作者：毛爍

作為在金融圈里摸爬滾打的人，估計(jì)都對(duì)“科技賦能”這四個(gè)字免疫了。

這些年，聽了太多PPT上的天花亂墜，見證了太多實(shí)際落地的“一地雞毛”。所以，當(dāng)有人聊起“AI 如何顛覆信貸審批”時(shí)，大家“內(nèi)心戲”或許又是——是不是又想讓我當(dāng)小白鼠？

今年以來，Agent在金融行業(yè)的崛起，讓從業(yè)者們?cè)谂d奮與焦慮中搖擺。當(dāng)Agent的潛力令人振奮時(shí)，金融機(jī)構(gòu)正因其技術(shù)選型和落地路徑的未知而倍感焦慮。信貸業(yè)務(wù)，作為金融機(jī)構(gòu)的營收命脈與風(fēng)險(xiǎn)中樞，因其流程復(fù)雜、痛點(diǎn)顯著，正成為檢驗(yàn)Agent價(jià)值、決勝未來競爭的關(guān)鍵“試煉場”。

目前，信貸業(yè)務(wù)仍受困于人工盡調(diào)耗時(shí)、信息壁壘和審批效率低下的“勞動(dòng)密集型”現(xiàn)實(shí)，急需找到智能化、可規(guī)?；钠凭种?。

信貸業(yè)升級(jí)：“手工作坊”變身“AI工廠” 數(shù)據(jù)飛輪讓Agent“自我進(jìn)化”

信貸是現(xiàn)代金融的核心業(yè)務(wù)。然而，我們必須承認(rèn)一個(gè)略顯尷尬的現(xiàn)實(shí)：信貸審批，仍是一項(xiàng)“勞動(dòng)密集型”產(chǎn)業(yè)！

具體來看，信貸的“勞動(dòng)密集”，是因?yàn)槠鋷狭巳亍凹湘i”。

第一是，淪為“數(shù)據(jù)搬運(yùn)工”的日常。一份盡調(diào)報(bào)告，超過六成內(nèi)容需要手動(dòng)完成。信貸經(jīng)理的時(shí)間，沒有消耗在和客戶的深度溝通上，也沒放在創(chuàng)造性的風(fēng)險(xiǎn)判斷上，而是在掃描件、Word文檔和Excel表格構(gòu)成的“數(shù)據(jù)沼澤”中，進(jìn)行枯燥、低效的“復(fù)制粘貼”。

第二是，數(shù)據(jù)的“巴別塔”困境。數(shù)據(jù)的“多源異構(gòu)”，具體到業(yè)務(wù)，就是一場永無休止的“對(duì)賬噩夢(mèng)”。行內(nèi)CRM、三方征信、客戶提交的U盤資料，三者之間語言不通。

更沉重的一副枷索，是專家經(jīng)驗(yàn)的“傳承赤字”。隱性擔(dān)保、關(guān)聯(lián)交易等深層風(fēng)險(xiǎn)，極度依賴資深信審專家的“火眼金睛”。這種依賴直覺和經(jīng)驗(yàn)的“非線性”判斷邏輯，幾乎無法通過傳統(tǒng)的SOP手冊(cè)進(jìn)行規(guī)?；瘡?fù)制，導(dǎo)致核心風(fēng)控人才的培養(yǎng)周期極其漫長。

事實(shí)上，信貸流程，本質(zhì)上是一個(gè)用人的“確定性”去對(duì)抗業(yè)務(wù)“不確定性”的系統(tǒng)。當(dāng)人的精力被大量非智力勞動(dòng)所占據(jù)，且核心能力又難以傳承時(shí)，這個(gè)系統(tǒng)的成本會(huì)變得越來越高，效率也越來越低。

正因如此，信貸行業(yè)迫切需要能夠替代“機(jī)械勞動(dòng)”、復(fù)制專家經(jīng)驗(yàn)的落地方案。

AI 撰寫盡調(diào)報(bào)告 “20+”智能體協(xié)作實(shí)戰(zhàn)

為了讓相關(guān)能力更直觀地呈現(xiàn)，在近期的“AI友妙計(jì)-金融行業(yè)Agent百景圖-模力時(shí)刻”直播中，阿里云演示了如何借助“通義點(diǎn)金”智能平臺(tái)的銀行業(yè)工作流中，實(shí)現(xiàn)多智能體協(xié)同驅(qū)動(dòng)的、全自動(dòng)化生成信貸盡調(diào)報(bào)告。

具體的生成的流程，可以拆解為四個(gè)維度

維度一是“從單兵作戰(zhàn)到專家團(tuán)隊(duì)并行”。整個(gè)流程從上傳資料開始。在演示中，測試樣本選擇了《阿里巴巴2025年財(cái)報(bào)》這一百頁級(jí)的長文檔?！癆I agent”會(huì)首先將文檔切塊并寫入向量庫，確保大體量文本能夠被模型快速理解與調(diào)用。

隨后，任務(wù)被自動(dòng)分發(fā)至近 20個(gè)“組合智能體”，覆蓋了從現(xiàn)金流分析、資產(chǎn)結(jié)構(gòu)解析，到組織與股權(quán)分析、運(yùn)營能力評(píng)估等多個(gè)職能。這些智能體并非各自為戰(zhàn)，而是通過“智能體粘連”技術(shù)實(shí)現(xiàn)結(jié)果的自動(dòng)匯聚。每個(gè)子智能體完成局部任務(wù)后，系統(tǒng)會(huì)自動(dòng)將分析結(jié)果粘連到指定的章節(jié)中，并輸出結(jié)構(gòu)化的結(jié)論。一次完整的工作流運(yùn)行，可以產(chǎn)出一份萬字左右的初稿，而如果采用更復(fù)雜的報(bào)告模板，字?jǐn)?shù)甚至可以擴(kuò)展到2～4 萬。整個(gè)過程耗時(shí)大約 20 分鐘，和傳統(tǒng)模式耗時(shí)半天相比，效率可謂是數(shù)量級(jí)的躍升。

在工具接入方面，“通義點(diǎn)金”引入了多種外部能力：

在檢索層面，接入夸克引擎，作為 AI搜索和金融數(shù)據(jù)清洗的增強(qiáng)工具；系統(tǒng)層面，通過 MCP 服務(wù)打通信貸系統(tǒng)、交易流水及外部數(shù)據(jù)接口，實(shí)現(xiàn)數(shù)據(jù)的跨系統(tǒng)調(diào)用；記憶層面，支持上下文記憶與長期記憶，用戶的歷史對(duì)話可被存儲(chǔ)為summary并隨時(shí)召回，使得分析鏈條更具連貫性。

這種“多智能體協(xié)同”的設(shè)計(jì)有其必要性。單一智能體在長鏈路、高準(zhǔn)確性場景下往往容易出現(xiàn)幻覺或遺漏，而通過職能化拆分，再結(jié)合提示詞調(diào)優(yōu)，可以顯著提高整體質(zhì)量與穩(wěn)定性。實(shí)測數(shù)據(jù)顯示，“通義點(diǎn)金”的介入，使得財(cái)務(wù)數(shù)據(jù)自動(dòng)生成率提升了85%，報(bào)告的初審?fù)ㄟ^率也從50%躍升至 85%。

維度二是為子任務(wù)匹配最合適的“大腦”，這一過程也被稱之為“模力時(shí)刻”。生成高質(zhì)量的信貸盡調(diào)報(bào)告，并不是“一個(gè)模型包打天下”，而是要針對(duì)不同任務(wù)場景，調(diào)用最匹配的“大腦”。

在信息提取與總結(jié)類任務(wù)（如快速定位財(cái)務(wù)指標(biāo)、抽取企業(yè)基本信息）中，“通義點(diǎn)金”可優(yōu)先調(diào)用 Qwen3-235B-Instruct模型。這類模型擁有“快思考”能力，其優(yōu)勢(shì)在于處理速度快、事實(shí)性召回穩(wěn)定，能夠保證大規(guī)模指標(biāo)解析時(shí)的效率和準(zhǔn)確性。

當(dāng)面臨推理與風(fēng)控判斷類任務(wù)（例如，識(shí)別潛在的關(guān)聯(lián)交易風(fēng)險(xiǎn)，或?qū)ζ髽I(yè)現(xiàn)金流穩(wěn)健性進(jìn)行非線性邏輯推演），系統(tǒng)則會(huì)切換至 Qwen3-Thinking模型。Thinking 模型被定位為“慢思考”，雖然生成速度略慢，但在多步推理、復(fù)雜邏輯鏈條的處理上更具優(yōu)勢(shì)，能夠更貼近資深信審專家的推理過程。

除此之外，信貸盡調(diào)報(bào)告中還涉及“多模態(tài)信息理解”。例如，《阿里巴巴2025年財(cái)報(bào)》包含復(fù)雜的股權(quán)結(jié)構(gòu)圖。傳統(tǒng)模式下，圖片信息往往只能依賴客戶經(jīng)理的肉眼識(shí)別與人工記錄，難以進(jìn)入分析鏈路。而在“AI agent”中，這一任務(wù)交由 Qwen-VL Max 視覺推理模型完成。其會(huì)先將圖像轉(zhuǎn)化為邏輯化、文字化的語義描述，并寫入知識(shí)庫。此后，當(dāng)用戶提問“阿里巴巴集團(tuán)股權(quán)結(jié)構(gòu)”時(shí)，系統(tǒng)即可直接調(diào)用該文字化信息作答，實(shí)現(xiàn)了圖像信息與文本分析的無縫銜接。

對(duì)比來看，傳統(tǒng)模式下客戶經(jīng)理只能依靠自身經(jīng)驗(yàn)，在不同分析階段切換方法，既耗時(shí)又依賴個(gè)人能力。

維度三是多模態(tài)的解析能力。這一能力是信貸盡調(diào)從“手工作坊”躍升為“AI工廠”的關(guān)鍵支撐。具體而言，第一重是文本解析。在解析長篇財(cái)報(bào)等結(jié)構(gòu)化弱的文檔時(shí)，“AI agent”采用 Docwise 切塊架構(gòu)。其邏輯是先解析文檔的目錄與層級(jí)，再根據(jù)標(biāo)題、子標(biāo)題以及語義密度對(duì)內(nèi)容進(jìn)行切分，每個(gè)塊不僅包含正文，還會(huì)冗余寫入“標(biāo)題/子標(biāo)題”元信息。隨后，這些塊被寫入向量數(shù)據(jù)庫。

這樣做有兩個(gè)直接好處：一是保持上下文邏輯完整，二是提升大模型檢索召回的速度和準(zhǔn)確率。傳統(tǒng)人工模式下，客戶經(jīng)理往往要反復(fù)翻閱數(shù)百頁財(cái)報(bào)去找數(shù)據(jù)，不僅耗時(shí)，還容易遺漏。AI Agent則能在數(shù)秒內(nèi)精準(zhǔn)召回關(guān)鍵信息，大幅降低“遺漏”或“幻覺”的風(fēng)險(xiǎn)。

第二重是表格解析，表格一直是AI文檔處理的痛點(diǎn)，尤其在非標(biāo)準(zhǔn)化場景中（例如中小企業(yè)財(cái)務(wù)報(bào)表），表頭設(shè)計(jì)隨意、格式不一。傳統(tǒng)方式只能靠客戶經(jīng)理人工抄錄，出錯(cuò)率極高。

“AI agent”在此環(huán)節(jié)可采用工程化結(jié)構(gòu)化轉(zhuǎn)寫：將表頭與單元格內(nèi)容重新轉(zhuǎn)寫為 Markdown 格式，并按豎欄切開，使大模型能夠真正“讀懂”每一列的語義含義。

以“資產(chǎn)負(fù)債表智能體”為例，其可通過調(diào)用通義千問 Instruct 系列模型，并結(jié)合 CRISP 提示詞系統(tǒng)進(jìn)行角色設(shè)定與 workflow 調(diào)度，實(shí)現(xiàn)字段級(jí)的精準(zhǔn)提取。結(jié)果是，模型不僅能抽取數(shù)據(jù)，還能理解“該數(shù)字是什么、代表什么”，使表格信息真正可計(jì)算、可分析。

第三重是圖片解析。在傳統(tǒng)模式中，財(cái)報(bào)里的股權(quán)結(jié)構(gòu)圖、組織架構(gòu)圖往往是“盲點(diǎn)”，只能靠客戶經(jīng)理人工畫圖或手寫筆記補(bǔ)充?！巴x點(diǎn)金”可通過 Qwen-VL Max 視覺推理模型，先將圖像轉(zhuǎn)譯為邏輯化、文字化的語義描述，再存入知識(shí)庫。

整體來看，這套 文本切塊 + 表格轉(zhuǎn)寫 + 圖片語義化 的“三重解析”，構(gòu)建出一個(gè)全量信息管道。與傳統(tǒng)模式下“人工讀文檔+人工抄表+圖片信息丟失”相比，幾乎零死角地覆蓋了財(cái)報(bào)中的所有數(shù)據(jù)形態(tài)。不僅讓報(bào)告生成的準(zhǔn)確率大幅提升，也為后續(xù)風(fēng)險(xiǎn)評(píng)估和行業(yè)對(duì)比奠定了堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)。

維度四是“數(shù)據(jù)飛輪”機(jī)制。“數(shù)據(jù)飛輪”是讓 AI Agent真正具備了持續(xù)進(jìn)化、自我成長能力的關(guān)鍵。在傳統(tǒng)模式下，客戶經(jīng)理和信審專家的經(jīng)驗(yàn)往往難以規(guī)?；恋怼＜幢銓戇M(jìn)SOP，也很難覆蓋“隱性知識(shí)”。而AI Agent 則能通過“數(shù)據(jù)飛輪”機(jī)制，將這些知識(shí)逐步固化進(jìn)模型。

這一過程分為三個(gè)步驟：

首先，將歷史信貸審批數(shù)據(jù)輸入大數(shù)據(jù)池，由像 DeepSeek-R1-671B 這樣的超大模型生成大量的“思考鏈”，這些思考鏈系統(tǒng)地展開了專家的潛在推理邏輯。

接著，由通義千問 Qwen3-235B 篩選出高質(zhì)量數(shù)據(jù)，并剔除其中的噪聲和無效路徑。

最后，業(yè)務(wù)專家對(duì)篩選出的數(shù)據(jù)進(jìn)行復(fù)核，將優(yōu)質(zhì)樣本用于微調(diào) Qwen3-32B 小模型，從而形成 “評(píng)審專家1.0” 版本。

在這一過程中，專家復(fù)核出的 “bad case”（錯(cuò)誤案例） 不會(huì)被丟棄，而是作為新的訓(xùn)練樣本回流到訓(xùn)練閉環(huán)中。每一次錯(cuò)誤和修正都會(huì)轉(zhuǎn)化為模型的“顯性能力”，使得飛輪轉(zhuǎn)得越快，模型就越“懂行”。

企業(yè)級(jí)大模型正逐漸走向 MOA（Mixture of Agents） 混合架構(gòu)，而非一味追求“大而全”。其核心思路是：在訓(xùn)練和驗(yàn)證階段，使用少數(shù)超大模型作為“教師”來探索業(yè)務(wù)上限和驗(yàn)證推理鏈路。在實(shí)際部署階段，則使用成本更優(yōu)的小尺寸模型作為主體，并把關(guān)鍵能力遷移過來。

這種“教師-學(xué)生”范式既能保證效果，又能控制總擁有成本（TCO），最終沉淀下來的將是一個(gè)“小而精”的模型群，每個(gè)模型都像“?？漆t(yī)生”一樣，精準(zhǔn)解決特定問題。

實(shí)測指標(biāo)證明了該機(jī)制的顯著成效：風(fēng)險(xiǎn)提示采納率達(dá)到了約60%，這一數(shù)字遠(yuǎn)超傳統(tǒng)“小模型+規(guī)則”模式的 30-40%，表明該機(jī)制在識(shí)別和提示潛在風(fēng)險(xiǎn)方面具有更高的準(zhǔn)確性和可靠性；與專家評(píng)測相似度高達(dá) 84%，這說明模型的判斷邏輯已經(jīng)非常接近人工專家的思考方式，它能夠像人類專家一樣進(jìn)行深度分析和推理。；審議決策采納率約為 86%，這意味著模型生成的建議在絕大多數(shù)情況下都能被直接采納并應(yīng)用于實(shí)際的信審流程中，極大地提升了決策效率和自動(dòng)化水平。

金融Agent的“涌現(xiàn)”時(shí)刻：從“認(rèn)知流”到“系統(tǒng)化”的知識(shí)范式

金融行業(yè)因其高度依賴數(shù)據(jù)、規(guī)則和專家經(jīng)驗(yàn)，成為檢驗(yàn)AI Agent有效性的關(guān)鍵領(lǐng)域。

傳統(tǒng)信貸流程的核心是一個(gè)復(fù)雜的認(rèn)知流（Cognitive Flow），信貸經(jīng)理在此流程中需要完成多模態(tài)信息抽取與對(duì)齊、基于財(cái)務(wù)知識(shí)模型的特征工程與分析，并最終在一個(gè)由監(jiān)管和風(fēng)控規(guī)則構(gòu)成的高維約束空間內(nèi)進(jìn)行非線性決策。

而這一流程的瓶頸在于整個(gè)認(rèn)知鏈條的效率和一致性難以保證。

“信貸報(bào)告Agent”的架構(gòu)設(shè)計(jì)，正是對(duì)這一認(rèn)知流的數(shù)智化重塑。其并未采用單一通用大模型，而是構(gòu)建了一個(gè)多智能體系統(tǒng)（Multi-Agent System）。

這其中，關(guān)鍵創(chuàng)新在于，系統(tǒng)根據(jù)任務(wù)的認(rèn)知復(fù)雜度進(jìn)行模型的動(dòng)態(tài)路由。例如，在信息抽取階段，系統(tǒng)調(diào)用的是為確保高保真度和低幻覺率而優(yōu)化的Instruct模型；在需要深度分析與洞察的環(huán)節(jié)，則切換至更擅長多步推理（Multi-step Reasoning）的Thinking模型。這種設(shè)計(jì)確保了工作流的每個(gè)節(jié)點(diǎn)都由最優(yōu)化的模型執(zhí)行，實(shí)現(xiàn)了整體效能與準(zhǔn)確性的提升。

將此解決方案從驗(yàn)證推向規(guī)模化應(yīng)用，需要一套可復(fù)制的方法論。該方法論的核心是構(gòu)建一個(gè)從人類專家到機(jī)器，再從機(jī)器反饋到專家的知識(shí)增強(qiáng)閉環(huán)。

這一閉環(huán)始于專家知識(shí)的捕獲與編碼，即將資深專家的隱性知識(shí)（Tacit Knowledge）轉(zhuǎn)化為結(jié)構(gòu)化的提示詞模板、決策樹和知識(shí)圖譜。

隨后，通過業(yè)務(wù)化的RLHF（人類反饋強(qiáng)化學(xué)習(xí)）機(jī)制，讓人類專家的每次修訂都被系統(tǒng)記錄為偏好數(shù)據(jù)點(diǎn)（Preference Data），用于模型的持續(xù)微調(diào)，使Agent的決策邏輯與專家標(biāo)準(zhǔn)不斷對(duì)齊。

在此過程中，須解決兩個(gè)關(guān)鍵的技術(shù)挑戰(zhàn)。

一方面，是數(shù)據(jù)可靠性與模型幻覺的問題。對(duì)此，RAG（檢索-增強(qiáng)-生成）架構(gòu)成為標(biāo)準(zhǔn)配置，其將Agent的生成過程強(qiáng)制錨定在可溯源的內(nèi)部可信數(shù)據(jù)源（System of Record），以此保證輸出結(jié)果的可解釋性與可審計(jì)性。

另一方面，是模型能力與TCO（總擁有成本）的平衡。行業(yè)采納的策略是，在項(xiàng)目驗(yàn)證階段，使用能力最強(qiáng)的旗艦大模型來定義業(yè)務(wù)效果的上限；一旦范式被驗(yàn)證，立即通過模型蒸餾（Model Distillation）技術(shù)，將核心能力遷移至成本效益更優(yōu)的小尺寸模型上，以尋求特定場景下的最小可行智能（Minimum Viable Intelligence）。

這一模式的成功，證明了通過Agent重構(gòu)核心業(yè)務(wù)流程的可行性，并預(yù)示了其向更多知識(shí)密集型場景的擴(kuò)展，如使用VL模型處理保險(xiǎn)單證，或在證券投研中進(jìn)行信息挖掘。

當(dāng)各個(gè)業(yè)務(wù)環(huán)節(jié)的獨(dú)立Agent通過統(tǒng)一平臺(tái)進(jìn)行編排，它們將構(gòu)成一個(gè)企業(yè)的認(rèn)知中臺(tái)（Cognitive Middle Platform）。

這一中臺(tái)沉淀的將不僅是數(shù)據(jù)，而是經(jīng)過業(yè)務(wù)驗(yàn)證、能夠動(dòng)態(tài)迭代的決策模型和知識(shí)體系，這代表了AI Agent為金融行業(yè)帶來的最根本的戰(zhàn)略價(jià)值。

在這一方法論的實(shí)踐上，阿里云推出的“通義點(diǎn)金”，正是落地的價(jià)值實(shí)現(xiàn)?！巴x點(diǎn)金”通過多智能體協(xié)同工作流和持續(xù)進(jìn)化機(jī)制，為金融行業(yè)提供高效且可靠的落地方案。其能夠自動(dòng)解析和處理文檔、表格、圖像等各類異構(gòu)數(shù)據(jù)，將非結(jié)構(gòu)化信息轉(zhuǎn)化為結(jié)構(gòu)化，并保證數(shù)據(jù)抽取的高準(zhǔn)確性。利用多智能體并行協(xié)作的機(jī)制，得以快速生成結(jié)構(gòu)完整、高質(zhì)量的調(diào)查報(bào)告。同時(shí)支持行業(yè)對(duì)比分析與風(fēng)險(xiǎn)評(píng)估，也為決策提供了全方位支持。更重要的是，通過“數(shù)據(jù)飛輪”機(jī)制，“通義點(diǎn)金”還能將歷史數(shù)據(jù)與專家經(jīng)驗(yàn)被不斷用于模型訓(xùn)練，實(shí)現(xiàn)了自我迭代與能力提升，從而顯著縮短了報(bào)告撰寫時(shí)間，提高報(bào)告初審?fù)ㄟ^率，實(shí)現(xiàn)效率與可靠性的雙重飛躍。

當(dāng)然，這種落地能力的實(shí)現(xiàn)，離不開底層技術(shù)的支撐?！巴x點(diǎn)金”集成了阿里最新的Qwen3系列大模型與多模態(tài)能力Qwen-VL-Max，并配套完整的訓(xùn)練與部署工具鏈，才使得信貸機(jī)構(gòu)能夠快速構(gòu)建自身專屬Agent。支撐這一Agent的底座的則是強(qiáng)大的通用基礎(chǔ)模型Qwen3，通過檢索增強(qiáng)、訓(xùn)練與提示工程，將金融行業(yè)知識(shí)“灌輸”其中后，變得以讓Agent具備了專業(yè)的金融分析師的能力。

事實(shí)上，“信貸報(bào)告Agent”，僅僅是拉開了金融行業(yè)智能化變革的序幕。對(duì)于所有從業(yè)者而言，行動(dòng)的窗口期已經(jīng)開啟?！督鹑谛袠I(yè)Agent百景圖》和通義點(diǎn)金，正為這場征途提供了寶貴的“地圖”與“儲(chǔ)備”。

后續(xù)，阿里云也將繼續(xù)進(jìn)行《AI友妙計(jì)——金融行業(yè)Agent百景圖-模力時(shí)刻》的系列直播，進(jìn)一步深入到更多核心場景。8月26日（周二）19:30，阿里云將聚焦智能研發(fā)Agent的構(gòu)建全流程，通過真實(shí)金融場景的案例演示，展現(xiàn)其在代碼生成、代碼評(píng)審等智能研發(fā)場景帶來的顯著效能提升。

鎖定接下來的直播，您將不僅能見證學(xué)習(xí)這些實(shí)戰(zhàn)演示，更能免費(fèi)領(lǐng)取完整的《金融行業(yè)Agent百景圖》電子書和“通義點(diǎn)金”平臺(tái)的搶先體驗(yàn)資格。“一本書，一平臺(tái)”，帶您告別低效，讓業(yè)務(wù)即刻加速！

圖片上傳處理中...

掃碼免費(fèi)領(lǐng)取完整版

《金融行業(yè)Agent百景圖》電子書

圖片上傳處理中...

掃碼搶先體驗(yàn)

“通義點(diǎn)金”平臺(tái)

如果AI自動(dòng)化產(chǎn)出盡調(diào)報(bào)告已讓您眼前一亮，那么真正的效率革命才剛剛開始！