北京银行CIO明立松：布局三类智能体，适配多元任务场景

“在信贷流程中，人工智能嵌入关键业务需完成三项前提工作：一是重构所有业务系统，消除线下与手工操作节点，实现数据标准化与接口统一；二是推动端到端流程全面线上化，覆盖贷前客户筛选、贷中审批、贷后监控及不良资产归因处置，确保流程无缝衔接；三是在此基础上，识别可由人工智能替代的环节。”3月28日，在新金融联盟主办的“金融智能体的业务赋能与安全合规”内部研讨会上，北京银行首席信息官明立松在主题演讲中表示。

他介绍，北京银行将智能体划分为三类，匹配不同业务流程的复杂度与自动化水平：速办智能体适用于流程清晰、操作简便的场景，通过智能体完成标准化操作。深研智能体适用于需从多数据源获取并整合信息的场景。巡航智能体可理解为“智能哨兵”，常态化监测关键指标、客户行为及同业动态，现阶段仍需人工审核警报，后续将逐步实现全自动预警与响应。

会议由新金融联盟秘书长吴雨珊主持，中国金融四十人论坛提供学术支持。国家金融监督管理总局科技监管司相关领导、建设银行原首席信息官金磐石作了主题交流。民生银行首席信息官张斌、交通银行金融科技部副总经理朱麟、中科金财董事长朱烨东也发表了主题演讲。94家银行、非银机构与科技公司代表通过线上线下参会。以下为明立松发言全文。

商业银行金融智能体探索与实践

文| 明立松

北京银行首席信息官 明立松

一、人工智能发展趋势与中小银行的核心困惑

当前人工智能发展迅猛，大型银行与中小银行均在积极布局，但中小银行推进过程中面临两大核心困惑：一是引入大模型、部署智能体能否真正缩小与大行的差距，这涉及技术投入、人才储备、业务规模等多重因素；二是如何借鉴类似哈拉里斯“颠覆基因”研究的思路，在金融领域实现颠覆性大模型应用，避免停留在表面模仿，探索创新路径。

从技术演进看，2024年被视为大模型落地之年，行业聚焦模型优化与场景适配；2025年则是智能体快速发展之年，强调自主执行与流程集成。DeepSeek等开源模型出现后，金融机构普遍推进本地化部署，“百模大战”逐步收敛至实用化阶段，我行也在推进模型落地的收敛优化，以提升效率。实际应用中，初期通过对话框交互生成报告的方式，尚未深刻改变工作流程，仅作为辅助工具；随后RAG（检索增强生成）、MCP（模型控制协议）、智能体、Skill等技术的引入，让大模型具备了“手和脚”，开始真正推动流程再造，如自动化审批、风险监测等，助力业务向智能化转型。

二、智能体的分类与应用

在紧跟人工智能发展的过程中，我们落地了诸多大模型应用，同时思考：未来智能体究竟能承担哪些工作？数量增多后如何规范其交互逻辑与权限边界？我们梳理相关工作，按任务类型对智能体分类，并以统一超级智能体为入口，实现集中调度与监控。 

实践中，我们将智能体划分为三类，匹配不同业务流程的复杂度与自动化水平：

一是速办智能体，适用于流程清晰、操作简便的场景，通过智能体完成标准化操作。前提是需全面梳理业务流程，确保规则明确、数据可接入。这类智能体可显著提升效率，减少人工干预。 

二是深研智能体，适用于需从多数据源获取并整合信息的场景。由于涉及复杂逻辑判断，目前尚无法完全自动化生成结果，需人工对关键环节审核，以保障准确性与合规性。在科技交付领域，可重点在需求与测试环节应用智能体：测试用例通过智能体直接由需求转换生成，完成率达70%-80%，再由人工补充细节，缩短开发周期；同时，智能体可读取测试日志并与执行过程比对，自动识别异常偏差，提升测试质量管控效率，减少疏漏。 

三是巡航智能体，类似OpenClaw的持续监控概念，但我们未将类似工具直接部署于生产环境，以规避安全风险。当前模式可理解为“智能哨兵”——从市场数据库、竞争对手报告、内部系统等多数据源持续读取数据，常态化监测关键指标、客户行为及同业动态。现阶段仍需人工审核警报，后续将逐步实现全自动预警与响应。

三、AI在商业银行实践

在信贷流程中，人工智能嵌入关键业务需完成三项前提工作：

一是重构所有业务系统，消除线下与手工操作节点，实现数据标准化与接口统一。

二是推动端到端流程全面线上化，覆盖贷前客户筛选、贷中审批、贷后监控及不良资产归因处置，确保流程无缝衔接。

三是在此基础上，识别可由人工智能替代的环节。替代过程中，部分场景可直接使用基准大模型（如生成通用报告），部分则需结合行内知识库，嵌入我行风险策略，生成高质量尽调报告，提升审批成功率。

四、关于未来的思考

在落实“十五五”规划过程中，中小银行围绕智能体发展需重点关注以下方向，以应对快速变化的技术环境：

一是安全防护。人工智能继承了通用计算领域的多种风险隐患（如模型漏洞、生成幻觉、数据投毒），需持续关注并建立防护机制。银行需与监管机构协同，制定安全标准，防范潜在威胁。 

二是数据治理。部分中小银行尚未完成全流程再造与数据治理，导致人工智能落地快但见效慢——数据质量低下直接影响模型性能。数据治理是银行发展的核心基础，需加大数据清洗、整合与隐私保护投入，为智能应用提供支撑。 

三是人才培养。人工智能时代，硬件与模型厂商提供基础能力，但银行需自主梳理业务场景、培养跨领域人才。若信贷等核心业务部门未形成统一治理体系，即便引入人工智能，也难以有效驾驭并产生实际成效。因此，需加强内部培训，建立AI团队与业务部门的协同机制。 

四是关于OpenClaw。对于这一新技术，我们持审慎态度，仅在外网环境搭建测试环境——因其不可控性较高，易引发误操作或安全漏洞。未来计划将其区分为敏态与稳态领域，在开发测试等容错性较强的场景试点应用，同时严格遵守“数据不出域、模型不上网”等监管要求，确保安全可控，并逐步评估规模化应用可行性。 

最后，人工智能应用是科研侧、场景侧、治理侧、标准侧、监管侧协同推进的过程：大型银行已走在前列，中小银行可借鉴其成功经验，同时需结合自身特点调整策略。此外，算力挑战是银行业普遍面临的核心问题，需通过探索混合云或共享算力方案，实现成本控制与资源优化。

    本文首发于微信公众号：新金融联盟NFA。文章内容属作者个人观点，不代表和讯网立场。投资者据此操作，风险请自担。
 

【免责声明】本文仅代表作者本人观点，与和讯网无关。和讯网站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。邮箱：news_center@staff.hexun.com