通用人工智能的演进是一个长期、复杂的过程，需要发展智能体这一重要阶段。模型和智能体的关系类似于大脑和四肢，智能体为大脑思考决策的结果赋予具体的执行和行动能力。根据Gartner的报告，到2028年有33%左右的企业将整合自主型AI智能体，15%的日常工作决策将由AI完成。由此可见，智能体是实现生产力的重要工具，实现AI从思考到行动的跨越。在金融领域，智能体能够自主规划投资策略、执行交易任务，甚至根据市场变化实时调整方案。这为行业提高效率的同时，降低了人为干预。其次，智能体生态发展的关键环节在于，让数字大脑与真实世界的工具无缝衔接，实现跨智能体的任务配合与协作。业界初步制定了智能体协作运行的标准框架，MCP协议为AI世界建立通用的插座标准，使得智能体与各种工具组件进行接口的交互；谷歌推出的A2A协议面向AI智能体互操作的开放标准，解决跨平台、多模态协作的合作壁垒。这两个协议形成一个主外、一个主内的功能互补和分层协作，使得智能体生态迅速完善。目前，金融领域的智能体演进已全面完成云原生，正在向AI原生应用架构演进。此外，国内同业多选择开源自建，或者与供应商联合共建的方式打造智能体平台；国际上的金融机构则更多外购产品或服务，通过公有云部署的方式实现应用。相较而言，国内对金融领域AI应用的投入和应用具有更高的积极性。

第二，工商银行在智能体建设上的探索与应用。目前，工商银行已建成了大小模型协同的AI技术体系和配套平台“工银智涌”，形成“1+X”的大模型应用范式。“1”代表金融的数据中枢，在技术上通过MOA智能体框架，支持高效构建多级智能体协作网络；“X”代表多种工程化解决方案，在业务上构建了一套协同解决方案供智能体组装调用，实现复杂金融场景的业务突破。此外，基于智能体的自主化程度和综合应用能力，工商银行构建了五级的智能体能力分级标准。当前，金融行业的智能体应用平均处在L2到L3阶段，关键领域应用包括信用风险识别智能体、数据洞察智能体等。此外，通过打造“工银智涌”的超级入口，形成共建共享AI生态。

第三，智能体发展面临的挑战与未来展望。当前，智能体应用尚处于起步阶段，主要面临两方面的挑战。一是智能体的便捷协同不够充分。智能体建设主要以业务系统+AI模式为主，智能体之间相互较为分散。二是智能体的工程配套尚不健全。随着以智能体为核心的AI原生应用趋向成熟，亟需结合现有项目研发流程等管理现状，构建部门间的协同机制，完善明确分工，实现智能体生产研发的规范化、标准化。

未来，随着智能体技术能力的持续升级，其定位将从辅助向自主、从边缘向任务主导的关键层级跃升。智能体对竞争模式和组织方式的重塑体现在三个方面。一是自主学习的AI智能体正在迅速崛起；二是AI时代的核心优势将源于黑洞效应；三是组织将变为共创型的智能组织。对此，从个人层面，要提升AI交互能力、明确责任边界、防范风险；从组织层面，要适应智能体带来的决策方式的转变。从生产资料角度，在数据层面，要协调全域分配和组织协同，完善MCP协议标准、开放权限、部门间共享规则等管理机制，避免出现新形势的数据和功能孤岛；在算力层面，要统筹规划算力，解决技术迭代快、成本高、重复建设和低效占用等问题。

最后，人工智能技术的浪潮正在以前所未有的速度重塑金融业态，工商银行将不断地推动AI从工具赋能辅助向智能协同的跃迁，为行业提供可复制的一些技术范式或者实践经验！

陈倩倩 中国邮政储蓄银行软件研发中心副总经理

中国邮政储蓄银行软件研发中心副总经理陈倩倩表示，以大模型为代表的新一代人工智能技术迎来爆发式增长，成为推动产业升级、促进经济发展和引领社会进步的重要力量。

首先，介绍了智能体发展历程。智能体的发展具有博弈论、控制论、信息论以及图灵测试等理论基础。1986年，马文·明斯基首次在AI领域引入了智能体的概念。作为大模型的重要应用形态，智能体正展现出改变金融业底层逻辑的巨大潜力，实现从自动化工具到自主能力的升级。智能体有效解决了大模型有脑无手的落地难题，赋予了大模型在复杂环境中理解目标、执行任务、持续优化的能力；同时大模型强大的认知与泛化能力，为智能体提供了坚实的智力支撑。二者相辅相成，共同构成了驱动金融智能化升级的关键引擎。

其次，介绍了邮储银行大模型建设思路。在战略层面，邮储银行制定了智慧平台、生态体验与数字化协同为一体的SPEEDS战略规划。在建设过程中，遵循技术探索、场景现行、体系构建的路径，逐步实现从基础能力到多场景落地的跨越式发展。当前，邮储银行的大模型体系建设包括四个层面。一是在算力平台层面，构建了智能算力的资源池，持续支持训推一体、异构多元的算力集群；二是在开发平台层面，支撑大语言模型、多模态大模型等复杂AI模型从构思到落地的全生命周期开发，构建由一系列工具、框架、模块组成的核心基础设施，覆盖数据处理、模型训练、评估、监控等多个关键环节，形成端到端的开发闭环；三是在服务平台层面，构建了分层解耦的大模型应用服务体系，打造原子能力、组合服务、应用示范三级的AI接口，实现大模型应用场景建设快速规模化落地；四是在场景落地层面，按照先赋能内部管理再对外服务，先外围应用再到核心场景的思路进行部署，全面推动AI 智能体在行内各领域应用，覆盖前中后台场景。

同时，介绍了邮储银行在大模型应用上的典型案例。客户服务领域，包括小邮助手、手机银行陪伴助手、云柜数字员工、智能外呼、辅助产品推荐场景等应用场景；内部管理方面，包括智能办公、文档生成、数智化人力资源管理等提升员工效率的应用；金融市场领域，包括“邮小宝”债券交易机器人和“邮小助”货币交易机器人；风险管理领域，建立审计、反欺诈反洗钱等模型。科技管理领域，打造需求、研发测试、运维大模型，赋能科技管理全流程。

最后，分享了邮储银行在大模型建设上的五大挑战。包括会话管理和长期记忆、模型幻觉与可解释性、协同效率与系统整合、内容安全与监管、复合型人才短缺。

未来，邮储银行将锚定智能化技术的深化应用与前沿探索，全力突破现有瓶颈，携手产学研融合创新，打造算力、算法、数据、场景四位一体的安全可靠大模型的服务体系，构建数智金融创新生态。

李晓东 中国民生银行信息科技部副总经理

中国民生银行信息科技部副总经理李晓东围绕智能体技术分享了关于AI原生发展理念的思考，并介绍了民生银行在大模型领域的布局和探索。

第一，智能体是AI原生当下的一种技术实现，AI原生是智能体背后的内核理念。过去谈到云原生，多围绕容器化、CICD、云服务等概念，但其本质围绕着“拥抱错误、弹性收缩”展开。对照AI原生，其外在表现为AI的内置深度集成、自适应的自主决策、数据驱动的基于知识服务的基础设施应用、自然语言交互等。但讨论其内核，离不开以下五项基本能力。一是目标驱动的执行模式和能力。传统AI的应用是面向过程的，而现在的AI应用要让大模型、智能体等面向目标去寻找解决方案。二是持续学习的能力。无论是智能体还是大小模型应用，需要具备类似人类的学习能力。三是经验积累、知识沉淀和融会贯通的能力。未来，需要更多自动化过程为大模型灌输实时的企业级、领域级知识。四是流程、工具使用和执行能力。五是价值判断和行为约束能力。

第二，AI原生化发展形态分为两大类。一类是“+AI”，通过插件、内嵌化的方式，将AI嵌入传统的企业流程中。这一嵌入AI支持的过程包括智能体的支持，也可能一部分来自于AI协同后的结果。在未来很长一段时间内，“+AI”模式将长期存在，且在一定程度上最大限度地将企业现有资产发挥到极致。另一类是“AI+”，这种以AI主导、企业能力协同的模式，需要企业拥有全面服务化的能力。智能体平台体现了这种模式，以硅基大脑为主，使企业级的能力与其深度集成，形成新的“AI+”应用。从目前金融领域的探索来看，“AI+”模式的探索还在相对初级的阶段，且在风控安全等领域的探索相对保守。

第三，民生银行在智能体应用方面的探索。在研发层面，民生银行建立了前端框架、后端框架、基础云平台、APaaS/IPaaS标准体系，以及推进AIWorkflow的演进。在工程体系中，在门槛、代码、评审、门禁检查、测试等环节深度使用AI能力，进一步向需求侧前移。在基础设施层面，一方面，进一步加强AI中台能力，形成企业级的AI服务标准；另一方面，进一步降低AI消费门槛，包括构建AIAgent平台，进一步降低AI实验台、试验场的应用门槛等。在场景层面，民生银行通过财富管理助手实现大模型和智能体协同，提升银行服务的专业性和效率；通过AI4SE&AI 安全风险管理的尝试，对AI生成代码质量进行闭环评测和监控，确保AI输出符合工程标准。此外，民生银行于2018年提出BioFaaS（仿生金融服务）的愿景，认为IT在金融领域的建设应围绕用户感知能力、金融智能能力、金融核心能力、金融生态能力四类展开。未来，民生银行智能体技术建设将围绕这些关键能力，持续强化金融科技建设。

第四，民生银行在AI探索中的经验和教训。从行动角度，一是要充分明确数字化部署和行动的目标与价值，避免形成浪费；二是要协同行业共同构建良好的生态；三是提供AI应用公共化平台，降低AI使用门槛，支持分散化建设；四是业务团队要具备基础的AI认知能力和数据能力。从治理角度，未来应建立数字员工管理体系，对于每一个智能体应引入监护人机制。此外，要避免类似RPA陷阱问题，应充分考量跨系统处理是采用工程化集成还是流程自动化技术方案；在各领域做好知识工程、数据就绪准备；在技术投入方面，充分考虑技术快速迭代下的合理决策、成本管理等。

杨子良 北银金科副总经理

北银金科副总经理杨子良围绕AI智能体发展的趋势，以及北银金科在智能体应用方面的探索进行分享。

一是AI智能体发展的背景。人工智能在全球掀起了一股新的浪潮，从去年到今年，习近平总书记在中共中央政治局集体学习时多次强调了AI的国家战略意义。从国际角度来看，多个具有科技风向标的奖项颁给了人工智能的相关科学家，说明人工智能已在不同领域掀起了一股强大的势能。

二是AI智能体发展的趋势。总体而言，大语言模型的出现引发了Agent技术的根本性变革。Agent不再局限于单一的规则或算法，而能够理解自然语言指令进行复杂推理，并通过灵活调用各种工具实现目标。AIAgent是通向更高级智能的关键一步，通过引入行动能力、长期记忆机制和工具整合能力，弥补了当前大语言模型的短板。从银行业角度来看，总量上大模型应用的数量快速增加，2023到2024年银行业大模型应用仍聚焦于内部运营，但从2024年下半年起，应用转向信贷等一线业务，业务价值愈发凸显。

三是北银金科在算力分配、大模型应用、应对大模型幻觉等方面的探索实践。首先是解决算力占用问题，北银金科建设了智算平台，按需分配GPU资源，支持多云协同与实时监测。其次是大模型的选型问题，构建了金融级大模型评测体系F-Eval。积极参与信通院标准制定；通过场景知识库建设对引进的模型微调；利用应用运行的大量反馈信息，帮助大模型训练等。再次是打造规模化应用的问题，构建了金融级大模型应用生态圈。以自主打造的金融操作系统为底座，提供大模型一站式服务平台MaaS及“1+4”开发模式。最后是大模型幻觉风险问题，通过构建专有知识图谱，融合‌RAG+提示工程+推理模型，有效缓解幻觉问题。

四是北银金科在智能体应用方面的实践。在建设场景侧方面，坚持从单智能体向群体智能体的建设路径，具体分为四步。第一步是梳理当前业务流程，第二步是找出流程中的关键节点，第三步是基于关键节点构建单智能体，第四步是将这些智能体串联起来。在营销方面，建立核心企业的AI图谱系统。在风险管理方面，针对贷款的“三查”环节，在贷前、贷中、贷后提供全方位的智能化AI辅助。为解决银行表哥表姐痛点问题，基于水晶球指标引擎平台，嵌入大模型能力，升级打造了水晶球ChatBI，深度融合“DATA+AI”技术，实现“零门槛”问数、看数、分析。

最后是对AI时代的战略布局和畅想。北京银行将“ALL in AI”作为全行的共同理念和一致行动，全力推动AI驱动的商业银行建设。面对金融行业的AI变革，未来“以人为中心”的模式会逐渐融入越来越多的智能体，AI将会越来越深度融入营销、信贷等核心流程中去。‌AI时代，不是AI打败人，而是会用AI的人打败不会用AI的人！

郑小林 浙江大学人工智能研究所副所长

浙江大学人工智能研究所副所长郑小林从学术角度分享了人工智能在金融领域的发展现状及面临的挑战。

首先，介绍了大模型发展的整个探索阶段。从‌2017年‌Transformer架构开启语言模型价值探索，以及GPT-1/2等早期模型出现；‌GPT-3发布后‌，验证大语言模型作为核心推动力催生多模型涌现；之后，‌DeepSeek提出了第二条技术路线，通过模型架构与算力调度，优化推动开源发展，也推动了Google Gemma和通义千问等开源模型。再到‌2024年7月‌，马斯克推出的Grok4版本继续通过算力与语料的扩展实现能力跃升，以及推出多智能体架构的版本。这个发展过程中，语料需求持续攀升。从大模型发展的全球视角来看，据斯坦福大学统计，美国约有40个主流模型，中国有15个，欧洲有3个，呈现了中美竞争的格局，另外中国的AI出版物与专利数量领先且上升迅速。从发展周期来看，从大模型的出现到产业化落地存在一定的间隔周期，所以我们可以继续保持耐心。

其次，分享了金融领域AI应用的现状。从应用深度来看，大模型在银行、证券、保险的风控、反洗钱、运维等领域应用较多，而在审计、监管、合规、催收等新兴领域应用较少。从银行领域的AI架构来看，通常是基于各种工具库支撑智能体的三大模式。智能体包括三大模式，包括助理模式、副驾驶Copilot模式、再到Agent模式，目前许多Agent还属于Chatbot、Copilot模式。不管如何，这个金融Agent都必须可信。在可信金融大模型、Agent架构里，研究重心包括金融的数据可信、模型可信，和合规监管三个层次。

最后，金融领域的AI应用面临着挑战。一是在“AI+金融”的过程中，面临着包括伦理问题、攻防对抗问题、隐私泄露问题等一系列挑战。二是在证券的大模型量化方面，监管十分关注模型同质化、算法共振、黑箱可解释性等问题。三是Agent价值对齐的问题，算法推荐可能导致一些弱势群体丧失金融服务，由此需要关注金融大语言模型的公平性，针对金融领域做一些可扩展的监管，以增强模型的可解释性。

会议第三部分是圆桌交流环节，由国家金融科技风险监控中心创新部主任但孝磊，中国农业发展银行信息科技部技术创新实验室严开，蚂蚁数科AI科技创新部技术负责人、蚂蚁天玑实验室主任李哲，神州信息数据研发中心总经理李庆刚进行分享。本环节由中国银行业协会系统服务部主任赵成刚主持。

嘉宾主持 赵成刚 中国银行业协会系统服务部主任

但孝磊 国家金融科技风险监控中心创新部主任

国家金融科技风险监控中心创新部主任但孝磊围绕智能体在银行应用面临的问题和挑战，及“十五五”时期针对智能体的风险应对措施进行分享，并对智能体治理体系建设提出建议。

第一，AI智能体在长期记忆上存在早期信息衰减、检索低效、上下文压缩失准等局限。这些问题可能削弱智能体应用的效果。例如，在反洗钱监测、消保审查等需追溯过往信息的场景，会因记忆缺陷导致证据链断裂，难以对金融业务全流程准确追溯。

第二，智能体的感知、决策和执行过程追求自主化特性，因此相较于一般服务，会更多采集到个人的敏感信息。若在采集、模型开发和使用，以及传输过程中未做好充分的保护工作，可能会引起过度采集问题。尤其是，在银行网点的智能化升级过程中，尽管智能体应用能有效缓解智能化、数字化对老年人带来的数字鸿沟问题，但应注意公开的语音交互、图形交互可能导致敏感信息的泄露。

第三，多个AI智能体协作时，易出现资源竞争、目标冲突和策略分歧等问题，若缺乏有效的协商调解机制，会降低智能体整体的稳定性。此外，基于大模型的智能体现阶段难以根除的“模型幻觉”风险，在多智能体协作中会沿着任务链条形成风险传导链，导致错误逐级叠加、风险持续放大。

第四，在AI算法驱动下的智能体同样具有AI算法应用带来的羊群效应。要警惕多家银行采用相似的AI智能体，可能导致“算法趋同”。在经济下行期，同质算法可能同时调低对某类企业的预期，触发行业性投融资危机。

为此建议，一是加快制定AI智能体金融应用安全规范，按照分级分类管理思路明确基本要求，根据应用场景、业务类型、服务群体、地理位置等提出差异化分级安全管理要求，筑牢防范新技术应用风险向金融领域传导的“安全网”。二是深化金融科技创新监管工具应用，以法律法规和监管规则为准绳划定刚性底线，运用信息披露、公众监督等方式设置柔性边界，支持金融机构、科技公司在风险可控的真实市场环境中充分验证AI智能体赋能数字金融高质量发展的有效路径。三是关注金融科技伦理问题。人民银行发布《金融领域科技伦理指引》，明确建立负责任金融科技伦理治理体系的基本要求和行为准则。我们要尽快构建金融机构、科技公司、自律组织、从业者等协同共治的伦理治理格局，秉持守正向善原则，打造负责任的可信AI智能体。此外，针对当前算力使用需求不断攀升、算力资源分布不平衡不充分问题，建议加快构建金融领域算力网，让中小金融机构也能便捷地获取算力服务；针对可能引发的系统性金融风险，建议尽快联合产学研用各方构建起金融领域风险联防联控体系，不断提升金融系统韧性，合力解决包括大模型、智能体等新技术应用带来的系统性问题。

严  开 中国农业发展银行信息科技部技术创新实验室

中国农业发展银行信息科技部技术创新实验室严开就目前大模型智能体的实践展开分享。

2023年起，中国农业发展银行在模型、模型管理平台、网关、RAG、知识图谱、MCP等方面做出尝试。然而，在这一过程中存在打通数据方面的阻力。对此，一是在业务部门获取数据的过程中，需要从行业角度建立通用的数据共享平台。一方面，数据平台具有较高的可信度；另一方面，有利于减少各银行的成本。二是建议开发可复用的公共组件。对于不同银行在大模型应用场景上的类似实践，可以在流程设计上进行共享。三是从单智能体向多智能体协作演进。不仅通过行业内应用的相互协作，同时形成与其他银行或企业之间的协作，构建更好的智能体生态。

对金融行业“十五五”规划提出建议。一方面，要规范智能体平台应用，制定统一的开发标准与管理规则，筑牢安全合规底线。另一方面，要强化数据治理能力，在非结构化数据存档阶段同步构建适配大模型的标准化副本，提升数据利用效能。

李  哲 蚂蚁数科AI科技创新部技术负责人、蚂蚁天玑实验室主任

蚂蚁数科AI科技创新部技术负责人、蚂蚁天玑实验室主任李哲指出，近期多智能体内生化的模型范式逐渐变得主流，意味着大模型和智能体的边界正在模糊化。从技术角度来看，在智能体重构所有应用之前，仍面临许多挑战需要解决。一方面，过去存在面向对象、面向函数的编程范式，需要转变为面向智能体和LLM的研发流程，这块还缺少统一的最佳实践和标准。另一方面，智能体应用的运维、安全、稳定性体系也需要逐步完善。

未来金融行业走向AGI时刻，需要形成良好的金融行业上下游协作和跨行业间协作。例如，解决金融高质量训练数据和标准测评数据缺少的问题，需要形成金融行业的可信数据空间，做到上下游之间的数据可信互联互通；针对金融场景下的幻觉问题，也需要金融合规专家、人工智能算法专家、系统架构师等一起配合系统化设计解决方案。

李庆刚 神州信息数据研发中心总经理

神州信息数据研发中心总经理李庆刚围绕AI智能体在金融领域的技术发展和业务应用进行了分享。

从技术维度看，以数据驱动的架构将转向以决策为中心的架构。随着AI编程以及多智能体技术的快速发展，企业决策能力相较传统方式实现了质的飞跃。7月11日，谷歌收购了Windsorf，以增强其AI编程和智能体技术能力；7月16日，Anthropic发布了Claude多智能体金融分析解决方案，通过MCP Connector整合了标普、FactSet等外部权威金融数据，并融合了Databricks的大数据处理能力与Palantir的AI驱动平台能力，实现了数据集成、分析与快速决策。然而，金融机构传统的数据驱动架构（包括存算能力、数据洞察能力、建模能力等）难以适应以决策为中心的新要求，亟需新一代一体化平台能力，以满足决策导向的架构体系需求。

从业务维度看，智能工作流将迎来快速发展，未来银行的竞争可能演变为智能体间的竞争。今年3月，IBM商业价值研究院发布报告预测，智能工作流的应用比例将从年初的3%提升至年底的25%。更为重要的是，领先银行可能通过大模型将先进业务实践沉淀为企业知识库，并以智能体为载体落地应用，服务于业务经营，从而形成强者恒强的格局。

关于大模型在金融业的应用展望，李庆刚提出两点建议：组织层面，金融机构应设立专职实体机构统筹推进大模型与智能体发展，高效整合业务、数据、算力等资源，实现业务价值的有序释放；行业协作层面，建议行业协会以“一表通”等标准化报送数据为基础，通过本体建模构建行业知识库，使其成为金融机构数字资产的操作层，实现人机协同。

会议现场

责任编辑：方杰