2024年11月，人民银行联合7部委印发了《推动数字金融高质量发展行动方案》，旨在通过金融数字化、智能化转型提高金融服务的便利性和竞争力。在金融数字化、智能化转型的发展大势下，金融机构数字化转型是不可避免的，不存在转不转的问题，必须坚定不移推进，积极探索与自身特点相适应的转型路径，实现自身的可持续发展。

构建于大模型之上的 Agent，不仅具备强大的语言理解和生成能力，还能够通过规划、记忆、工具和行动四大关键组件实现复杂的任务处理。规划模块负责拆解复杂任务为可执行的子任务，并评估执行策略；记忆模块支持短期对话上下文保持和长期用户特征存储；工具模块让 Agent 可以调用外部 API 或插件来扩展自身功能；而行动模块则是将这些规划转化为实际操作的工作流。这种多组件灵活编排的架构设计使得大模型 Agent 能够灵活适应各种业务需求，同时提供高度定制化的服务。

1、银行Agent全景应用

银行Agent全景应用主要从信贷、风控和手机银行这三大核心业务出发构建基于大模型的Agent应用，围绕场景描述、需求分析、业务流程和价值分析对每块业务的Agent进行详细介绍。

1.1 信贷

1.1.1 尽调报告生成助手

Agent场景：

尽职调查报告主要是通过对借款人的人品、背景、经营情况、财务状况、现金流状况以及其他重要信息中蕴含的风险点和优劣势进行分析与识别，进而判断出借款人真实的还款信誉以及还款能力。客户经理在企业借款前需要完成企业尽职调查和手工撰写调查报告，在调查报告的撰写过程中需要从复杂的信息渠道中整合大量数据，效率较低，分析决策比较困难。

信贷尽职调查助手，采用大模型技术，实现借款客户互联网资料收集、所属行业分析、所在区域分析、银行行内信贷相关业务信息采集、尽调报告内容编排等功能，信贷尽职调查助手实现交互式自动化尽调报告生成，大大降低客户经理的工作量和专业要求。

需求分析：

当前银行客户经理撰写尽职调查报告存在以下缺点：

一是，主要采用预设模板方式，根据业务类型对客户调查数据分类、预设每一类业务指标、预设评级模型、制定审核流程，这些仅能实现固定模板下的不同客户尽调，但是分析撰写尽调报告还得需要人工重复、长耗时去处理。

二是，部分信息通过客户经理人工在互联网相关网站查询获取，采用标签化模式，仅实现了尽调内容的采集、展示，未能结合信贷业务和信贷专家的经验进行分析，撰写尽职调查报告无法完全达到数字化风控的要求。

业务流程：

信贷尽职调查助手中，主要功能模块包括知识库建立、尽调模板管理、尽调报告数据管理、尽调报告内容编排、尽调报告撰写、尽调报告预览、尽调报告下载等功能。具体业务流程如下：

1）信贷知识库，搜集行里信贷政策、产品等知识文档、行业分析报告、借款企业提供材料等构建统一的知识库。

2）尽调模板管理，支持报告 word 文件上传及模板分类管理、版本管理等功能。

3）报告模板配置与内容生成，分析报告中不同内容填充的数据源，判断银行内部业务系统接口调用、数据库访问、外部三方接口、大模型Agent调用，注册不同数据源接口定义，配置到模板中的不同章节，配置完模板后，就可以进行不同借款企业尽调报告自动生成功能。

价值分析：

信贷尽职调查报告生成助手能够显著提升客户经理的工作效率、准确性和决策质量。以下是关于这种技术解决方案的价值分析：

提高工作效率：通过对尽调报告模板的配置，报告中部分内容通过配置方式直接调用 API 或大模型接口，能够快速将收集到的数据转化为结构化的报告内容，极大地缩短了报告编写时间，效率提升 2-3 倍。

增强准确性：对于尽调报告中的撰写部分内容通过大模型生成，借助专业规则经验可以有效减少由于人为因素造成的错误，提升报告质量和数据内容的准确率。

1.1.2 行业分析助手

Agent场景：

行业分析是分析借款企业所在行业的风险特点，包括市场风险、经营风险、政策风险等，评佔客户的行业风险承受能力。银行客户经理在进行行业分析时，面对种类繁多且各具特色的行业，经常会遇到行业研报材料覆盖不全、材料更新频率低等问题，导致借款企业行业分析不完善、信息不准确。

行业分析助手借助大模型能力，同时集成知识库 RAG 召回和互联网搜索引擎能力，查询企业所在行业信息生成行业分析报告，评估借款企业所在行业的整体状况，帮助银行或金融机构更好地理解企业的市场环境和潜在风险。

需求分析：

客户经理在给企业借款前，对客户所处行业分析时，主要面临以下问题：

一是数据获取复杂性，银行在尽职调查过程中需要收集和分析大量的行业数据，包括市场趋势、竞争对手情况、政策变化等。这些数据的获取和处理过程复杂且耗时，可能导致报告的时效性和准确性受到影响。

二是深度和广度不足，尽职调查报告需要全面、深入地分析目标行业的现状、前景、竞争格局等。然而，银行在执行过程中可能因为资源有限或专业能力不足，导致分析不够深入和全面，无法为决策提供充分的信息支持。

三是风险评估的主观性，尽职调查报告中的风险评估部分需要综合考虑多种因素，包括市场风险、信用风险、操作风险等。由于评估过程涉及主观判断，可能存在评估结果不够客观、准确的问题，增加了决策的风险。

三是专业能力和经验差异，尽调报告的质量很大程度上取决于客户经理的专业能力和经验。不同客户经理对同一行业的理解和分析可能存在差异，影响报告的一致性和可靠性。

业务流程：

行业分析助手通过访问借款企业财报、行业知识库、互联网搜索引擎方式获取借款企业所处行业信息，并分析生成行业报告，具体流程如下：

1）构建行业知识库：收集行业信息，如行业政策法规、行业趋势、行业报告、竞对分析、市场环境等，构建多行业知识库。

2）行业信息获取：获取借款企业的财务信息，然后根据企业所处行业搜索行业知识库，同时通过互联网搜索引擎进行资料补充，获得完整的企业相关行业信息。

3）行业分析：通过召回检索回的数据进行整合，并进行深入分析，包括分析行业政策及其影响、对比同业数据、行业发展等，将所有分析结果汇总成一份详细的行业分析报告，提供给客户经理。

价值分析：

深度全面行业剖析，不仅全面分析政策因素，也对行业概况、运行特点、行业周期性、上下游情况、未来发展前景、市场集中度、进入壁垒、行业政策与法规等进行调查与分析，使分析结果更加直观、更具针对性。

同行业对比增强参照性，通过细致对比同行业上市公司的财务指标，并结合借款企业具体的生产经营状况，评估其经营、财务等方面的风险，并为贷款决策提供有力支持。

效率提升，通过行业知识库、互联网搜索方式，减少了以前耗时耗力搜集资料、汇总材料的时间，效率提升 75% 以上。

1.1.3 企业股权/关联分析助手

Agent场景：

银行对公授信时需要分析企业的股权结构、企业之间有无关联关系等信息，主要用于深入了解贷款企业的实际控制权和股东背景，帮助银行更全面地评估信贷风险。希望自动生成借款企业的股权结构信息、关联信息等信息，减少材料编写时间及信息准确率。

企业股权 / 关联分析功能通过大模型调用搜索引擎能力获取企业股权和关联信息，结合大模型能力实时绘制借款企业的股权等信息，然后大模型汇总生成股权结构 / 关联关系结构，帮助银行了解企业主要股东和关联关系等信息，深度分析不仅提高了贷款决策的准确性，也增强了银行管理信贷风险的能力。

需求分析：

尽调报告中企业股权 / 关联分析时需要分析企业股权有无关联关系，有无黑灰名单企业，有无高风险企业。信贷时需要客户经理提供企业股权结构信息：借款人的股权结构图、主要股东或实际控制人实力介绍，传统解决方案通常是客户经理通过企查查等渠道获取，要么手工查询绘制，要么二次付费下载，属于难度高、耗时长的部分，对客户经理要求极高。具体要求如下：

一是，股权结构图须穿透到最终的实际控制人，需标明各出资人的出资比例（如出资人较为分散，则仅需列示主要的出资人）。

二是，若有风投等投资公司进入，需补充股权取得成本、投资款到位情况、是否存在对赌协议及主要内容，判断对赌条款近期触发的可能性以及对借款人经营和财务安全性的影响。

三是，关联信息综合获取企业的股东、参股公司、控股公司、联营企业，并按照表格结构显示相关信息。

业务流程：

企业股权 / 关联分析通过调用股东信息获取 Agent 和脑图绘制文件 Agent 结合，具体流程如下：

1）股东清单获取：第一次股东信息查询，首先根据企业提供的年报、财报等知识库内容获取股东清单。

2）循环遍历获取股东信息：根据上面股东信息清单被传递到一个“循环遍历”步骤，信息再次被传递给“股东信息详情 Agent”，如果没有股东信息可以通过搜索引擎获取方式股东信息详细信息。可能用于进一步的数据验证或补充。

3）股权结构报告：处理好的信息被传递给绘制脑图 /md 文件 Agent，这个 Agent 负责将信息整理成脑图或 Markdown 格式的文档，同时股东信息表格 Agent 生成股东信息表。

价值分析：

在银行信贷授信环节中，股权分析的价值主要体现在能够帮助评估借款企业的财务健康状况、管理结构以及潜在风险。通过三方接口实现全自动绘制股权穿透图，可以显著提升这一过程的效率和准确性。以下是这种技术优化的具体价值：

提高准确性，自动化的股权穿透图生成减少了人为错误的可能性，确保了数据的一致性和准确性，自动生成的图表支持后续的人工调整和优化，使得最终的分析结果更加贴合实际情况。

节省时间，相比人工搜集编写材料，助手能够在短时间内完成复杂的股权结构分析，从原来数小时缩短为几分钟就能进行股权分析内容生成。

1.1.4 财务报表分析助手

Agent场景：

在银行信贷场景中财务报表分析是非常重要的，因为财务报表提供了关于企业财务状况、经营成果和现金流量的关键信息。通过深入分析这些数据，信贷机构能够评估借款企业的还款能力和信用风险，从而做出更加明智的贷款决策。

财务报表分析助手依托大模型技术，专为高效处理、深度分析及精准解读借款企业财务报表信息而设计，将资产负债表、利润表、现金流量表中通过知识库查询召回方式提取关键指标，结合审计报告内容能自动化生成详尽的智能分析报告，根据历史变化指标分析输出专业分析意见，显著提升财务报表阅读效率。

需求分析：

财务报表及各项财务指标能够充分反映企业实际经营情况，因此财务解读分析能力至关重要，当前主要问题如：

一是分析经营风险，财务报表能评估企业价值、了解盈利能力和识别风险因素。通过分析收入、成本、利润和现金流等关键指标，可以发现高额负债、现金流问题或收益不稳定等风险因素。基于历史数据的趋势和比率分析，还可以预测未来业绩，帮助企业提前采取预防措施，降低潜在风险，确保稳健运营。

二是财务报表指标复杂性，财务报表包含复杂的指标，如资产负债表、利润表和现金流量表中的各项数据。这些指标不仅数量庞大，而且相互关联，需要综合分析才能得出准确结论。理解和解析这些复杂指标对全面评估企业的财务健康状况至关重要，以确保决策的科学性和准确性。

三是专业局限性，尽管客户经理具备一定的财务知识，但在面对繁重的数据量和复杂的指标时容易出现错误。传统分析方法往往只是简单描述数据变化，未能深入挖掘背后的真实原因和潜在风险，限制了他们对企业实际经营状态的理解和风险评估能力，影响信贷审批和风险管理的精准度。

业务流程：

客户经理把要借款企业相关材料文档上传到的企业知识库，通过财务报表分析助手生成分析报告，具体流程如下：

1）知识库构建，客户经理上传借款企业财报、公司章程、年报等文件到信贷系统，信贷系统自动同步到企业知识库，构建企业专属知识库。

2）财报指标抽取，召回借款企业资产负债表、现金流量表、利润表等信息，对比近三年历史财务数据来识别趋势、解释财务状况的变化、进行关键财务指标的比较分析，由大模型完成深入分析。

3）指标异常分析，根据指标异常将变化发生的时间和具体的变动数据项作为搜索条件的一部分。通过这些信息，在文档库中召回该时间段内的企业经营事件。例如，特定时间段内的重大合同签订、政策变动或管理层更替等事件，这些都可能对企业财务数据产生影响。

4）分析报告，结合大模型对数据变化的分析结果和从文档库中召回的企业经营事件，进行全面的综合分析报告生成。如右图是财务状况异常分析结果及异常原因。

价值分析：

提高决策效率，通过自动化处理和分析财务数据，可以快速生成报告和关键指标分析，确保数据处理的一致性和准确性，帮助客户经理或审批人员更快地做出基于授信决策。

专业洞察，利用高级分析技术，如预测分析、趋势分析等，可以从大量数据中提取有价值的信息，提供对业务绩效更深层次的理解，支持战略规划和风险管理。

节省时间，自动化的财务报表分析减少了手工操作的需求，降低了人力成本，时间缩短到分钟级，财报分析效率提升 95%以上。

1.1.5 交易流水分析助手

Agent场景：

在银行贷款审批过程中，客户提交的交易流水是评估其还款能力和经营状况的重要依据。信贷经理通常需要根据这些流水记录来分析客户的经营性现金流收入与支出，并与企业的实际经营数据及合同履行情况进行对比，以此判断企业的真实生产经营情况及潜在风险。

基于大模型技术的银行客户交易流水分析，将信贷专家的经验固化在大模型流程中，实现了专家经验的高效复用，使得信贷人员能够在短时间内获得详尽且准确的客户交易流水分析报告，从而更有效地评估贷款风险并作出决策。

需求分析：

现金流是企业生存的关键，通过流水分析可以清晰地看到企业的资金流入和流出情况，更能反映企业的真实经营成果，帮助判断该公司是否有能力偿还贷款，但实际操作来看，有以下难点：

一是，系统化成本高，由于各银行流水单格式各异，实现自动化系统处理的成本较高，手工拼接和分析耗费巨大的人力资源和时间，目前主要依赖手工分析效率低下。

二是，海量数据处理效率低且难以标准化，企业每月的交易流水可达上万条，客户经理难以详细准确地进行分辨和分析，这不仅耗时而且容易出错。

三是，高度依赖经验丰富的信贷经理，有效的流水分析需要有经验的信贷经理进行专项分析，这类人才稀缺且培养周期长。此外，分析结果易受个人经验和状态影响，导致判断差异。

业务流程：

银行信贷场景中流水经营分析的几个关键步骤，通过流水分析实现高效、标准化的交易流水分析功能：

1）智能匹配流水单格式，解决各家银行流水清单文件格式不一致的问题。通过智能匹配技术能够适应不同银行的流水单格式，确保后续分析的数据准确性和一致性。

2）智能分析经营性流水，从交易清单中识别和分类经营性交易。对清单内容进行智能分析，识别哪些关键词属于经营性关键词。通过大模型技术自动筛选出与企业经营活动相关的交易记录，为后续的风险评估提供数据支持。

3）智能生成流水分析结果，根据经营流水数据完成客户全部交易流水的分析，并返回结构化的打标结果及生成详细的报告，具体流水分析结果。

价值分析：

提升流水分类准确率：对于交易流水中各种不同的备注信息，通过大模型方式进行交易数据的经营类型智能分类识别，客户经理不需要一条条交易内容仔细核对。

提升流水分析效率：能够将大量不同类型的交易流水文件分钟级就能生成流水分析结果，效率提升 90% 以上。

1.1.6 信审资料查全助手

Agent场景：

企业贷款信用审查是金融机构在向企业提供贷款服务前的一项重要风险控制措施，企业申请贷款时需要准备详实的材料，展示企业的健康运营状态、市场前景及还款能力等情况，以确定是否给予贷款以及贷款的额度和利率。

贷款信审助手利用大模型技术构建智能信审系统，辅助银行客户经理在搜集企业材料过程中，检查材料的完备性、内容时效性，检查企业是否符合信贷产品准入条件，并进行合适的信贷产品推荐。做到现场材料搜集“只跑一次”，显著提升了信审阶段的效率和准确性。

需求分析：

客户经理上门对企业进行尽调材料搜集过程中，面临搜集文件多、内容不实时、不同贷款产品多次反复现场搜集材料等问题，具体如下：

一是资料收集多，信审阶段客户经理需要准备丰富且真实的材料，包括但不限于企业的营业执照、财务报表、税务记录、销售合同、资产证明等等。

二是资料实时准确，上传材料时效性验证，例如客户提供营业执照非最新版本，希望通过搜索引擎获取最新工商信息，对比资料库内容提示客户经理。

三是经验不足，银行金融产品众多，客户自行申请时选择产品不够精准，新客户经理对产品及客户资质了解不足，导致无效申请或者多次往复补充材料，效率降低。

业务流程：

客户经理在信贷申请审核前，会把客户相关信息搜集并上传到信贷系统，同时系统会根据上传内容进行完整度和时效性核验，然后根据授信产品要求核验具体内容，完成本次材料采集。

1）收集材料，申请人提供必要的材料，包括但不限于营业执照、公司章程、财务报表、税务记录、销售合同、资产证明、水电房租发票等。

2）上传材料，将收集到的材料上传至信贷系统。这一环节确保所有必要文件都被数字化并存储在系统中。

3）验证材料完整性，大模型会自动检查上传的材料是否完整。例如，它会判断是否有遗漏的文件或信息。

4）核验材料时效性，大模型进一步检查材料的有效性和时效性。例如，财务报表是否是最新的，税务记录是否与当前时间匹配等。

5）产品推荐，根据审核结果，系统会推荐适合申请人的信贷产品。这一步骤基于大模型对申请人资质和需求的理解。系统会查询信贷资料知识库，以获取更多关于信贷产品的信息，帮助申请人更好地理解其选择。

价值分析：

避免遗漏客户材料，通过引入先进的大模型技术，系统能够自动检查并提醒客户经理所需的所有材料是否齐全，有效避免因客户经理遗漏重要文件而导致的客户投诉以及多次往返补充材料的问题，缩短授信时间。

内容审核校验前置，在收集阶段进行资料内容准确性和时效性检验，一旦发现错误或过期信息，系统将立即通知客户经理进行修正，确保所有提交的信息都是最新和有效的，减少后续因为信息不准确而产生的问题。

全信贷产品规则匹配与推荐，系统内置了行内信贷产品的详细规则，并能基于客户的资料智能匹配最适合的产品。这种个性化的服务不仅能提升客户的体验感，还能提高授信的标准，使整个授信过程更加高效、精准。

1.1.7 信贷授信方案助手

Agent场景：

客户经理在信贷授信前需要进行现场调研并形成初步的授信方案后，经常因为客户经理对信贷产品准入要求不明确、抵押资产评估有误等原因，导致提交资料多轮次打回修改，拖长了企业贷款授信周期。

信贷授信方案助手结合大模型技术，对客户经理的问题进行意图理解识别，然后分别进行制度条款、授信要点内容 RAG 检索召回，再根据条款要求进行准入条件判断，将结果组装成固定结构返回给客户经理，提高整个授信审批的通过率和效率。

需求分析：

当前对公的授信环节中，普遍存在由于对公客户经理对于产品准入要求了解不全面，在设计对公授信组合方案中，无法准确的识别风险点和注入要求。需要反复与授信审批人员确认方案可行性，造成授信方案的反复沟通成本以及授信审批过程中驳回的情况出现。

一是，客户经理经验少，客户经理对于客户能不能做、做什么产品、定什么方案往往没有头绪，无快捷的指导性工具。

二是，文档资料类目多，行业信贷政策文件、抵质押品准入名录、小微产品种类繁多，且每年均有新增或者修订，各类文件要求较多。

三是，资料查询效率低，客户经理及授信审批人员在日常工作中往往需要翻阅查询相关文件来核对是否符合要求，在一定程度上影响了业务申报的顺畅性以及授信审批的效率。

业务流程：

客户经理可以通过机器人助手结合大模型能力，提供信贷授信制度问答和方案提示功能。以授信方案提示场景为例，客户经理输入的授信方案要求先通过要素拆解智能体将要素做提取，针对不同产品的制度条款，通过条款解读智能体结合知识库中的制度文件做相关产品条款的召回和筛选。再通过条款判断智能体来做量化和非量化条款的判断，最终由大模型组装成授信提示做统一展示，具体流程如下：

1）授信知识库构建，搜集相关制度文件、行内信息、信用信息、行研报告文档、行业授信政策、综合授信文档等，按照条款、自然段落对文档进行拆解与召回，支持文档订正更新能力。

2）意图识别，根据用户问题输入通过意图识别判断，识别是词条还是授信方案内容查询。

3）授信方案提示，将授信方案中的信息通过大模型进行要素拆解。要素拆解包括：企业名称、所属行业（用于做行业规划及行业前景综合分析）、贷款产品、担保方式、业务模式等。

4）要点条款召回，遍历基础要素，匹配对应的管理办法制度文件，召回要点条款，包括行研报告、行业授信方案、综合授信、敞口授信、资金池信息等；基于大模型的能力，将量化的条款结合企业相关数据做比对，非量化的条款要求直接反馈输出给出提示。

5）内容整合，集成外部接口召回企业相关信息，如成立年限、法人信用状况等等，基于大模型的能力，对当前信息充足的条款判断是否满足。

6）组装提示结果，基于大模型的能力按照给定结构组装提示结果。

价值分析：

快速检索：客户经理能够迅速获取行内内部信息、最新的准入政策、行业政策以及相关的管理办法，确保了信息的实时性和准确性，确保客户经理能够在最短时间内做出准确的风险评估和决策。

精准营销：精准定位潜在客户群体，并利用初步试评来评估不同市场活动的效果。快捷指导帮助制定个性化的营销策略，而学习搜索功能则支持基于最新市场趋势不断优化和调整营销方案，从而提升获客效率和客户转化率。

高效审批：涵盖了初步评审和前期匹配环节，确保资源得到最优配置并显著缩短处理时间。通过标准化的初步评审流程，信贷专员能够快速找到最佳贷款产品。这不仅节省了大量时间，还提高了审批的质量和效率，提升了客户满意度和服务体验。最终，实现了信贷业务的质效双重提升。

1.1.8 尽调报告审核助手

Agent场景：

审核尽调报告时因为审核人员数量少、项目并发高等原因，也导致信贷审核周期平均在一周左右。另外审核人员对报告内容信息不对称、报告质量不高以及财务信息真实性甄别等困难，如何快速定位关键信息和风险点，确保审核过程高效准确是审核人员希望解决的。

信贷尽调报告审核助手利用大模型技术，按照预设量化及非量化指标，同步生成详细的审核意见，帮助审核人员进行快速定位关键信息和风险点，也能减少审核人员翻阅报告时间，确保审核过程高效准确。

需求分析：

信贷尽调报告审核过程中，面临如下难点：

一是审核压力大，由于对公客户经理人数远超审核岗位，导致审核工作量巨大。每份尽调报告的审核通常需要大约一周左右，这不仅增加了审核人员的工作负担，还可能影响整体工作效率。

二是审核效率低，尽调报告往往超过百页，包含大量复杂的数据和信息。审核人员在这种情况下很难迅速且准确地找到所需的关键数据点，容易遗漏重要细节，从而影响审核的质量和准确性。

业务流程：

尽调报告内容生成后，会进行报告内容拆解和规则审核，形成审核报告。

报告生成，客户经理根据借款企业提供的材料进行贷款申请报告的撰写，生成最终的尽调报告。

报告拆分，根据不同的报告审核规则，将尽调报告自动拆分成多个不同的章节内容，方便审核规则对内容进行准确审核。

报告审核，沉淀不同的审核规则汇总成专家规则，形成不同规则审核智能体进行报告审核判断。通过财报审查、财务比率审查、债务规则审查和现金流审查来检查企业的财务健康状况，然后通过收入与利润审查及风险合规审查来验证数据的准确性和合规性。

审核报告生成，基于上述的审查智能体的反馈内容，系统提供一个综合评估，并给出具体的推荐建议。

价值分析：

信贷尽调报告审核助手的价值主要体现在提升信贷审批流程的效率、准确性和合规性上。该助手帮助分析和处理大量的信贷申请数据，能够快速识别潜在风险点，并提供决策支持。以下是其具体价值分析：

增强审核支持，审核助手能够在审核人员接收到尽调报告的同时，自动生成并提供详细的审核意见。这些意见基于对报告内容的深度分析，帮助审核人员快速定位关键信息，并提供针对性的建议和支持，从而显著缩短审核时间并提高审核质量。

缩短审核时效，自动化处理大量数据的能力使得信贷审核过程大大加快，可以节约 50% 以上时间，减少了人工操作的时间成本。

1.2 风控

1.2.1 信贷进件风控助手

Agent场景：

信贷授信进件时需要审查客户提供企业资料，客户经理需要人工审核上传材料进行内容核对，确保其合法性和真实性，同时对进件材料进行风险评估。信贷进件风控助手小微企业资料上传内容审核对比，根据进件照片识别虚假经营场地骗贷的功能。

“信贷进件风控助手”Agent 是一种利用大模型和先进的人工智能技术，多模态大模型进行进件内容提取，并且通过照片背景识别进行相似地址的判断。当检测到异常情况时，系统能够及时发出警报，提醒信审部门进行深入调查，从而有效防范贷款欺诈行为，避免资金损失。

需求分析：

进件审核原来靠人审查，信审部门审核人员较少，工作量大经常要加班，而且会漏审和误审，一旦误审会导致放款后造成资损。因此希望能够解决以下问题：

一是内容材料一致性审核，根据小微企业营业执照、税务登记证、法人身份证明复印件（PDF）与借款人提交的贷款申请表进行对比，查看是否一致性。

二是欺诈检测，进件的照片附件，识别经营场地，和照片背景，防止中介利用虚假经营场地，冒名小微企业主骗贷等。包括：一个经营场所被反复利用，同一人冒用身份进行贷款申请，经营场所与实际申请材料不一致等。

业务流程：

借款企业提供书面材料提供个贷款机构，通过多模态方式资料审核方式实现上传材料内容审核，并且识别经营场地异常分析的情况。

1）进件材料上传，申请人员提供小微企业营业执照、税务登记证、法人身份证明复印件（PDF）、收入证明、银行流水、信用报告等材料上传到信贷系统。

2）资料审核，利用快速解析和理解客户提交的申请材料，自动提取关键信息并进行初步风险评估。这不仅可以加速审批流程，还能减少人。

3）欺诈检测与预警，通过模式识别和异常检测算法，可以辅助识别申请材料中的不一致性或潜在的欺诈行为，及时发出预警并进行人工审核，增强风控能力。

价值分析：

提高审批效率，通过自动读取、解析和验证提交的文件（如营业执照、税务登记证、法人身份证明等），减少了手动审核的时间和工作量，信审员工作量减少 30% 以上。

提升准确性与一致性，自动化流程减少了人工操作中的失误，确保每一份申请材料都经过严格的标准验证。

防范贷款欺诈，系统可以验证申请人提供的证件和照片的真实性，识别同一人或同一经营场所反复用于贷款申请的情况，防止冒名顶替和虚假经营场地的使用。拦截大额贷款诈骗，每月减少百万元的资产损失。

1.2.2 生成用户可疑交易报告

Agent场景：

反洗钱是金融机构必须严格遵守的合规要求之一，可疑交易报告是金融机构履行反洗钱义务的重要手段，其目的是通过识别和报告可疑交易，防止洗钱和其他金融犯罪活动的发生。然而，传统的报告撰写过程存在诸多挑战，如报告质量参差不齐、撰写效率低下、信息整合困难等。

“生成用户可疑交易报告”Agent，通过自动化生成高质量的可疑交易报告，提高金融机构的合规效率和报告质量。能够准确理解用户的可疑交易特征，自动进行数据字段分析与 SQL 构建，获取相关的数据，最后生成大模型内容。

需求分析：

主要业务痛点：

一是报告撰写效率低，由于缺乏自动化工具和标准化流程，反洗钱报告的编写往往依赖于手工操作，导致处理速度慢且容易出错，影响了整体的工作效率。

二是报告质量参差不齐，不同人员对法规的理解差异及数据完整性的不足，使得报告的质量不稳定。缺乏统一的标准和严格的审核机制进一步加剧了这一问题。

三是信息整合难度大，来自多个系统的数据格式各异，跨地域的数据共享需考虑法律合规性，加上实时性和非结构化数据处理的需求，增加了信息整合的复杂度。

四是专业人员依赖性强，高水平的反洗钱工作需要深厚的专业知识和经验，但此类人才稀缺且培养周期长，人员流动还可能造成关键岗位空缺，严重影响工作效率。

业务流程：

“生成用户可疑交易报告”Agent 主要包括“数据字段分析与 SQL 构建”模块和“报告生成”模块。在“数据字段分析与 SQL 构建”模块中，大模型能够准确理解用户的可疑交易特征，并智能识别出与之相关的交易数据字段。例如，当发现某客户存在频繁大额资金转移的可疑特征时，大模型会迅速分析出需要关注的字段包括交易时间、交易金额、交易对手账户信息等，从而构建出高效的 SQL 语句，从数据库中精准提取相关数据，为后续的深入分析提供有力支撑。

在获取到用户可疑特征及真实的交易数据后，“报告生成”模块利用大模型强大的语言生成能力，结合用户可疑特征和真实的交易数据，能够自动生成内容详实、条理清晰的报告文本，不仅包含关键的交易数据和可疑特征分析，还能给出合理的结论和建议措施。

在技术上“生成用户可疑交易报告”Agent 实现了大模型与金融业务的深度融合。一方面，大模型在金融领域的应用拓展了其使用场景，证明了其在复杂业务逻辑中的强大适应性和实用性；另一方面，通过创新性地将大模型应用于可疑交易报告的撰写，为金融行业提供了一种全新的智能化解决方案，推动了金融科技的发展，为其他金融机构在类似业务场景中的应用提供了参考和借鉴。

价值分析：

提升效率与准确性，通过自动化工具和标准化流程，显著提升了报告的撰写速度，减少了手工操作的时间消耗和出错率，提高了整体工作效率。从庞大的数据库中准确提取与可疑特征相关的交易信息，确保数据的准确性和完整性。

标准化与质量提升，解决了因人员对法规理解差异导致的报告质量不稳定问题。通过标准化流程和自动化的报告生成机制，实现了报告质量的一致性。结合大模型的语义理解和生成能力，能够自动生成详尽且专业的可疑交易分析报告，保证了报告的深度和专业度。

简化信息整合过程，克服了来自多个系统数据格式各异、跨地域数据共享复杂等挑战，通过智能的数据字段分析和 SQL构建，简化了信息整合的难度，使得实时性和非结构化数据处理变得更加高效。

减少对专业人才的依赖，大幅减少了对高水平反洗钱专业人才的依赖，降低了由于人员流动带来的风险，即使在缺乏经验丰富的专家的情况下，也能维持较高的工作效率和报告质量。

1.2.3 风控智能助理

Agent场景：

在金融行业快速发展的当下，传统风控手段难以满足日益复杂多变的风险挑战。数据量暴增、风险类型多样化、客群资质变化快，导致策略模型需要高频迭代，亟需一种高效智能的风控工具，因此智能风控助理 Agent 应运而生。

智能风控助理 Agent 基于大模型开发，具备多方面强大能力。通过交互式对话的形式，它能解答风控知识疑问，进行策略的深度分析推理，并且高效自动化实现风控策略迭代过程中的函数开发、策略开发、智能建模等任务，为风控工作提供全面且智能的支持。

需求分析：

一是策略模型优化需求，随着金融业务创新，风控策略和模型需持续迭代。了解已有策略的数据依赖，分析策略血缘，成为改进策略精准度、降低误判风险的关键。通过工具的分析推理能力，风控人员能精准定位数据问题、完成策略诊断，针对性优化策略。

二是开发效率提升需求，在实际业务中，函数开发、策略生成部署、风控模型建模均耗时费力。传统开发方式依赖专业程序员，且易因沟通不畅、需求理解偏差导致项目延期。Agent 的代码开发与智能建模功能，让非专业研发人员也能快速上手，依据文档自动生成代码片段、模型框架，大幅缩短开发周期。

三是风控知识普及需求，金融风控领域知识体系庞大复杂，对于新手从业者而言，诸如 “决策流”“规则集” 等专业词汇理解困难。即使资深人员，面对不断更新的法规、技术与模型，也需要便捷的知识获取渠道。此Agent 提供即时准确的知识问答，满足不同层次人员的学习需求。

业务流程：

在应用中，基于大模型的智能风控助理 Agent 具备多项核心能力，包括知识问答、函数生成、策略开发、智能建模等，旨在全面提升风控效率和质量。它通过大模型和 RAG 等技术，实现风控知识问答。对于风控策略中频繁用到的函数，该 Agent 能根据用户 query 生成对应函数脚本，并一键回填到风控平台的“函数管理”模块下。在整体风控策略的迭代和开发上， Agent 能基于输入文件实现策略快速开发，并通过一键回填，让相关策略高效部署至风控平台。同时 Agent 还可进行智能建模，将特征数据、数据标签、AUC 指标值等信息输入 Agent，即可开始模型训练，并自动进行多轮迭代，直到模型 AUC 指标符合客户要求。这些能力共同作用，为用户提供了一个全面且高效的风控解决方案。

价值分析：

智能风控助理 Agent 的价值主要体现在以下几个方面：

提升风控工作效率，自动化处理大量重复性任务，如常规建模、数据对接、策略生成等，让风控人员可以专注于更具挑战性的分析工作。

促进知识共享，作为一个持续学习的系统，Agent 不仅能回答当前的问题，还能不断积累知识，成为组织内部重要的知识库资源。

降低操作风险，通过标准化流程和自动化工具减少人为失误的可能性，确保每一个决策都有据可依。

增强决策质量，借助先进的算法和大数据分析能力，提供更加精准的风险评估结果，助力企业做出明智的商业决策。

1.3 手机银行

1.3.1 零售业务助理

Agent场景：

基于大模型的银行“APP 零售业务助理”Agent 是专门为手机银行 APP 设计的零售业务智能客户服务解决方案。它通过 AI 技术提供智能化、个性化的服务体验。该 Agent 不仅支持账单查询、转账服务等基础零售银行业务的办理，还能通过智能对话引导用户完成复杂操作，实时解答疑问，并根据用户的历史行为推荐相关服务。其目的是改善零售端用户的交互体验，显著提升业务办理效率和服务质量。

需求分析：

银行的零售业务智能客服痛点：

一是用户交互体验差，传统手机银行 APP 操作复杂，用户需要多次点击才能完成简单任务。

二是客服响应慢，人工客服响应时间长，难以满足用户即时需求。

三是业务办理效率低，用户需要手动输入大量信息，操作繁琐且容易出错。

四是个性化服务不足，难以根据用户画像和行为数据提供个性化服务。

零售业务智能助手核心功能需求：

一是账单查询，支持用户通过自然语言查询账单信息。

二是转账服务，支持用户通过语音或文本指令完成转账操作。

三是账户管理，支持用户查询账户余额、交易记录等信息。

四是智能推荐，基于用户画像和行为数据，推荐相关金融产品和服务。

业务流程：

打造基于大模型智能体的手机银行智能业务助手，面向银发客群提供智能化的零售业务服务，提升手机银行 APP 的用户体验，减少人工客服压力，提高零售业务办理效率。

1）账单查询，用户通过语音或文本输入“查询上个月账单”等内容，自动识别用户意图，快速返回账单详情。支持多轮对话，用户可进一步询问具体交易细节。

2）转账服务，用户通过语音或文本输入转账相关内容，如“转账给张三 1000 元”，自动识别收款人和金额，为客户提供转账相关 UI 组件卡片，支持用户完成转账操作。

3）账户管理，用户通过语音或文本输入“查询账户余额”等类似内容，自动返回当前账户余额和最近交易记录。

4）智能问答，对用户提供智能问答服务，包括问候场景、知识问答、主动对话等能力，可对企业相关产品、活动等问题进行针对性回答和详情介绍。

价值分析：

增强用户体验，24/7 在线服务使客户随时随地都能得到帮助，增强了便利性和满意度。

提高工作效率，自动化处理常见问题和任务，减少了人工客服的工作量，提升了整体服务效率。

降低运营成本，减少了对人力客服的依赖，降低了培训和管理成本。

数据驱动决策，收集和分析用户交互数据，为优化产品和服务提供依据。

安全与合规，严格遵循金融行业法规，确保每一次交易的安全性和合法性。

促进交叉销售，通过智能推荐，适时向客户介绍其他可能感兴趣的产品或服务，增加收入来源。

1.3.2 养老咨询规划

Agent场景：

“APP 养老咨询规划”Agent 面向银行等金融机构养老金融场景，提供个人养老金的知识问答、投教问答以及引导客户进一步沟通个人养老的规划方案，为金融机构提供 APP 上的养老金融智能咨询服务能力，辅助手机银行等线上经营场景，提供能说、能懂、会引导的养老金融智能体。提供 API 支持和配置功能，支持接入金融机构标准知识库 /FAQ 库，支持配置业务目标和牵引方向。

需求分析：

在零售养老金融场景下，解决当前手机银行、App 中智能机器人 /Bot 遇到的核心挑战：

一是如何听懂客户的诉求，识别客户的问题，针对问题进行拆解和分析，理解客户的核心意图和诉求。

二是如何输出专业的内容，基于客户的核心意图和诉求，组织专业的场景答案，给予客户价值内容输出。

三是如何有效牵引和引导客户，通过思维链等方式，针对客户的理解 / 问题进行牵引，引导客户关注相关业务重点、投教知识等。

业务流程：

以大模型为基础，打造面向养老金融场景的手机银行 APP 智能助手。可以实现养老金融规划、智能化问答、养老资产查询、养老产品推荐等功能。通过该智能体能够理解用户的问题并提供精准、专业的养老金融服务建议。有效提升养老金融场景下智能体的理解和牵引能力，对零售客户在个养场景的下的问题进行有效的沟通和引导，促进业务目标的达成。

1）智能问答，解答用户关于养老金账户、养老理财产品、养老保险等方面的疑问，例如“如何开通养老金账户？”、“有哪些适合我的养老理财产品？”等。

2）养老规划，根据用户的年龄、收入、风险偏好等信息，提供个性化的养老规划建议，例如“我应该如何配置养老资产？”、“我需要准备多少养老金？”等。

3）产品推荐，根据用户的养老规划，推荐合适的养老金融产品，例如养老目标基金、商业养老保险等。

4）风险评估，评估用户的养老风险承受能力，并提供相应的风险提示和建议。

5）资讯推送，定期推送养老金融相关的政策解读、市场动态、理财知识等资讯。

价值分析：

“APP 养老咨询规划”Agent 辅助手机银行、线上机器人在面客过程中的沟通，提供机器人增强 / 替代功能，牵引客户朝业务需要的方向上进行引导（例如开户、关注产品、计算养老方案、线下约见等）。

增强用户体验，通过提供高效、准确的服务，增强了用户体验，提高了客户满意度。

推动业务增长，吸引对养老金融产品有需求的客户群体，促进相关业务的增长。

展示社会责任，体现了银行在应对人口老龄化挑战方面承担的社会责任，树立良好的企业形象。

数据驱动决策，积累大量用户行为数据，有助于深入了解市场需求，优化产品和服务设计。

1.3.3 理财业务助理

Agent场景：

银行“APP 理财业务助理”Agent 是基于大模型的理财业务智能客服 Agent，专为手机银行 APP 设计，旨在通过 AI 技术为 C 端客户提供个性化的理财服务。该工具结合客户画像和需求，利用私域理财产品库，提供智能化的产品推荐、理财购买、理财赎回等服务，显著提升客户体验和业务办理效率。

需求分析：

银行的理财业务智能客服痛点：

一是客户画像不清晰，难以精准识别客户的风险偏好、投资目标和财务状况。

二是产品推荐不精准，传统推荐方式依赖人工，难以根据客户需求实时匹配合适的产品。

三是操作流程复杂，客户在购买或赎回理财产品时，需多次操作，体验较差。

四是服务响应慢，人工客服响应时间长，难以满足客户即时需求。

理财业务智能助手核心功能需求：

一是客户画像分析，基于客户行为数据和财务信息，生成精准的客户画像。

二是智能产品推荐，根据客户画像和需求，从私域理财产品库中推荐合适的产品。

三是理财购买与赎回，支持客户通过自然语言或简单操作完成理财产品的购买和赎回。

四是智能问答，提供理财相关的咨询服务，解答客户疑问。

业务流程：

打造银行“APP 理财业务助理”Agent，提升手机银行 APP 的理财业务体验，增加客户粘性，提高理财产品销售转化率。

1）客户画像分析，通过分析客户的交易记录、风险测评、资产配置等数据，生成精准的客户画像，包括风险偏好、投资目标和财务状况。例如，识别出某客户为“稳健型投资者”，偏好低风险、中长期理财产品。

2）智能产品推荐，根据客户画像，从私域理财产品库中推荐合适的产品。例如，向“稳健型投资者”推荐低风险的债券基金或保本型理财产品。

3）理财购买与赎回，客户通过语音或文本输入“购买推荐理财产品”，自动完成购买操作。客户通过语音或文本输入“赎回某理财产品”，自动完成赎回操作。调用理财相关业务 UI 组件卡片，确保交易准确安全。

4）智能问答，对客户提供智能问答服务，包括问候场景、知识问答、主动对话等能力；回答客户理财类问题，如客户通过语音或文本输入“理财产品的收益率是多少？”，自动返回准确的答案。支持多轮对话，客户可进一步询问相关问题。

价值分析：

提升客户体验，智能客服通过 24 小时在线服务、多轮对话和个性化推荐，满足客户多样化需求，显著提升理财服务的便捷性和满意度。

降低运营成本，自动化处理大量咨询和交易请求，减少人工客服的工作量，降低银行运营成本。

精准营销与客户留存，通过分析客户行为和偏好，智能客服能够精准推荐理财产品，提升客户留存率和产品销售效率。

增强风险管理，智能客服能够根据客户的风险偏好提供合适的产品建议，帮助客户合理配置资产，降低投资风险。

提升品牌形象，智能化的理财服务展示了银行的科技实力和创新能力，有助于提升银行在客户心中的品牌形象。

1.3.4 信用卡服务助理

Agent场景：

APP 信用卡服务助理Agent 是专门为银行手机银行 APP 设计的信用卡客户服务解决方案，它能够提供信用卡还款、账单查询、智能问答等智能化服务，不仅支持 24/7 全天候自助服务，还能通过多轮对话理解和解决复杂问题。其目的是改善用户交互体验，简化操作流程，显著提升信用卡业务办理效率和服务质量，同时确保高准确性和安全性。

需求分析：

银行的信用卡业务智能客服痛点：

一是用户交互体验差，传统手机银行 APP 操作复杂，用户需要多次点击才能完成信用卡相关业务。

二是客服响应慢，人工客服响应时间长，难以满足用户即时需求。

三是业务办理效率低，用户需要手动输入大量信息，操作繁琐且容易出错。

四是个性化服务不足，难以根据用户画像和行为数据提供个性化服务。

信用卡业务智能助手核心功能需求：

一是信用卡还款，支持用户通过自然语言完成信用卡还款操作。

二是信用卡账单查询，支持用户通过语音或文本指令查询信用卡账单信息。

三是智能问答，支持用户通过自然语言提问，获取信用卡相关问题的解答。

业务流程：

通过基于大模型的“APP 信用卡服务助理”Agent 项目，提升手机银行 APP 的用户体验，提供智能化的信用卡业务服务，提升手机银行 APP 的用户体验，减少人工客服压力，提高信用卡业务办理效率。