当前，金融业嵌入AI Agent的流程数量呈上升趋势，这得益于AI Agent相较于传统解决方案的独特优势，比如减少或替换人工操作，尤其是在处理复杂流程或是重复性任务方面，可以在显著提高工作效率的同时节省人力，并较少地消耗软硬件资源。但另一方面，Agent开发又有一定门槛，不仅需要开发设计人员了解业务，还需要不断探索Agent效率和效果的优化路径。

金融业AI Agent

现状分析

现阶段金融AI Agent发展面临着诸多挑战。

一是开发难度大。目前金融业落地的Agent以静态编译工作流为主，其典型特征是可控性强但自主性差，更偏向于传统的Workflow概念，而不是由AI自主规划任务的“智能体”。大部分工作流的开发非常依赖工具组件的能力和质量。单个工具组件通常只能完成简单任务；而将多个工具组件按需组合在一起以解决复杂任务，则形成了工作流乃至Agent的雏形。另外，组件的不透明性会成为Agent开发的约束条件，开发者可能只知晓输入与输出，对内部可能存在的隐藏规则并不完全了解，如输入内容是否需要转义、组件内的分步运算如何运作等，影响开发质量与测试闭环。

二是场景复杂化。不少金融机构对AI Agent的落地是从场景出发，凸显出智能体体系的散乱性，并未发挥出Agent模式的优势。多元的场景使得Agent需要具备灵活切换的适应性与场景泛化的通用性。如果一个Agent不具备在多场景移植的特性，就会面临需要重复开发的风险。

三是效果不确定。实际工作中，智能体存在在测试运行中表现出色但在生产运作中未产生预期效益的情形，原因包括不能满足业务实际需求、无法持续更新等。就像AI大模型的缩放法则，对AI Agent的持续投入虽然能够解决许多层面的问题，但是金融机构寻找成本与收益的平衡点难度较大。例如，如何在保障Agent表现的同时缩短流程、减少延迟，或是如何在不增加额外成本投入的同时优化Agent表现，都是金融机构应用AI Agent需要直面的问题。

与传统金融科技系统相比，AI Agent具有更高的灵活度，可用最小化开发成本、简洁化智能体设计和优质化智能体业务效果，为推动业务的根本性流程革新提供技术支撑。这种灵活性主要表现在：一个Agent智能体既能作为“系统”来满足一个甚至更多的工作流程目标，又可以作为“零件”嵌入业务模块，实现智能化替换与升级。在规划设计阶段就需要明确关键问题：需要哪些智能体、选择什么业务流程与技术路线、如何编排智能体，以及如何应对后续潜在场景需求。前瞻性的布局规划能有效避免因直接开发导致的效率低下、流程设计不够简洁等潜在问题。

图 Agent开发与应用生态

AI Agent开发的一

些创新方法

针对以上挑战，结合我行智能体开发经验，可总结三条加强Agent成效的思路。

一是并联替代串联，同步转为异步。当前Agent工作流以链式占据主流，这类工作流步步为营、在传递前序步骤成果的同时实现逐步优化。从项目管理角度来说，在链式工作流中，各模块通常是作为FS依赖中的F出现，即需要等待该模块完成相关任务后再开展下一环节的任务。例如，对数据进行清洗分析的环节必须等待数据查询和获取的环节完成才能执行。但如果数据来源多样化，逐一等待将严重影响流程效率。事实上，这类任务完全可以同时执行。因此，优化工作流耗时的核心，首先是在设计流程时用并行模式替代链式模式。以我行Agentic RAG场景为例，对授信文档的预审核既需要符合制度要求，也要符合归纳的规则要求。如果以链式模式开发，在完成制度库检索后，还需等待规则库检索完成才能拼接成完整输入。但是以并行模式开发时，不仅可以同时对制度库和规则库进行检索，甚至可以拓展并行队列，分多次对不同范围的制度库进行检索，进而大幅缩短流程耗时。

二是化零为整，重新组合。通常认为，AGI即通用人工智能是AI的最终目标。然而，由于语言的信息熵、模型预训练方向等因素的存在，现阶段的AI往往展现出擅长不同领域能力的差异化和个性化倾向。在Agent开发过程中，场景的多变性使得单个智能体或工作流难以独自应对。因此，构建多个功能互补的智能体并通过意图识别路由到相应的执行路径，能够将复杂场景拆解为各种情景。这就好比在一个社区中，风格迥异、有不同专长的“人”适合承担不同的工作。

另外，群组中可以设置一名特殊角色，即“记录员”。Agent智能体开发的一大困境是无法在单一链路中实现“中断再继续”，智能体某个环节出现问题可能会传递到后续环节，需要及时中断并纠正。但无论是链式智能体还是并行智能体，单一智能体一旦中断后通常只能重新开始。如果智能体群组中有一位“记录员”，可以查阅每一步骤的相关记录，继而在完成修改后从原流程中断位置，甚至回退至更之前的步骤继续执行，则可以应对这个难题。

我行最初引入群组化、社区化的智能体开发思路，是为了解决单一工作流环节众多、过程烦琐、难以定位原始问题的痛点。在实际开发过程中，我们发现AI Agent可以采用“分布式”开发：将智能体分模块、分流程多线程开发，最后集成。这样做的好处是可以保持单一开发界面的整洁，减少开发资源的消耗，同时保障开发测试的过程可观测性和后续嵌入其他业务场景的灵活性与可复用性。

三是合理安排任务，规范输出格式。现有大模型通常是自回归模型，呈现按语序逐字输出的特性，如果涉及大模型的模块输出时间冗长，后续环节就会受到延迟影响，进而增加整体流程耗时，所以减少大模型在Agent中的参与度，可以提高时间效率。但由于大模型通常在Agent中承担的是非标文本处理等代码或一般工具组件难以替代的任务，因此需要转变思路，将大模型转化为一个更灵活的标准工具组件，充分利用其Transformer架构的Encoder与Decoder特点，将大篇幅、非标准化的输入内容转化为标准化的输出格式。具体来说，我们可以通过在提示词中限定大模型的输出范围、给予大模型输出选项的序列来实现。设定路由条件、打标签，或为工作流提供判断与选择决策等，都是潜在的应用场景。

合理运用prompt提示词的一大优势是可以让大模型代替执行一部分流程任务，可以参考部分传统算法模型绕过蒙特卡洛算法和决策树算法的做法：当我们为模型提供准确的方法论时，模型趋向于不采用随机采样或遍历决策分支，输出速率也能够相应地加快。纯粹通过大模型的复杂输出存在一定随机性，尤其是未作详细规则限定的选择与判断。在提示词中给予大模型一定的选择，并限定大模型输出简单内容，将大模型的输出方向从不可控的、随机的转变为可控的、不会超出既定范围的，可以一定程度上降低大模型输出难度、提高输出精度和速度。

需要注意的是，上下文提供的事实内容无法被提示词替代。也因此，如今业界逐渐有了从Prompt Engineering（提示词工程）到Context Engineering（上下文工程）转变的趋势。在Agent中使用提示词加强上下文的忠实度和召回精准度是对现有提示词工程的潜在衍生应用方向。

使用Agentic RAG

支援上下文工程

在我行实践中，为提升上下文的忠实度和召回精准度，我们引入了Agentic RAG技术。该技术通过开发Agent任务链流程实现对RAG技术的增强。RAG技术旨在对用户问题进行信息检索与扩展，为大模型提供额外参考信息。现在金融业应用的大部分知识库都是基于RAG技术。基础RAG存在许多痛点，其问答准确性不仅依赖知识的整理和存储，也依赖检索召回与重排序等算法能力，还依赖提示词等最终输入模型的内容。此外，大模型自身的上下文窗口限制也使得基础RAG需要对检索到的知识进行策略性的取舍。Agentic RAG则能够将一部分知识库操作定制化，即通过自定义知识范围、检索策略或提示词内容等RAG流程细节，实现对基础RAG的补充与修正。

Agentic RAG的主要流程节点包括：知识拆解入库、查询上下文、改写问题关键信息（或对问题打标识）、指定上下文检索范围、检索返回内容检查修改、提供压缩组装后的上下文给大模型等。其中知识拆解入库与指定上下文检索范围可以异步、跨库，甚至多工具实现，最后经过组装与总结提交大模型。但是，不同的需求场景对上下文有着极强的资料来源针对性和截然不同的细粒度要求，相应也就需要根据场景调整上下文的拆解、筛选策略与组装方式，目前该环节仍然需要人工判定、设计，后续可通过利用大模型实现需求理解、方案生成与评估优化。

为提高知识库问答准确率，部分金融机构引进了GraphRAG技术。该技术利用精心设计的智能体提取知识间的元素、关系与类型等，形成“知识原子”，并在使用时组合成为“上下文化合物”，最终提升上下文相关性。区别于GraphRAG及其构建的知识图谱，Agentic RAG的场景泛化能力或许稍弱，但所消耗的成本更少：同场景下大部分Agentic RAG流程分支共性多，结合Agent的模块化开发可以实现仅对参数配置进行修改以完成分支创建的过程。不过，Agentic RAG和GraphRAG是可以共存的。未来或可将Agentic RAG应用到GraphRAG的召回加工环节，进一步提炼有价值的信息，从而提升上下文相关性与忠实度。

金融业AI Agent的

延伸与展望

现有部分智能体已经能实现由大模型以对话形式获取用户意图并转化需求，以达到不断优化的目的。未来，在开发与使用过程中具备更高过程透明度与更强用户互动性的智能体将有可能成为主流。当然，未来大模型并不是AI Agent的必须项。狭义的AI Agent是指流程中嵌入了AI大模型能力，或是由AI大模型参与设计的智能体工作流；广义上，它更代表一种使用人工智能相关理念的系统流程设计思路。例如，为规避大模型数据风险，我行使用正则匹配等方式对非结构化文本数据进行脱敏，但脱敏后如何将大模型的输出结果复原为原始信息，成为了技术难题。联想到在知识库文档入库过程中对图片使用链接或占位符进行替换，再在前端输出展示时替换回原图片的方法，我们对正则匹配替换的文字也使用了特定占位符，并根据敏感信息与占位符生成对照台账，在大模型回复后再替换填充。在脱敏与还原流程中，虽然并没有大模型参与，但运用了与AI知识库和RAG技术相关的理念。类似解决方案可为金融科技工程提供另一种可行的技术路线。

AI Agent为金融业带来的另一大价值，就是为跳出现有业务流程的创新性思考提供了舞台。将业务流程替换为自动化只是AI Agent在金融业应用的第一步，随着AI Agent的能力边界的扩展，或许会涌现出更多从技术能力出发的新业务开展方式和渠道，从而实现对业务的结构性变革。

假如你从2026年开始学大模型，按这个步骤走准能稳步进阶。

接下来告诉你一条最快的邪修路线，

3个月即可成为模型大师，薪资直接起飞。

阶段1:大模型基础

阶段2:RAG应用开发工程

阶段3:大模型Agent应用架构

阶段4:大模型微调与私有化部署

配套文档资源+全套AI 大模型 学习资料，朋友们如果需要可以微信扫描下方二维码免费领取【保证100%免费】👇👇

配套文档资源+全套AI 大模型 学习资料，朋友们如果需要可以微信扫描下方二维码免费领取【保证100%免费】👇👇