《阿里云：2025金融行業Agent百景圖（229頁）.pdf》由會員分享，可在線閱讀，更多相關《阿里云：2025金融行業Agent百景圖（229頁）.pdf（229頁珍藏版）》請在三個皮匠報告上搜索。

1、金融行業 Agent 百景圖金融場景創新的 AI 時代 金融行業 Agent 落地典型實踐1Agent 100 in Financial IndustryNew Finance New FutureAgent金融行業百景圖作者簡介張翅先生曾經在螞蟻金服智能科技團隊負責螞蟻金服科技產品的開放合作，推動內部技術產品化和金融行業數字化轉型。從2017年開始先后負責了從銀行、保險、證券到金融服務等多個重要客戶的數字化項目，深耕金融科技、云原生分布式架構、移動平臺、大數據、人工智能、區塊鏈等數字金融技術領域。在加入阿里云和螞蟻金服前，張翅先生先后供職于甲骨文、Pivotal，領導參與了多個重大項目的建設

2、，擁有豐富的企業架構設計、IT 戰略規劃、產品研發及團隊管理等專業經驗。張翅阿里云智能集團副總裁新金融行業總經理前言河海不擇細流，故能就其深。2025 年是國務院新一代人工智能發展規劃發布的第 8 個年頭，也是國家層面提出通用人工智能的第 2 個年頭。通用人工智能是新質生產力的典型代表，當下已成為全球科技競爭的制高點。當 DeepSeek 春節期間在全球引爆開源革命，當 Qwen2.5-Max 在 Chatbot Arena 實現智能躍遷，我們恍然驚覺，中國力量已然成為這場科技革命中的引領者，并引發了產業界的系列變化：杰文斯悖論的延伸：大模型能效的指數級提升非但不會降低算力的消耗，反而會催生出

3、更復雜的智能應用場景，從而激發更大的算力需求，如同 19 世紀煤炭效率提升刺激更大能源需求那般；梅特卡夫定律的演變：開源生態存在顯著優勢，更多的研究者和開發者通常會帶來更多的使用場景、更快的模型算法創新、更豐富的工具鏈產品，從而全方位推動技術進步。過去的一年里，我們看到金融機構的大模型應用已從局部試水邁向全場景深度滲透，從內部提效轉向外部賦能，從知識問答、辦公輔助等傳統場景向投研決策、信貸審批等復雜場景延伸，以招商銀行 x 阿里云為代表的合作，已實現大模型在智能投研、財富管理等高價值環節的專家級推理能力。應用場景的深入帶來模型架構的持續進化，通用大尺寸模型與專業小尺寸模型并行，通過模型訓練微調

4、注入專屬領域知識，提升專業能力，降低推理成本，在有限的資源下推動應用快速落地。應用場景的豐富特別是對客服務場景，對算力需求以及系統并發和服務能力提出了更高要求，金融機構的算力基建進入攻堅期，這場算力競賽的成敗亦將決定企業未來的智能化水平，乃至在市場中的競爭能力。這場始于歲末年初的智能革命，正在書寫金融科技史上前所未有的范式遷移。未來企業的大模型架構是一個 MoA（Mixture-of-Agents）混合架構，即一個強大的通用模型加一個強大的推理模型，通常是千億或萬億參數，采用MoE架構，作為企業智能基座；N個中小尺寸的稠密模型，用在不同場景Agent當中，可以通過模型蒸餾提升其領域能力；工具鏈

5、層面，一個訓練推理平臺加一個 Agent 工廠，構建企業級的數據飛輪，基于在若干 Agent 在場景中沉淀的數據，使用基座模型對領域模型進行蒸餾；當這些 Agent 積累的數據不斷豐富后，基座模型也能夠通過強化學習進一步增強，逐步演變成企業內部自有的世界模型。這種模型架構與開發范式，不僅是對傳統業務流程的一次重大升級，也為金融機構探索新的商業模式和服務模式提供了可能。為助力金融機構依托大模型實現業務創新突破，我們精心梳理過去一年多與眾多金融機構攜手共創的業務場景，將其整理成冊。這本冊子凝聚著實踐經驗與創新思路，期望能為金融機構在大模型應用浪潮中找準方向，開啟業務拓展與升級的新篇章。張翅阿里云智

6、能集團副總裁新金融行業總經理信貸（8 Agent）11風控（3 Agent）27AI Native 手機銀行（4 Agent）33投研（7 Agent）41投行（2 Agent）55投顧（3 Agent）59智能運營（2 Agent）65產品開發及銷售（7 Agent）69核保核賠（3 Agent）83監管合規（3 Agent）8901金融場景創新的AI 時代時代背景01開篇Agent 是大模型落地的最佳形態03金融行業 Agent 落地典型實踐04金融機構大模型落地路徑08金融行業 Agent 發展趨勢0902金融行業Agent 百景圖銀行證券保險目錄智能客服（14 Agent）95智能用數

7、（10 Agent）123通用知識助手（3 Agent）143研發助手（6 Agent）149數字人（4 Agent）161內容審核（3 Agent）169信息檢索與打標（5 Agent）175培訓陪練（5 Agent）185辦公助手（4 Agent）195營銷助手（4 Agent）20303結語21104附錄212金融行業 Agent 百景圖金融場景創新的 AI 時代 金融行業 Agent 落地典型實踐61金融場景創新的AI時代金融行業政策指引與AI技術發展雙輪驅動01Agent是大模型落地的最佳形態03金融行業Agent落地典型實踐 04金融機構大模型落地路徑 08金融行業Agent發展趨

8、勢 09金融行業 Agent 百景圖金融場景創新的 AI 時代 金融行業 Agent 落地典型實踐7金融行業 Agent 百景圖金融場景創新的 AI 時代 金融行業政策指引與 AI 技術發展雙輪驅動金融行業政策指引與AI技術發展雙輪驅動十四五規劃綱要提出，穩妥發展金融科技，加快金融機構數字化轉型。2023 年 10 月，中央金融工作會議明確，金融機構要加快數字化轉型，提高金融服務的便利性和競爭力。2024 年 1 月，習近平總書記在省部級主要領導干部推動金融高質量發展專題研討班上的講話指出，要加快金融數字化、智能化轉型。2024年11月，人民銀行聯合7部委印發了 推動數字金融高質量發展行動方案

9、，旨在通過金融數字化、智能化轉型提高金融服務的便利性和競爭力。0102金融行業 Agent 百景圖金融場景創新的 AI 時代 金融行業政策指引與 AI 技術發展雙輪驅動在數字經濟浪潮洶涌的歷史背景下，在金融數字化、智能化轉型的發展大勢下，金融機構數字化轉型是不可避免的，不存在轉不轉的問題，必須堅定不移推進，積極探索與自身特點相適應的轉型路徑，實現自身的可持續發展。數字化轉型不是紙面上的鴻篇巨制，而是一線工作的針頭線腦。金融機構要寫好自己的小作文，并建立與數字化轉型戰略相適應的協同推進、進度管控與成效評價機制，確保任務可執行、進度可跟蹤、效果可評估，形成從規劃設計、執行到優化的“閉環”，真正將戰

10、略認知力轉變為變革推動力。自 ChatGPT 推出以來，生成式人工智能經歷了顯著的技術進步和擴展。認知能力方面，模型規模持續擴大，在 Scaling Law 的驅使下，智能水平持續增強，使得大模型在自然語言理解、文本生成、邏輯推理、工具調用等方面達到了前所未有的水平，加上推理模型的出現，加速了 GenAI 在復雜金融場景的落地。感知能力方面，端到端的多模態處理成為生成式人工智能發展的另一重要方向，早期的大語言模型專注于文本輸入和輸出，現在端到端的多模態大模型已經能夠處理和整合多種數據類型，如文本、圖像、音頻等，在數字人直播、營銷物料生成、智能語音客服等更廣泛場景得到應用。近期 OpenAI o

11、1 和 DeepSeek R1 這類推理大模型的出現，得到市場廣泛好評，標志著生成式人工智能領域的一個重要轉折點，具體體現在幾個方面：1）Scaling Law 依然有效，從 Pre-Training 階段擴展到了 Post-Training 和 Test-Time階段，強化學習技術的創新性應用為不斷迭代升級模型能力帶來了新的方向；2）開源模型成為世界頂級模型，在 Qwen 和 DeepSeek 為代表的開源模型推動下，模型創新和應用創新將持續涌現；3）推理算力需求激增，模型的開源開放帶來了大模型時代的“杰文斯悖論”，算力應用效率的提升，帶來整個社會對算力需求的增長；4）企業大模型應用范式向“

12、大尺寸 MoE 模型+小尺寸蒸餾模型+數據飛輪”轉變。金融行業 Agent 百景圖金融場景創新的 AI 時代 金融行業 Agent 落地典型實踐9Agent 是大模型落地的最佳形態構建于大模型之上的 Agent，不僅具備強大的語言理解和生成能力，還能夠通過規劃、記憶、工具和行動四大關鍵組件實現復雜的任務處理。規劃模塊負責拆解復雜任務為可執行的子任務，并評估執行策略；記憶模塊支持短期對話上下文保持和長期用戶特征存儲；工具模塊讓 Agent 可以調用外部 API 或插件來擴展自身功能；而行動模塊則是將這些規劃轉化為實際操作的工作流。這種多組件靈活編排的架構設計使得大模型 Agent 能夠靈活適應各

13、種業務需求，同時提供高度定制化的服務。金融行業因其信息密集、邏輯嚴謹及監管嚴格等特點，對大模型技術落地提出了極高的要求。無論是客戶服務、風險管理、還是經營決策，每一個環節都需要精準的數據分析、邏輯判斷、快速響應等能力。面對這類復雜場景，單靠大語言模型本身往往很難應對，大模型 Agent 憑借其環境感知、決策規劃、調用工具及執行行動的能力，有效應對上述挑戰。當把大模型應用在金融行業具體場景當中，Agent 的上述能力特點得以完美體現。一方面，基礎大模型提供了強大的語義理解和內容生成能力，支持高效率和準確的數據處理工作，并且其推理和規劃能力，能夠將復雜任務進行拆解，分而治之，更重要的是，相比小模型

14、，大模型具備很強的泛化性，能支持多類場景的快速驗證與落地；另一方面，以 Agent 為核心的多智能體架構允許其根據不同的業務場景需求，調用已有的系統接口和工具，充分復用已有的 IT 資產積累，以適應不同場景下多樣化需求?？梢哉f，大模型 Agent 不僅是金融行業數字化轉型的理想選擇，更是推動現有 IT 體系向智能化邁進的關鍵力量。金融場景創新的 AI 時代 Agent 是大模型落地的最佳形態金融行業 Agent 百景圖金融場景創新的 AI 時代 Agent 是大模型落地的最佳形態03金融行業 Agent 百景圖金融場景創新的 AI 時代 金融行業 Agent 落地典型實踐04金融是國之重器。2

15、023 年 10 月，中央金融工作會議首提“金融系統要做好科技金融、綠色金融、普惠金融、養老金融、數字金融五篇大文章”，為金融如何服務實體經濟高質量發展指明了方向。在這一背景下，大模型技術的應用顯得尤為重要。大模型具備強大的數據處理能力、自然語言理解和生成能力，以及復雜任務執行能力。它們能夠為金融機構提供精準的風險評估、個性化的客戶服務、智能化的投資顧問等解決方案，從而助力“五篇大文章”的實施。普惠金融-螞蟻集團1螞蟻集團自成立以來，一直致力于通過科技創新推動普惠金融的發展，旨在為全世界提供平等的金融服務機會。其使命是構建基于互聯網科技的全球開放式金融服務生態系統，使每一位普通消費者和小微企業

16、都能夠隨時隨地獲得便捷、安全且低成本的金融服務。螞蟻集團利用大數據、云計算及人工智能等先進技術，不斷探索新的服務模式和服務邊界，力求覆蓋更廣泛的人群，特別是那些傳統金融服務難以觸及的群體。在這一愿景下，螞蟻集團推出了兩款基于金融大模型的產品支小寶與支小助。支小寶是一款智能理財助理，而支小助則是面向金融行業專家的智能業務助手，兩者均采用了最新的大模型技術進行深度定制，以滿足不同用戶的需求并提升服務質量。支小寶作為一款針對個人用戶的智能理財助理，它不僅能夠幫助用戶解讀市場信息，還能結合用戶的財務目標和個人偏好給出個性化的資產配置建議。支小寶 2.0 版本尤其引人注目，因為它實現了從“檢索式 AI”

17、到“生成式 AI”的轉變，極大地提高了智商和財商水平。據透露，截至 2022 年底，支小寶 1.0 版本就已經累計服務超過 3 億用戶，解決了超過 17 億個理財問題。此外，支小寶還能夠主動預測用戶需求，適時地提供相關服務，使得用戶體驗更加人性化和智能化。支小助則專注于為金融行業的專業人士提供支持。這款智能業務助手包含多個專業版本，如“服務專家版”、“投研專家版”等，分別服務于理財顧問、保險代理等多個角色。例如，“投研支小助”每天可以幫助每位分析師高效處理超過 100 篇研究報告的信息提取工作，顯著提升了工作效率。支小助的設計理念是為了讓金融機構的專業人士能夠更好地利用數據和技術手段，從而提高

18、他們的金融行業 Agent 落地典型實踐 金融行業 Agent 百景圖金融場景創新的 AI 時代 金融行業 Agent 落地典型實踐05生產力和服務質量，最終惠及更多的客戶群體。隨著生成式人工智能時代的到來，大模型技術在金融行業的應用前景顯得尤為廣闊。無論是對于普通消費者還是專業金融從業者而言，大模型都能夠帶來前所未有的體驗變革：更自然的交互方式、更豐富的信息供給、更有效的表達形式以及更加貼身的服務定制化。未來，我們可以期待看到更多像支小寶和支小助這樣的創新產品出現，它們將共同推動整個金融行業向著更高層次的智能化邁進，同時也將進一步擴大普惠金融的服務范圍和服務深度?？萍冀鹑?網商銀行2網商銀行

19、作為中國首批民營銀行之一，自成立以來便專注于利用數字技術為小微企業提供金融服務。其核心使命是通過創新性的金融科技手段，解決小微企業融資難的問題，尤其是那些傳統金融機構難以覆蓋的長尾小微企業。憑借阿里巴巴集團和螞蟻集團的技術能力和生態資源，網商銀行致力于打造科技金融服務新模式，使得每一位小微經營者都能夠享受到便捷、高效的金融服務。大雁系統是網商銀行基于數字化技術開發的一套產業鏈金融解決方案，旨在滿足小微企業在供貨回款、采購訂貨、鋪貨收款、加盟、發薪等生產經營全鏈路中的信貸需求及綜合資金管理需求。該系統不僅幫助解決了供應鏈上下游小微企業的融資難題，還提高了整個供應鏈的資金流轉效率。大雁系統的推出標

20、志著網商銀行在服務小微企業方面邁出了重要的一步，并逐漸成為行業內的標桿案例。隨著 AI 大模型技術的發展，大雁系統得到了顯著增強。針對小微科創企業數據獲取難、標準化程度低、噪聲多等問題，大雁系統提出了依賴于大模型的產業認知框架，通過多任務統一知識抽取引擎和大規模知識校驗的人機協作鏈路等技術手段，有效提升了服務效率和風險控制能力。例如，大模型能夠自動讀取大量研報、研究產業趨勢，形成對小微科創企業的精準經營畫像及信用評分，從而更好地服務于產業鏈上的“毛細血管”企業。這些技術的應用不僅讓更多的小微科創企業得以被看見，更讓他們能夠得到更加準確的資金支持，促進了產業鏈的整體健康發展。大雁系統應用大模型后

21、，取得了令人矚目的成績。截至 2024 年 9 月末，網商銀行已通過大模型搭建了包括汽車、醫療、建筑在內的9條產業鏈圖譜，識別超2100萬產業鏈上下游的小微企業。此外，大雁系統已經成功為超過 58 萬家科創型小微企業提供了信貸額度，授信金額超千億元，覆蓋全國31個省份，涉及國家重點鼓勵的高新技術領域如電子信息技術、生物與新醫療技術、新材料技術等。金融行業 Agent 百景圖金融場景創新的 AI 時代 金融行業 Agent 落地典型實踐06不僅如此，借助大模型的力量，大雁系統大幅提升了小微科創企業的信用畫像效率，使得金融服務的覆蓋面和可得率得到了前所未有的提升。進入生成式人工智能時代，大模型在“

22、數字金融”領域的應用前景無限廣闊。它不僅可以進一步優化現有的金融服務流程，提高服務效率和服務質量，還能通過深度學習和數據分析挖掘出更多潛在的價值信息，助力金融機構作出更為科學合理的決策。未來，隨著大模型技術的不斷進步和完善，我們有理由相信，像大雁系統這樣的創新產品將繼續引領行業發展潮流，為實體經濟注入新的活力，推動金融服務向著更加智能化、個性化、定制化的方向發展。同時，這也將促使金融機構不斷創新業務模式和服務方式，以適應快速變化的市場需求和技術環境。養老金融-某商業銀行3某商業銀行長期以來致力于為老年人提供專業、全面的金融服務，確立了自己在養老金融領域的領先地位。作為市養老金發放的主要金融機構

23、之一，某商業銀行不僅承擔著養老金客戶的代發任務，還不斷推出針對老年群體的專屬理財產品和服務，充分體現了對老年客戶需求的關注與尊重。隨著大模型技術的發展，某商業銀行積極探索如何將這一前沿技術應用于養老金融服務中，特別是開發了一款基于對話式用戶界面（LUI）的AI Native APP。這款APP代表了從圖形用戶界面（GUI）金融行業 Agent 百景圖金融場景創新的 AI 時代 金融行業 Agent 落地典型實踐07向語言用戶界面（LUI）的重要轉變，特別適合視力下降或不熟悉智能手機操作的老年用戶。通過支持語音輸入，老年人可以更加自然地與 APP 進行交互，無需擔心復雜的菜單導航。結合大模型強大

24、的自然語言處理能力，該 APP 能夠理解并回應用戶的口語化指令，例如查詢賬戶余額、轉賬匯款或是咨詢最新的理財產品信息。此外，它還能根據用戶的偏好和歷史行為提供個性化的建議和服務提醒，如按時繳納水電費、預約體檢等實用功能。在銀發經濟時代，大模型技術的應用極大地增強了金融服務的便利性和用戶體驗。傳統的手機銀行APP 經過多年發展，已經變得功能繁多而復雜難用，尤其是對于老年用戶來說，過多的功能堆砌反而增加了使用的難度。借助大模型技術，能夠幫助老年用戶快速智能篩選出最相關的信息和服務，并以直觀的方式呈現給用戶。例如，在養老金發放日，APP可以通過語音提示告知用戶資金已到賬，并詢問是否需要查看詳細賬單或

25、者安排定期存款計劃。這種智能化的服務方式不僅簡化了操作流程，也使得老年人更容易接受金融服務，幫助他們跨越“數字鴻溝”，享受科技帶來的便捷生活?？偨Y而言，利用大模型技術開發的適老化 AI Native APP 標志著養老金融服務進入了一個新時代。通過對話式的交互體驗，這款 APP 不僅解決了老年用戶使用傳統手機銀行 APP 時遇到的問題，還通過智能化的服務提升了用戶體驗，真正做到了讓每一位老年人都能輕松享受到高效、安全的金融服務。隨著技術的持續進步，我們可以預見未來會有更多類似的創新產品出現，進一步推動養老金融領域的發展，滿足老年人日益增長的美好生活的需要。08金融行業 Agent 百景圖金融場

26、景創新的 AI 時代 金融機構大模型落地路徑金融機構大模型落地路徑 大模型這類新興技術在金融機構中的落地，遵循應用價值驅動的原則，采取自上而下的建設方式，從應用場景出發，到對模型能力的要求，再到對算力基礎設施的規劃。這意味著企業首先需要明確應用場景和業務價值，選擇真正有影響力的場景落地，再結合場景需求和模型特點，選擇合適的模型架構，再考慮 GPU 算力卡等硬件資源的采購。否則會導致資源估算不準確，甚至沒想清楚大模型能帶來怎樣的應用價值，就動手開始做，導致時間和資源的浪費，錯過了技術紅利期。因此，從實際問題出發，識別出關鍵落地場景，才能確保投資的有效性和最終的項目成功。以客服系統為例，這一類知識

27、密集型的場景，大模型在整個客戶服務流程的不同階段都可發揮作用。事前，大模型基于歷史通話記錄生成會話摘要，幫助客服人員快速了解客戶的歷史溝通情況，提高服務效率和服務質量。事中，通過更精準的意圖識別，大模型實時分析客戶的對話內容，感知客戶情緒，捕捉客戶需求，并提供個性化的話術推薦，增強客戶體驗。事后，大模型還能對通話內容進行質檢，自動評估客服的表現并提出改進建議。在明確了這樣一個場景后，可以再往下估算資源需求，假設某銀行擁有 1000 個坐席，每個坐席平均每天處理 50 通電話，每通電話調用大模型 5 次，那么理論上該銀行每天將產生約 25 萬次大模型推理請求。再結合大模型的尺寸、輸入輸出長度、系

28、統延遲要求、業務量波動等因素，評估出相對準確的 GPU 卡規格和數量要求。明確了大模型的具體應用場景及其帶來的價值后，接下來便是構建支持這些應用的工具鏈，工具鏈的核心作用是提升大模型開發和管理工作的效率。例如，為了更好地服務于智能客服系統，需要搭建基于檢索增強生成（RAG）技術的客服知識庫，與傳統 FAQ 結合共同生成答案。此外，如果需要對復雜業務 SOP 做托管處理，還需要建立 Agent 平臺，用于編排不同 Workflow，例如：信用卡提額 SOP、協商還款 SOP 等。參考這種應用+模型+算力+工具鏈的落地模式，確保每一個組件都是圍繞著實現業務和技術目標而設計的，少走彎路，最大化有限資

29、源的投入。09金融行業 Agent 百景圖金融場景創新的 AI 時代 金融行業 Agent 發展趨勢回看 2024 年，大模型技術在金融機構中的應用主要仍集中在基于檢索增強生成（RAG）架構的知識庫和問答 Chatbot 上，包括知識助手、客服助手、合規助手等，這一類助手型應用旨在通過智能化對話的交互形式提升信息處理效率。盡管這些系統在一定程度上提高了工作效率，但其價值相對有限，尤其在面對復雜金融業務流程時顯得力不從心，這甚至引起了行業內對大模型實際價值產生質疑。一方面，標準 RAG 的工程鏈路相對固定，與外部系統靈活交互的能力有限；另一方面，對話交互這種形式仍然只是“輔助”，并未實現作業的托

30、管，其他工作還需要人工完成，導致對效率的提升有明顯瓶頸。金融行業 Agent 發展趨勢 10金融行業 Agent 百景圖金融場景創新的 AI 時代 金融行業 Agent 發展趨勢歲末年初，基礎大模型的能力發展迅猛，尤其是 OpenAI 發布 o1、Deepseek 發布 R1 新型推理大模型，在邏輯推理、數學計算、復雜規劃等方面取得了突破性進展，展示了大模型智能水平的持續增強。這些進展給予市場極大的信心，大家堅信大模型在已有的場景中可以變得更準確，并且被應用到更加復雜的場景當中，這些場景不再限于問答交互，而是深入到客戶服務、智能投顧、經營決策、合規審核等各個關鍵業務環節中，以 Agent 的形

31、態提供個性化服務。這種轉變標志著大模型開始真正發揮其潛力，為企業帶來實質性的業務增值。應用到更加復雜的場景當中，這些場景不再限于問答交互，而是深入到客戶服務、智能投顧、經營決策、合規審核等各個關鍵業務環節中，以 Agent 的形態提供個性化服務。這種轉變標志著大模型開始真正發揮其潛力，為企業帶來實質性的業務增值。展望 2025 年，隨著基礎模型能力的不斷增強，金融 Agent 將全面爆發，并深刻影響整個金融行業的運營模式。在新的一年里，大模型 Agent 將不僅僅作為輔助工具存在，而是會成為重塑業務流程的關鍵力量，推動全系統的數字化重構。我們認為，企業的大模型架構會是一個 MoA（Mixtur

32、e Of Agents）混合架構：1）一個強大的通用模型加一個強大的推理模型，通常是千億或萬億參數，采用 MoE 架構，作為企業智能基座；2）N 個中小尺寸的稠密模型，用在不同場景 Agent 當中，可以通過模型蒸餾提升其領域能力；3）工具鏈層面，一個訓練推理平臺加一個 Agent 工廠，構建企業級的數據飛輪，基于在若干Agent 在場景中沉淀的數據，使用基座模型對領域模型進行蒸餾；4）當這些 Agent 積累的數據不斷豐富后，基座模型也能夠通過強化學習進一步增強，逐步演變成企業內部自有的世界模型。這種模型架構與開發范式，不僅是對傳統業務流程的一次重大升級，也為金融機構探索新的商業模式和服務模

33、式提供了可能，不僅有助于提升企業的競爭力，也將為客戶提供更加便捷、個性化的金融服務體驗。金融行業 Agent 百景圖金融場景創新的 AI 時代 金融行業 Agent 落地典型實踐172金融行業Agent百景圖銀行11信貸風控 AI Native 手機銀行證券41投研投行投顧智能運營保險69產品開發與銷售核保核賠|監管合規通用95智能客服智能用數知識助手研發助手數字人內容審核信息檢索與打標培訓陪練辦公助手營銷助手金融行業Agent百景圖Agent 100 in Financial Industry2025.02版銀行信貸風控 AI Native手機銀行證券投研投行 投顧 智能運營保險產品開發及銷

34、售 核保核賠 監管合規通用智能客服 智能用數 知識助手 內容審核 信息檢索與打標 培訓陪練 研發助手數字人 辦公助手 營銷助手銀行 信貸 行業分析助手企業股權/關聯分析助手財務報表分析助手盡調報告審核助手盡調報告生成助手交易流水分析助手信審資料查全助手信貸授信方案助手 風控生成用戶可疑交易報告信貸進件風控助手風控智能助理 AI Native手機銀行APP養老咨詢規劃APP零售業務助理APP理財業務助理APP信用卡服務助理證券 投研 研報快讀研報觀點問答日報早評收評深度研報寫作路演解析行業周報觀點熱門事件助手 投行 股權激勵助手投行法規解讀 智能運營 信披報告審核營銷物料審核 投顧 投顧資訊簡報

35、理財產品問答助手營銷優先級判斷保險 產品開發及銷售保險產品解讀條款解析助手保險產品推薦保險產品問答保險營銷創作保險產品搜索保險產品比對 核保核賠智能預核保核賠輔助智能影像處理 監管合規 條款智能核驗助手條款智轉助手對外披露審核通用 智能客服 坐席通話質檢智能語音導航機器人營銷外呼智能投訴預警客服知識問答人工客服助手意圖識別智能語音分析智能工單助手機器人催收外呼客服知識構建數字人客服App對話機器人電銷助手 智能用數客戶經理績效助手智能問數助手數據資產問答貸款分析助手小微經營戶潛客挖掘客戶經營分析助手智能搭建助手存款分析助手理財潛客挖掘代發戶促活助手 知識助手知識問答智能寫作復雜信息抽取 內容審

36、核內容安全審核制度撰寫合規問答 培訓陪練交互式培訓助手課件生成助手智能培訓問答助手對練機器人智能考試助手 信息檢索與打標企業工商信息打標可信搜索企業知識產權信息打標財報解析企業招投標信息打標 研發助手AI程序員編碼助手單元測試生成助手需求助手智能運維助手測試用例生成助手 數字人交互取證提額直播交互視頻交互陪練視頻分享 辦公助手工作報告助手OA小蜜智能會議助手流程助手 營銷助手營銷策劃助手營銷素材生成社群運營助手營銷文案生成金融行業Agent百景圖Agent 100 in Financial Industry2025.02版銀行信貸風控 AI Native手機銀行證券投研投行 投顧 智能運營保險

37、產品開發及銷售 核保核賠 監管合規通用智能客服 智能用數 研發助手 知識助手 內容審核 數字人 辦公助手信息檢索與打標 培訓陪練 營銷助手銀行 信貸 企業股權/關聯分析助手盡調報告生成助手交易流水分析助手財務報表分析助手盡調報告審核助手行業分析助手信審資料查全助手信貸授信方案助手 風控 生成用戶可疑交易報告信貸進件風控助手風控智能助理 AI Native手機銀行APP理財業務助理APP零售業務助理APP養老咨詢規劃APP信用卡服務助理證券 投研 深度研報寫作研報快讀行業周報觀點日報早評收評路演解析研報觀點問答熱門事件助手 投行 股權激勵助手投行法規解讀 投顧 投顧資訊簡報營銷優先級判斷理財產品

38、問答助手 智能運營 信披報告審核營銷物料審核保險 產品開發及銷售保險產品問答保險產品解讀保險產品推薦條款解析助手保險產品搜索保險營銷創作保險產品比對 核保核賠智能預核保智能影像處理核賠輔助 監管合規 條款智能核驗助手對外披露審核條款智轉助手通用 智能客服 坐席通話質檢智能語音導航智能投訴預警客服知識問答人工客服助手意圖識別智能工單助手智能語音分析數字人客服機器人營銷外呼客服知識構建機器人催收外呼App對話機器人電銷助手 智能用數客戶經理績效助手小微經營戶潛客挖掘客戶經營分析助手貸款分析助手數據資產問答智能問數助手智能搭建助手存款分析助手理財潛客挖掘代發戶促活助手 知識助手知識問答復雜信息抽取智

39、能寫作 信息檢索與打標企業工商信息打標可信搜索財報解析企業招投標信息打標企業知識產權信息打標 內容審核內容安全審核合規問答制度撰寫 培訓陪練交互式培訓助手對練機器人課件生成助手智能考試助手智能培訓問答助手 數字人交互取證提額視頻交互陪練直播交互視頻分享 辦公助手工作報告助手智能會議助手OA小蜜流程助手 營銷助手營銷策劃助手社群運營助手營銷素材生成營銷文案生成 研發助手AI程序員需求助手編碼助手智能運維助手單元測試生成助手測試用例生成助手銀行盡調報告生成助手、信貸授信方案助手、交易流水分析助手、企業股權/關聯分析助手、財務報表分析助手行業分析助手、信審資料查全助手、盡調報告審核助手信貸信貸進件風

40、控助手、風控智能助理、生成用戶可疑交易報告風控APP 零售業務助理、APP 信用卡服務助理、APP 理財業務助理、APP 養老咨詢規劃AI Native 手機銀行盡調報告生成助手盡職調查報告主要是通過對借款人的人品、背景、經營情況、財務狀況、現金流狀況以及其他重要信息中蘊含的風險點和優劣勢進行分析與識別，進而判斷出借款人真實的還款信譽以及還款能力?？蛻艚浝碓谄髽I借款前需要完成企業盡職調查和手工撰寫調查報告，在調查報告的撰寫過程中需要從復雜的信息渠道中整合大量數據，效率較低，分析決策比較困難。信貸盡職調查助手，采用通義千問大模型技術，實現借款客戶互聯網資料收集、所屬行業分析、所在區域分析、銀行行

41、內信貸相關業務信息采集、盡調報告內容編排等功能，信貸盡職調查助手實現交互式自動化盡調報告生成，大大降低客戶經理的工作量和專業要求。Agent 概述典型案例模力時刻Qwen-plus盡調報告中的撰寫部分內容通過大模型生成，借助專業規則經驗可以有效減少由于人為因素造成的錯誤，提升報告質量和數據內容的準確率。通過對盡調報告模板的配置，報告中部分內容通過配置方式直接調用 API 或大模型接口，能夠快速將收集到的數據轉化為結構化的報告內容，效率提升 2-3 倍。處理效果當前銀行客戶經理撰寫盡職調查報告存在以下缺點：需求分析1主要采用預設模板方式，根據業務類型對客戶調查數據分類、預設每一類業務指標、預設評

42、級模型、制定審核流程，這些僅能實現固定模板下的不同客戶盡調，但是分析撰寫盡調報告還得需要人工重復、長耗時去處理。2部分信息通過客戶經理人工在互聯網相關網站查詢獲取，采用標簽化模式，僅實現了盡調內容的采集、展示，未能結合信貸業務和信貸專家的經驗進行分析，撰寫盡職調查報告無法完全達到數字化風控的要求。信貸盡職調查助手中，主要功能模塊包括知識庫建立、盡調模板管理、盡調報告數據管理、盡調報告內容編排、盡調報告撰寫、盡調報告預覽、盡調報告下載等功能。具體業務流程如下：搜集行里信貸政策、產品等知識文檔、行業分析報告、借款企業提供材料等構建統一的知識庫。信貸知識庫1金融行業 Agent 百景圖金融行業 Ag

43、ent 百景圖 銀行 信貸11支持報告 word 文件上傳及模板分類管理、版本管理等功能。盡調模板管理2分析報告中不同內容填充的數據源，判斷銀行內部業務系統接口調用、數據庫訪問、外部三方接口、大模型Agent調用，注冊不同數據源接口定義，配置到模板中的不同章節，配置完模板后，就可以進行不同借款企業盡調報告自動生成功能。報告模板配置與內容生成3信貸盡職調查報告生成助手能夠顯著提升客戶經理的工作效率、準確性和決策質量。以下是關于這種技術解決方案的價值分析：價值分析提高工作效率通過對盡調報告模板的配置，報告中部分內容通過配置方式直接調用 API 或大模型接口，能夠快速將收集到的數據轉化為結構化的報告

44、內容，極大地縮短了報告編寫時間，效率提升 2-3 倍。增強準確性對于盡調報告中的撰寫部分內容通過大模型生成，借助專業規則經驗可以有效減少由于人為因素造成的錯誤，提升報告質量和數據內容的準確率。金融行業 Agent 百景圖金融行業 Agent 百景圖 銀行 信貸12信貸授信方案助手客戶經理在信貸授信前需要進行現場調研并形成初步的授信方案后，經常因為客戶經理對信貸產品準入要求不明確、抵押資產評估有誤等原因，導致提交資料多輪次打回修改，拖長了企業貸款授信周期。信貸授信方案助手結合大模型技術，對客戶經理的問題進行意圖理解識別，然后分別進行制度條款、授信要點內容 RAG 檢索召回，再根據條款要求進行準入

45、條件判斷，將結果組裝成固定結構返回給客戶經理，提高整個授信審批的通過率和效率。Agent 概述當前對公的授信環節中，普遍存在由于對公客戶經理對于產品準入要求了解不全面，在設計對公授信組合方案中，無法準確的識別風險點和注入要求。需要反復與授信審批人員確認方案可行性，造成授信方案的反復溝通成本以及授信審批過程中駁回的情況出現。需求分析客戶經理經驗少客戶經理對于客戶能不能做、做什么產品、定什么方案往往沒有頭緒，無快捷的指導性工具。文檔資料類目多行業信貸政策文件、抵質押品準入名錄、小微產品種類繁多，且每年均有新增或者修訂，各類文件要求較多。資料查詢效率低客戶經理及授信審批人員在日常工作中往往需要翻閱查

46、詢相關文件來核對是否符合要求，在一定程度上影響了業務申報的順暢性以及授信審批的效率。典型案例客戶經理可以通過釘釘機器人助手結合大模型通義千問大模型能力，提供信貸授信制度問答和方案提示功能。以授信方案提示場景為例，客戶經理輸入的授信方案要求先通過要素拆解智能體將要素做提取，針對不同產品的制度條款，通過條款解讀智能體結合知識庫中的制度文件做相關產品條款的召回和篩選。再通過條款判斷智能體來做量化和非量化條款的判斷，最終由大模型組裝成授信提示做統一展示，具體流程如下：模力時刻Qwen-plus對客戶經理提的問題進行意圖識別，并且根據問題進行制度文件和授信方案內容生成。處理信貸專員能夠快速找到最佳貸款產

47、品和授信政策，提高了審批的質量和效率，提升了客戶滿意度和服務體驗。效果授信知識庫構建1金融行業 Agent 百景圖金融行業 Agent 百景圖 銀行 信貸13價值分析快速檢索客戶經理能夠迅速獲取行內內部信息、最新的準入政策、行業政策以及相關的管理辦法，確保了信息的實時性和準確性，確?？蛻艚浝砟軌蛟谧疃虝r間內做出準確的風險評估和決策。精準營銷精準定位潛在客戶群體，并利用初步試評來評估不同市場活動的效果?？旖葜笇椭贫▊€性化的營銷策略，而學習搜索功能則支持基于最新市場趨勢不斷優化和調整營銷方案，從而提升獲客效率和客戶轉化率。高效審批涵蓋了初步評審和前期匹配環節，確保資源得到最優配置并顯著縮短處理

48、時間。通過標準化的初步評審流程，信貸專員能夠快速找到最佳貸款產品。這不僅節省了大量時間，還提高了審批的質量和效率，提升了客戶滿意度和服務體驗。最終，實現了信貸業務的質效雙重提升。搜集相關制度文件、行內信息、信用信息、行研報告文檔、行業授信政策、綜合授信文檔等，按照條款、自然段落對文檔進行拆解與召回，支持文檔訂正更新能力。根據用戶問題輸入通過意圖識別判斷，識別是詞條還是授信方案內容查詢。意圖識別2將授信方案中的信息通過大模型進行要素拆解。要素拆解包括：企業名稱、所屬行業（用于做行業規劃及行業前景綜合分析）、貸款產品、擔保方式、業務模式等。授信方案提示3遍歷基礎要素，匹配對應的管理辦法制度文件，召

49、回要點條款，包括行研報告、行業授信方案、綜合授信、敞口授信、資金池信息等；基于大模型的能力，將量化的條款結合企業相關數據做比對，非量化的條款要求直接反饋輸出給出提示。要點條款召回4集成外部接口召回企業相關信息，如成立年限、法人信用狀況等等，基于大模型的能力，對當前信息充足的條款判斷是否滿足。內容整合5基于大模型的能力按照給定結構組裝提示結果。組裝提示結果6總體技術鏈路如下圖所示：授信方案提示結果如下圖所示，客戶經理在查詢行業準入條件和金額限制時，直接返回入圍條件和融資金額限制相關條例等信息，從幾個小時的資料翻閱解讀政策文檔到秒級返回具體條例，效率提升90%以上。金融行業 Agent 百景圖金融

50、行業 Agent 百景圖 銀行 信貸14交易流水分析助手在銀行貸款審批過程中，客戶提交的交易流水是評估其還款能力和經營狀況的重要依據。信貸經理通常需要根據這些流水記錄來分析客戶的經營性現金流收入與支出，并與企業的實際經營數據及合同履行情況進行對比，以此判斷企業的真實生產經營情況及潛在風險?；诖竽Ｐ图夹g的銀行客戶交易流水分析，將信貸專家的經驗固化在大模型流程中，實現了專家經驗的高效復用，使得信貸人員能夠在短時間內獲得詳盡且準確的客戶交易流水分析報告，從而更有效地評估貸款風險并作出決策。Agent 概述典型案例以下是銀行信貸場景中流水經營分析的幾個關鍵步驟，通過流水分析實現高效、標準化的交易流水

51、分析功能：現金流是企業生存的關鍵，通過流水分析可以清晰地看到企業的資金流入和流出情況，更能反映企業的真實經營成果，幫助判斷該公司是否有能力償還貸款，但實際操作來看，有以下難點：需求分析海量數據處理效率低且難以標準化企業每月的交易流水可達上萬條，客戶經理難以詳細準確地進行分辨和分析，這不僅耗時而且容易出錯。高度依賴經驗豐富的信貸經理有效的流水分析需要有經驗的信貸經理進行專項分析，這類人才稀缺且培養周期長。此外，分析結果易受個人經驗和狀態影響，導致判斷差異。系統化成本高由于各銀行流水單格式各異，實現自動化系統處理的成本較高，手工拼接和分析耗費巨大的人力資源和時間，目前主要依賴手工分析效率低下。模力

52、時刻Qwen-VL對 OCR 識別流水數據進行數據內容矯正，并且對 OCR 未識別的圖片進行數據識別。將 OCR 的數據識別準確性提升 5%10%。處理效果QwQ-plus對流水數據進行分析統計，分析經營流水風險。能夠將大量不同類型的交易流水文件分鐘級就能生成流水分析結果，效率提升 90%以上。處理效果金融行業 Agent 百景圖金融行業 Agent 百景圖 銀行 信貸15解決各家銀行流水清單文件格式不一致的問題。通過智能匹配技術能夠適應不同銀行的流水單格式，確保后續分析的數據準確性和一致性。智能匹配流水單格式1從交易清單中識別和分類經營性交易。對清單內容進行智能分析，識別哪些關鍵詞屬于經營性

53、關鍵詞。通過大模型技術自動篩選出與企業經營活動相關的交易記錄，為后續的風險評估提供數據支持。智能分析經營性流水2根據經營流水數據完成客戶全部交易流水的分析，并返回結構化的打標結果及生成詳細的報告，具體流水分析結果如下圖所示：智能生成流水分析結果3價值分析提升流水分類準確率對于交易流水中各種不同的備注信息，通過大模型方式進行交易數據的經營類型智能分類識別，客戶經理不需要一條條交易內容仔細核對。提升流水分析效率能夠將大量不同類型的交易流水文件分鐘級就能生成流水分析結果，效率提升 90%以上。金融行業 Agent 百景圖金融行業 Agent 百景圖 銀行 信貸16企業股權/關聯分析助手銀行對公授信時

54、需要分析企業的股權結構、企業之間有無關聯關系等信息，主要用于深入了解貸款企業的實際控制權和股東背景，幫助銀行更全面地評估信貸風險。希望自動生成借款企業的股權結構信息、關聯信息等信息，減少材料編寫時間及信息準確率。企業股權/關聯分析功能通過大模型調用搜索引擎能力獲取企業股權和關聯信息，結合大模型能力實時繪制借款企業的股權等信息，然后大模型匯總生成股權結構/關聯關系結構，幫助銀行了解企業主要股東和關聯關系等信息，深度分析不僅提高了貸款決策的準確性，也增強了銀行管理信貸風險的能力。Agent 概述典型案例企業股權/關聯分析通過調用股東信息獲取 Agent 和腦圖繪制文件 Agent 結合，具體流程如

55、下：盡調報告中企業股權/關聯分析時需要分析企業股權有無關聯關系，有無黑灰名單企業，有無高風險企業。信貸時需要客戶經理提供企業股權結構信息：借款人的股權結構圖、主要股東或實際控制人實力介紹，傳統解決方案通常是客戶經理通過企查查等渠道獲取，要么手工查詢繪制，要么二次付費下載，屬于難度高、耗時長的部分，對客戶經理要求極高。具體要求如下：需求分析1股權結構圖須穿透到最終的實際控制人，需標明各出資人的出資比例（如出資人較為分散，則僅需列示主要的出資人）。2若有風投等投資公司進入，需補充股權取得成本、投資款到位情況、是否存在對賭協議及主要內容，判斷對賭條款近期觸發的可能性以及對借款人經營和財務安全性的影響

56、。3關聯信息綜合獲取企業的股東、參股公司、控股公司、聯營企業，并按照表格結構顯示相關信息。模力時刻Qwen-plus大模型根據企業名稱調取聯網搜索能力輪訓查詢企業股權信息，整合后再繪制股權表格信息表和Markdown 格式數據。處理助手能夠在短時間內完成復雜的股權結構分析，從原來數小時縮短為幾分鐘就能進行股權分析內容生成，效率提升 90%以上。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 銀行 信貸17第一次股東信息查詢，首先根據企業提供的年報、財報等知識庫內容獲取股東清單。股東清單獲取1根據上面股東信息清單被傳遞到一個“循環遍歷”步驟，信息再次被傳遞給“股東信息詳情 Agen

57、t”，如果沒有股東信息可以通過搜索引擎獲取方式股東信息詳細信息?？赡苡糜谶M一步的數據驗證或補充。循環遍歷獲取股東信息2處理好的信息被傳遞給繪制腦圖/md 文件Agent，這個 Agent 負責將信息整理成腦圖或 Markdown 格式的文檔，同時股東信息表格 Agent 生成股東信息表。調用結果內容示例如下：股權結構報告3價值分析提高準確性自動化的股權穿透圖生成減少了人為錯誤的可能性，確保了數據的一致性和準確性，自動生成的圖表支持后續的人工調整和優化，使得最終的分析結果更加貼合實際情況。節省時間相比人工搜集編寫材料，助手能夠在短時間內完成復雜的股權結構分析，從原來數小時縮短為幾分鐘就能進行股權

58、分析內容生成。在銀行信貸授信環節中，股權分析的價值主要體現在能夠幫助評估借款企業的財務健康狀況、管理結構以及潛在風險。通過三方接口實現全自動繪制股權穿透圖，可以顯著提升這一過程的效率和準確性。以下是這種技術優化的具體價值：金融行業 Agent 百景圖金融行業 Agent 百景圖 銀行 信貸18財務報表分析助手在銀行信貸場景中財務報表分析是非常重要的，因為財務報表提供了關于企業財務狀況、經營成果和現金流量的關鍵信息。通過深入分析這些數據，信貸機構能夠評估借款企業的還款能力和信用風險，從而做出更加明智的貸款決策。財務報表分析助手依托大模型技術，專為高效處理、深度分析及精準解讀借款企業財務報表信息而

59、設計，將資產負債表、利潤表、現金流量表中通過知識庫查詢召回方式提取關鍵指標，結合審計報告內容能自動化生成詳盡的智能分析報告，根據歷史變化指標分析輸出專業分析意見，顯著提升財務報表閱讀效率。Agent 概述財務報表及各項財務指標能夠充分反映企業實際經營情況，因此財務解讀分析能力至關重要，當前主要問題如：需求分析分析經營風險財務報表能評估企業價值、了解盈利能力和識別風險因素。通過分析收入、成本、利潤和現金流等關鍵指標，可以發現高額負債、現金流問題或收益不穩定等風險因素?；跉v史數據的趨勢和比率分析，還可以預測未來業績，幫助企業提前采取預防措施，降低潛在風險，確保穩健運營。財務報表指標復雜性財務報表

60、包含復雜的指標，如資產負債表、利潤表和現金流量表中的各項數據。這些指標不僅數量龐大，而且相互關聯，需要綜合分析才能得出準確結論。理解和解析這些復雜指標對全面評估企業的財務健康狀況至關重要，以確保決策的科學性和準確性。專業局限性盡管客戶經理具備一定的財務知識，但在面對繁重的數據量和復雜的指標時容易出現錯誤。傳統分析方法往往只是簡單描述數據變化，未能深入挖掘背后的真實原因和潛在風險，限制了他們對企業實際經營狀態的理解和風險評估能力，影響信貸審批和風險管理的精準度。典型案例客戶經理把要借款企業相關材料文檔上傳到的企業知識庫，通過財務報表分析助手生成分析報告，具體流程如下：模力時刻Qwen-VL對 O

61、CR 識別資產負債表、現金流量表、利潤表數據進行數據內容矯正，或者識別三表數據。將 OCR 的數據識別準確性提升 5%10%。處理效果QwQ-plus對財報數據進行分析統計，分析經營流水風險。自動化的財務報表分析減少了手工操作的需求，降低了人力成本，時間縮短到分鐘級，財報分析效率提升 95%以上。處理效果金融行業 Agent 百景圖金融行業 Agent 百景圖 銀行 信貸19客戶經理上傳借款企業財報、公司章程、年報等文件到信貸系統，信貸系統自動同步到企業知識庫，構建企業專屬知識庫。知識庫構建1召回借款企業資產負債表、現金流量表、利潤表等信息，對比近三年歷史財務數據來識別趨勢、解釋財務狀況的變化

62、、進行關鍵財務指標的比較分析，由大模型完成深入分析。財報指標抽取2根據指標異常將變化發生的時間和具體的變動數據項作為搜索條件的一部分。通過這些信息，在文檔庫中召回該時間段內的企業經營事件。例如，特定時間段內的重大合同簽訂、政策變動或管理層更替等事件，這些都可能對企業財務數據產生影響。指標異常分析3結合大模型對數據變化的分析結果和從文檔庫中召回的企業經營事件，進行全面的綜合分析報告生成。如右圖是財務狀況異常分析結果及異常原因。分析報告4價值分析提高決策效率通過自動化處理和分析財務數據，可以快速生成報告和關鍵指標分析，確保數據處理的一致性和準確性，幫助客戶經理或審批人員更快地做出基于授信決策。專業

63、洞察利用高級分析技術，如預測分析、趨勢分析等，可以從大量數據中提取有價值的信息，提供對業務績效更深層次的理解，支持戰略規劃和風險管理。節省時間自動化的財務報表分析減少了手工操作的需求，降低了人力成本，時間縮短到分鐘級，財報分析效率提升 95%以上。金融行業 Agent 百景圖金融行業 Agent 百景圖 銀行 信貸20行業分析助手行業分析是分析借款企業所在行業的風險特點，包括市場風險、經營風險、政策風險等，評佔客戶的行業風險承受能力。銀行客戶經理在進行行業分析時，面對種類繁多且各具特色的行業，經常會遇到行業研報材料覆蓋不全、材料更新頻率低等問題，導致借款企業行業分析不完善、信息不準確。行業分析

64、助手借助大模型能力，同時集成知識庫 RAG 召回和互聯網搜索引擎能力，查詢企業所在行業信息生成行業分析報告，評估借款企業所在行業的整體狀況，幫助銀行或金融機構更好地理解企業的市場環境和潛在風險。Agent 概述典型案例客戶經理在給企業借款前，對客戶所處行業分析時，主要面臨以下問題：需求分析數據獲取復雜性 銀行在盡職調查過程中需要收集和分析大量的行業數據，包括市場趨勢、競爭對手情況、政策變化等。這些數據的獲取和處理過程復雜且耗時，可能導致報告的時效性和準確性受到影響。深度和廣度不足 盡職調查報告需要全面、深入地分析目標行業的現狀、前景、競爭格局等。然而，銀行在執行過程中可能因為資源有限或專業能力

65、不足，導致分析不夠深入和全面，無法為決策提供充分的信息支持。風險評估的主觀性盡職調查報告中的風險評估部分需要綜合考慮多種因素，包括市場風險、信用風險、操作風險等。由于評估過程涉及主觀判斷，可能存在評估結果不夠客觀、準確的問題，增加了決策的風險。專業能力和經驗差異 盡調報告的質量很大程度上取決于客戶經理的專業能力和經驗。不同客戶經理對同一行業的理解和分析可能存在差異，影響報告的一致性和可靠性。模力時刻QwQ-plus結合行業知識庫、企業專屬知識庫、外部互聯網內容，生成行業概況、運行特點、行業周期性、上下游情況、未來發展前景、市場集中度、進入壁壘、行業政策與法規等進行調查與分析內容。處理減少了以前

66、耗時耗力搜集資料、匯總材料及內容撰寫的時間，從原有 1 天縮短到 2 小時，提升 75%以上。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 銀行 信貸21收集行業信息，如行業政策法規、行業趨勢、行業報告、競對分析、市場環境等，構建多行業知識庫。構建行業知識庫1獲取借款企業的財務信息，然后根據企業所處行業搜索行業知識庫，同時通過互聯網搜索引擎進行資料補充，獲得完整的企業相關行業信息。行業信息獲取2通過召回檢索回的數據進行整合，并進行深入分析，包括分析行業政策及其影響、對比同業數據、行業發展等，將所有分析結果匯總成一份詳細的行業分析報告，提供給客戶經理。行業分析3行業分析助手通過訪

67、問借款企業財報、行業知識庫、互聯網搜索引擎方式獲取借款企業所處行業信息，并分析生成行業報告，具體流程如下圖所示：價值分析深度全面行業剖析不僅全面分析政策因素，也對行業概況、運行特點、行業周期性、上下游情況、未來發展前景、市場集中度、進入壁壘、行業政策與法規等進行調查與分析，使分析結果更加直觀、更具針對性。同行業對比增強參照性通過細致對比同行業上市公司的財務指標，并結合借款企業具體的生產經營狀況，評估其經營、財務等方面的風險，并為貸款決策提供有力支持。效率提升通過行業知識庫、互聯網搜索方式，減少了以前耗時耗力搜集資料、匯總材料的時間，效率提升 75%以上。金融行業 Agent 百景圖金融行業 A

68、gent 百景圖 銀行 信貸22信審資料查全助手企業貸款信用審查是金融機構在向企業提供貸款服務前的一項重要風險控制措施，企業申請貸款時需要準備詳實的材料，展示企業的健康運營狀態、市場前景及還款能力等情況，以確定是否給予貸款以及貸款的額度和利率。貸款信審助手利用大模型技術構建智能信審系統，輔助銀行客戶經理在搜集企業材料過程中，檢查材料的完備性、內容時效性，檢查企業是否符合信貸產品準入條件，并進行合適的信貸產品推薦。做到現場材料搜集“只跑一次”，顯著提升了信審階段的效率和準確性。Agent 概述典型案例客戶經理上門對企業進行盡調材料搜集過程中，面臨搜集文件多、內容不實時、不同貸款產品多次反復現場搜

69、集材料等問題，具體如下：需求分析資料收集多信審階段客戶經理需要準備豐富且真實的材料，包括但不限于企業的營業執照、財務報表、稅務記錄、銷售合同、資產證明等等。資料實時準確上傳材料時效性驗證，例如客戶提供營業執照非最新版本，希望通過搜索引擎獲取最新工商信息，對比資料庫內容提示客戶經理。經驗不足銀行金融產品眾多，客戶自行申請時選擇產品不夠精準，新客戶經理對產品及客戶資質了解不足，導致無效申請或者多次往復補充材料，效率降低?？蛻艚浝碓谛刨J申請審核前，會把客戶相關信息搜集并上傳到信貸系統，同時系統會根據上傳內容進行完整度和時效性核驗，然后根據授信產品要求核驗具體內容，完成本次材料采集。申請人提供必要的材

70、料，包括但不限于營業執照、公司章程、財務報表、稅務記錄、銷售合同、資產證明、水電房租發票等。收集材料1模力時刻QwQ-plus根據信貸產品準入要求、連接聯網數據，大模型自動檢查貸款企業上傳的材料是否完整度。處理不需要重復讓企業提交各種材料，一步到位，初始材料審核環節提升 80%以上效率。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 銀行 信貸23將收集到的材料上傳至信貸系統。這一環節確保所有必要文件都被數字化并存儲在系統中。上傳材料2大模型會自動檢查上傳的材料是否完整。例如，它會判斷是否有遺漏的文件或信息。驗證材料完整性3大模型進一步檢查材料的有效性和時效性。例如，財務報表是否

71、是最新的，稅務記錄是否與當前時間匹配等。核驗材料時效性4根據審核結果，系統會推薦適合申請人的信貸產品。這一步驟基于大模型對申請人資質和需求的理解。系統會查詢信貸資料知識庫，以獲取更多關于信貸產品的信息，幫助申請人更好地理解其選擇。產品推薦5通過這種方式，大模型不僅提高了信貸審核的效率，還減少了人為錯誤的可能性，使得整個過程更加準確和高效。具體流程如下圖所示：價值分析避免遺漏客戶材料通過引入先進的大模型技術，系統能夠自動檢查并提醒客戶經理所需的所有材料是否齊全，有效避免因客戶經理遺漏重要文件而導致的客戶投訴以及多次往返補充材料的問題，縮短授信時間。內容審核校驗前置在收集階段進行資料內容準確性和時

72、效性檢驗，一旦發現錯誤或過期信息，系統將立即通知客戶經理進行修正，確保所有提交的信息都是最新和有效的，減少后續因為信息不準確而產生的問題。全信貸產品規則匹配與推薦系統內置了行內信貸產品的詳細規則，并能基于客戶的資料智能匹配最適合的產品。這種個性化的服務不僅能提升客戶的體驗感，還能提高授信的標準，使整個授信過程更加高效、精準。金融行業 Agent 百景圖金融行業 Agent 百景圖 銀行 信貸24盡調報告審核助手審核盡調報告時因為審核人員數量少、項目并發高等原因，也導致信貸審核周期平均在一周左右。另外審核人員對報告內容信息不對稱、報告質量不高以及財務信息真實性甄別等困難，如何快速定位關鍵信息和風

73、險點，確保審核過程高效準確是審核人員希望解決的。信貸盡調報告審核助手利用大模型技術，按照預設量化及非量化指標，同步生成詳細的審核意見，幫助審核人員進行快速定位關鍵信息和風險點，也能減少審核人員翻閱報告時間，確保審核過程高效準確。Agent 概述典型案例盡調報告內容生成后，會進行報告內容拆解和規則審核，形成審核報告?？蛻艚浝砀鶕杩钇髽I提供的材料進行貸款申請報告的撰寫，生成最終的盡調報告。報告生成1信貸盡調報告審核過程中，面臨如下難點：需求分析審核壓力大由于對公客戶經理人數遠超審核崗位，導致審核工作量巨大。每份盡調報告的審核通常需要大約一周左右，這不僅增加了審核人員的工作負擔，還可能影響整體工作

74、效率。審核效率低盡調報告往往超過百頁，包含大量復雜的數據和信息。審核人員在這種情況下很難迅速且準確地找到所需的關鍵數據點，容易遺漏重要細節，從而影響審核的質量和準確性。根據不同的報告審核規則，將盡調報告自動拆分成多個不同的章節內容，方便審核規則對內容進行準確審核。報告拆分2模力時刻QwQ-plus沉淀不同的審核規則匯總成專家規則，大模型對財報審查、財務比率審查、債務規則審查和現金流審查來檢查企業的財務健康狀況，形成審查初步報告。處理自動化處理大量數據的能力使得信貸審核過程大大加快，減少重復提交修改報告環節，提升審批效率，可以節約 50%以上時間。效果金融行業 Agent 百景圖金融行業 Age

75、nt 百景圖 銀行 信貸25沉淀不同的審核規則匯總成專家規則，形成不同規則審核智能體進行報告審核判斷。通過財報審查、財務比率審查、債務規則審查和現金流審查來檢查企業的財務健康狀況，然后通過收入與利潤審查及風險合規審查來驗證數據的準確性和合規性。報告審核3基于上述的審查智能體的反饋內容，系統提供一個綜合評估，并給出具體的推薦建議。審核報告生成4具體流程如下圖所示：價值分析增強審核支持審核助手能夠在審核人員接收到盡調報告的同時，自動生成并提供詳細的審核意見。這些意見基于對報告內容的深度分析，幫助審核人員快速定位關鍵信息，并提供針對性的建議和支持，從而顯著縮短審核時間并提高審核質量。信貸盡調報告審核

76、助手的價值主要體現在提升信貸審批流程的效率、準確性和合規性上。該助手幫助分析和處理大量的信貸申請數據，能夠快速識別潛在風險點，并提供決策支持。以下是其具體價值分析：縮短審核時效自動化處理大量數據的能力使得信貸審核過程大大加快，可以節約 50%以上時間，減少了人工操作的時間成本。金融行業 Agent 百景圖金融行業 Agent 百景圖 銀行 信貸26信貸進件風控助手信貸授信進件時需要審查客戶提供企業資料，客戶經理需要人工審核上傳材料進行內容核對，確保其合法性和真實性，同時對進件材料進行風險評估。信貸進件風控助手小微企業資料上傳內容審核對比，根據進件照片識別虛假經營場地騙貸的功能?！靶刨J進件風控助

77、手”Agent 是一種利用大模型和先進的人工智能技術，多模態大模型進行進件內容提取，并且通過照片背景識別進行相似地址的判斷。當檢測到異常情況時，系統能夠及時發出警報，提醒信審部門進行深入調查，從而有效防范貸款欺詐行為，避免資金損失。Agent 概述典型案例借款企業提供書面材料提供個貸款機構，通過多模態方式資料審核方式實現上傳材料內容審核，并且識別經營場地異常分析的情況。申請人員提供小微企業營業執照、稅務登記證、法人身份證明復印件（PDF）、收入證明、銀行流水、信用報告等材料上傳到信貸系統。進件材料上傳1進件審核原來靠人審查，信審部門審核人員較少，工作量大經常要加班，而且會漏審和誤審，一旦誤審會

78、導致放款后造成資損。因此希望能夠解決以下問題：需求分析根據小微企業營業執照、稅務登記證、法人身份證明復印件（PDF）與借款人提交的貸款申請表進行對比，查看是否一致性。內容材料一致性審核進件的照片附件，識別經營場地，和照片背景，防止中介利用虛假經營場地，冒名小微企業主騙貸等。包括：一個經營場所被反復利用，同一人冒用身份進行貸款申請，經營場所與實際申請材料不一致等。欺詐檢測模力時刻Qwen-VL識別進件信息中的圖片、文件等半結構化數據，提取關鍵信息。進件信息收集與整理環節，工作效率提升 60%以上。處理效果Qwen-plus基于 VL 提取的信息，做多個數據源信息的交叉比對。信審員做信息一致性對比

79、的工作量減少 30%以上。處理效果金融行業 Agent 百景圖金融行業 Agent 百景圖 銀行 風控27利用 Qwen-VL-max 快速解析和理解客戶提交的申請材料，自動提取關鍵信息并進行初步風險評估。這不僅可以加速審批流程，還能滅少人資料審核2通過模式識別和異常檢測算法，Qwen-VL-max 可以輔助識別申請材料中的不一致性或潛在的欺詐行為，及時發出預警并進行人工審核，增強風控能力。欺詐檢測與預警3具體流程如下圖所示：自動化流程減少了人工操作中的失誤，確保每一份申請材料都經過嚴格的標準驗證。價值分析提高審批效率通過自動讀取、解析和驗證提交的文件（如營業執照、稅務登記證、法人身份證明等）

80、，減少了手動審核的時間和工作量，信審員工作量減少 30%以上。提升準確性與一致性自動化流程減少了人工操作中的失誤，確保每一份申請材料都經過嚴格的標準驗證。防范貸款欺詐系統可以驗證申請人提供的證件和照片的真實性，識別同一人或同一經營場所反復用于貸款申請的情況，防止冒名頂替和虛假經營場地的使用。攔截大額貸款詐騙，每月減少百萬元的資產損失。金融行業 Agent 百景圖金融行業 Agent 百景圖 銀行 風控28風控智能助理在金融行業快速發展的當下，傳統風控手段難以滿足日益復雜多變的風險挑戰。數據量暴增、風險類型多樣化、客群資質變化快，導致策略模型需要高頻迭代，亟需一種高效智能的風控工具，因此智能風控

81、助理Agent應運而生。智能風控助理Agent基于大模型開發，具備多方面強大能力。通過交互式對話的形式，它能解答風控知識疑問，進行策略的深度分析推理，并且高效自動化實現風控策略迭代過程中的函數開發、策略開發、智能建模等任務，為風控工作提供全面且智能的支持。Agent 概述典型案例在應用中，基于大模型的智能風控助理 Agent 具備多項核心能力，包括知識問答、函數生成、策略開發、智能建模等，旨在全面提升風控效率和質量。它通過大模型和 RAG 等技術，實現風控知識問答。對于風控策略中頻繁用到的函數，該 Agent 能根據用戶 query 生主要業務需求點：需求分析策略模型優化需求隨著金融業務創新，

82、風控策略和模型需持續迭代。了解已有策略的數據依賴，分析策略血緣，成為改進策略精準度、降低誤判風險的關鍵。通過工具的分析推理能力，風控人員能精準定位數據問題、完成策略診斷，針對性優化策略。開發效率提升需求在實際業務中，函數開發、策略生成部署、風控模型建模均耗時費力。傳統開發方式依賴專業程序員，且易因溝通不暢、需求理解偏差導致項目延期。Agent的代碼開發與智能建模功能，讓非專業研發人員也能快速上手，依據文檔自動生成代碼片段、模型框架，大幅縮短開發周期。風控知識普及需求金融風控領域知識體系龐大復雜，對于新手從業者而言，諸如“決策流”“規則集”等專業詞匯理解困難。即使資深人員，面對不斷更新的法規、技

83、術與模型，也需要便捷的知識獲取渠道。此Agent 提供即時準確的知識問答，滿足不同層次人員的學習需求。模力時刻Qwen-plus大模型理解風險分析師的問題，自動化挖掘風險特征變量，并生成對應的風險策略 workflow。處理風險特征挖掘效率提升 100%，風險策略配置效率提升 200%。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 銀行 風控29成對應函數腳本，并一鍵回填到風控平臺的“函數管理”模塊下。在整 體 風 控 策 略 的 迭 代 和 開 發上，Agent 能基于輸入文件實現策略快速開發，并通過一鍵回填，讓相關策略高效部署至風控平臺。同時 Agent 還可進行智能建模，

84、將特征數據、數據標簽、AUC 指標值等信息輸入 Agent，即可開始模型訓練，并自動進行多輪迭代，直到模型 AUC 指標符合客戶要求。這些能力共同作用，為用戶提供了一個全面且高效的風控解決方案。價值分析提升風控工作效率自動化處理大量重復性任務，如常規建模、數據對接、策略生成等，讓風控人員可以專注于更具挑戰性的分析工作。智能風控助理 Agent 的價值主要體現在以下幾個方面：促進知識共享作為一個持續學習的系統，Agent 不僅能回答當前的問題，還能不斷積累知識，成為組織內部重要的知識庫資源。降低操作風險通過標準化流程和自動化工具減少人為失誤的可能性，確保每一個決策都有據可依。增強決策質量借助先進

85、的算法和大數據分析能力，提供更加精準的風險評估結果，助力企業做出明智的商業決策。金融行業 Agent 百景圖金融行業 Agent 百景圖 銀行 風控30生成用戶可疑交易報告反洗錢是金融機構必須嚴格遵守的合規要求之一，可疑交易報告是金融機構履行反洗錢義務的重要手段，其目的是通過識別和報告可疑交易，防止洗錢和其他金融犯罪活動的發生。然而，傳統的報告撰寫過程存在諸多挑戰，如報告質量參差不齊、撰寫效率低下、信息整合困難等?！吧捎脩艨梢山灰讏蟾妗盇gent，通過自動化生成高質量的可疑交易報告，提高金融機構的合規效率和報告質量。能夠準確理解用戶的可疑交易特征，自動進行數據字段分析與 SQL 構建，獲取相

86、關的數據，最后生成大模型內容。Agent 概述典型案例在某銀行機構，“生成用戶可疑交易報告”Agent 顯著提升銀行可疑交易監測的效率和準確性。傳統的人工撰寫報告方式耗時長、易出錯，而 Agent 的自動化生成能力大幅縮短了報告的制作時間，減少了人工審核的工作量，降低了人力成本。主要業務痛點：需求分析報告撰寫效率低由于缺乏自動化工具和標準化流程，反洗錢報告的編寫往往依賴于手工操作，導致處理速度慢且容易出錯，影響了整體的工作效率。報告質量參差不齊不同人員對法規的理解差異及數據完整性的不足，使得報告的質量不穩定。缺乏統一的標準和嚴格的審核機制進一步加劇了這一問題。信息整合難度大來自多個系統的數據格

87、式各異，跨地域的數據共享需考慮法律合規性，加上實時性和非結構化數據處理的需求，增加了信息整合的復雜度。專業人員依賴性強高水平的反洗錢工作需要深厚的專業知識和經驗，但此類人才稀缺且培養周期長，人員流動還可能造成關鍵崗位空缺，嚴重影響工作效率。模力時刻Qwen-plus大模型理解用戶問題及表結構，利用其 NL2SQL 能力獲取交易數據，按提示詞模板生成報告內容。處理數據獲取準確率 90%，可以交易報告生成效率從 1 天到 1 小時。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 銀行 風控31“生成用戶可疑交易報告”Agent 主要包括“數據字段分析與 SQL 構建”模塊和“報告生成

88、”模塊。在“數據字段分析與 SQL 構建”模塊中，大模型能夠準確理解用戶的可疑交易特征，并智能識別出與之相關的交易數據字段。例如，當發現某客戶存在頻繁大額資金轉移的可疑特征時，大模型會迅速分析出需要關注的字段包括交易時間、交易金額、交易對手賬戶信息等，從而構建出高效的 SQL 語句，從數據庫中精準提取相關數據，為后續的深入分析提供有力支撐。在獲取到用戶可疑特征及真實的交易數據后，“報告生成”模塊利用通義千問大模型強大的語言生成能力，結合用戶可疑特征和真實的交易數據，能夠自動生成內容詳實、條理清晰的報告文本，不僅包含關鍵的交易數據和可疑特征分析，還能給出合理的結論和建議措施。在技術上“生成用戶可

89、疑交易報告”Agent 實現了大模型與金融業務的深度融合。一方面，大模型在金融領域的應用拓展了其使用場景，證明了其在復雜業務邏輯中的強大適應性和實用性；另一方面，通過創新性地將大模型應用于可疑交易報告的撰寫，為金融行業提供了一種全新的智能化解決方案，推動了金融科技的發展，為其他金融機構在類似業務場景中的應用提供了參考和借鑒。價值分析提升效率與準確性通過自動化工具和標準化流程，顯著提升了報告的撰寫速度，減少了手工操作的時間消耗和出錯率，提高了整體工作效率。從龐大的數據庫中準確提取與可疑特征相關的交易信息，確保數據的準確性和完整性。標準化與質量提升解決了因人員對法規理解差異導致的報告質量不穩定問題

90、。通過標準化流程和自動化的報告生成機制，實現了報告質量的一致性。結合大模型的語義理解和生成能力，能夠自動生成詳盡且專業的可疑交易分析報告，保證了報告的深度和專業度。簡化信息整合過程克服了來自多個系統數據格式各異、跨地域數據共享復雜等挑戰，通過智能的數據字段分析和 SQL構建，簡化了信息整合的難度，使得實時性和非結構化數據處理變得更加高效。減少對專業人才的依賴大幅減少了對高水平反洗錢專業人才的依賴，降低了由于人員流動帶來的風險，即使在缺乏經驗豐富的專家的情況下，也能維持較高的工作效率和報告質量。金融行業 Agent 百景圖金融行業 Agent 百景圖 銀行 風控32APP 零售業務助理基于大模型

91、的銀行“APP 零售業務助理”Agent 是專門為手機銀行 APP 設計的零售業務智能客戶服務解決方案。它通過 AI 技術提供智能化、個性化的服務體驗。該 Agent 不僅支持賬單查詢、轉賬服務等基礎零售銀行業務的辦理，還能通過智能對話引導用戶完成復雜操作，實時解答疑問，并根據用戶的歷史行為推薦相關服務。其目的是改善零售端用戶的交互體驗，顯著提升業務辦理效率和服務質量。Agent 概述典型案例模力時刻Qwen-72B/32B識別手機銀行上客戶 query 意圖，調用后臺對應知識庫和工具生成反饋意圖識別準確率 90%，轉人工客服通話量下降 50%處理效果銀行的零售業務智能客服痛點：需求分析傳統手

92、機銀行 APP 操作復雜，用戶需要多次點擊才能完成簡單任務。用戶交互體驗差人工客服響應時間長，難以滿足用戶即時需求?？头憫脩粜枰謩虞斎氪罅啃畔?，操作繁瑣且容易出錯。業務辦理效率低難以根據用戶畫像和行為數據提供個性化服務。個性化服務不足零售業務智能助手核心功能需求：支持用戶通過自然語言查詢賬單信息。賬單查詢支持用戶通過語音或文本指令完成轉賬操作。轉賬服務支持用戶查詢賬戶余額、交易記錄等信息。賬戶管理基于用戶畫像和行為數據，推薦相關金融產品和服務。智能推薦金融行業 Agent 百景圖金融行業 Agent 百景圖 銀行 AI Native 手機銀行33價值分析增強用戶體驗24/7 在線服務使

93、客戶隨時隨地都能得到幫助，增強了便利性和滿意度。提高工作效率自動化處理常見問題和任務，減少了人工客服的工作量，提升了整體服務效率。降低運營成本減少了對人力客服的依賴，降低了培訓和管理成本。數據驅動決策收集和分析用戶交互數據，為優化產品和服務提供依據。安全與合規嚴格遵循金融行業法規，確保每一次交易的安全性和合法性。促進交叉銷售通過智能推薦，適時向客戶介紹其他可能感興趣的產品或服務，增加收入來源。用戶通過語音或文本輸入“查詢上個月賬單”等內容，自動識別用戶意圖，快速返回賬單詳情。支持多輪對話，用戶可進一步詢問具體交易細節。賬單查詢1用戶通過語音或文本輸入轉賬相關內容，如“轉賬給張三 1000 元”

94、，自動識別收款人和金額，為客戶提供轉賬相關 UI 組件卡片，支持用戶完成轉賬操作。轉賬服務2在某銀行客戶，打造基于大模型智能體的手機銀行智能業務助手，面向銀發客群提供智能化的零售業務服務，提升手機銀行 APP 的用戶體驗，減少人工客服壓力，提高零售業務辦理效率。用戶通過語音或文本輸入“查詢賬戶余額”等類似內容，自動返回當前賬戶余額和最近交易記錄。賬戶管理3對用戶提供智能問答服務，包括問候場景、知識問答、主動對話等能力，可對企業相關產品、活動等問題進行針對性回答和詳情介紹。智能問答4金融行業 Agent 百景圖金融行業 Agent 百景圖 銀行 AI Native 手機銀行34APP 信用卡服務

95、助理“APP 信用卡服務助理”Agent 是專門為銀行手機銀行 APP 設計的信用卡客戶服務解決方案，它能夠提供信用卡還款、賬單查詢、智能問答等智能化服務，不僅支持 24/7 全天候自助服務，還能通過多輪對話理解和解決復雜問題。其目的是改善用戶交互體驗，簡化操作流程，顯著提升信用卡業務辦理效率和服務質量，同時確保高準確性和安全性。Agent 概述典型案例銀行的信用卡業務智能客服痛點：需求分析用戶交互體驗差傳統手機銀行 APP 操作復雜，用戶需要多次點擊才能完成信用卡相關業務。信用卡業務智能助手核心功能需求：信用卡還款支持用戶通過自然語言完成信用卡還款操作。信用卡賬單查詢支持用戶通過語音或文本指

96、令查詢信用卡賬單信息。智能問答支持用戶通過自然語言提問，獲取信用卡相關問題的解答?？头憫斯た头憫獣r間長，難以滿足用戶即時需求。業務辦理效率低用戶需要手動輸入大量信息，操作繁瑣且容易出錯。個性化服務不足難以根據用戶畫像和行為數據提供個性化服務。在某銀行客戶，通過基于大模型的“APP 信用卡服務助理”Agent 項目，提升手機銀行 APP 的用戶體驗，提供智能化的信用卡業務服務，提升手機銀行 APP 的用戶體驗，減少人工客服壓力，提高信用卡業務辦理效率。模力時刻Qwen-72B/32B識別手機銀行上客戶 query 意圖，調用信用卡 Agent 智能體辦理業務。處理意圖識別準確率 90%，

97、工具調用準確率 95%。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 銀行 AI Native 手機銀行35價值分析提升用戶體驗通過自然語言交互和智能問答功能，大幅簡化用戶操作步驟，提升用戶滿意度；支持多輪對話和個性化服務，增強用戶粘性。個性化服務基于用戶畫像和行為數據的智能問答，幫助銀行更好地滿足用戶需求，提升客戶滿意度和忠誠度；支持多輪對話和個性化推薦，提升用戶體驗。提高業務辦理效率自動化處理信用卡還款、賬單查詢等常見業務，顯著縮短辦理時間；減少人工干預，降低操作錯誤率。降低運營成本減少人工客服壓力，降低客服成本；通過智能問答功能，提升用戶自助服務率，減少人工客服咨詢量。用

98、戶通過語音或文本輸入“信用卡還款 1000 元”，自動識別用戶意圖，完成還款操作。調用信用卡還款相關業務 UI 組件卡片，確保交易準確安全。信用卡還款1用戶通過語音或文本輸入“查詢本月信用卡賬單”，自動識別用戶意圖，快速返回賬單詳情。支持多輪對話，用戶可進一步詢問具體交易細節。信用卡賬單查詢2對用戶提供智能問答服務，包括問候場景、知識問答、主動對話等能力；可對信用卡相關產品、活動等問題進行針對性回答和詳情介紹。智能問答3金融行業 Agent 百景圖金融行業 Agent 百景圖 銀行 AI Native 手機銀行36APP 理財業務助理銀行“APP 理財業務助理”Agent 是基于大模型的理財業

99、務智能客服 Agent，專為手機銀行 APP 設計，旨在通過 AI 技術為 C 端客戶提供個性化的理財服務。該工具結合客戶畫像和需求，利用私域理財產品庫，提供智能化的產品推薦、理財購買、理財贖回等服務，顯著提升客戶體驗和業務辦理效率。Agent 概述典型案例銀行的理財業務智能客服痛點：需求分析客戶畫像不清晰難以精準識別客戶的風險偏好、投資目標和財務狀況。產品推薦不精準傳統推薦方式依賴人工，難以根據客戶需求實時匹配合適的產品。服務響應慢人 工 客 服 響 應 時 間長，難以滿足客戶即時需求。操作流程復雜客戶在購買或贖回理財產品時，需多次操作，體驗較差。理財業務智能助手核心功能需求：客戶畫像分析基

100、于客戶行為數據和財務信息，生成精準的客戶畫像。智能產品推薦根 據 客 戶 畫 像 和 需求，從私域理財產品庫中推薦合適的產品。智能問答提供理財相關的咨詢服務，解答客戶疑問。理財購買與贖回支持客戶通過自然語言或簡單操作完成理財產品的購買和贖回。通過分析客戶的交易記錄、風險測評、資產配置等數據，生成精準的客戶畫像，包括風險偏好、投資目標和財務狀況?？蛻舢嬒穹治?在某銀行客戶，意圖打造銀行“APP 理財業務助理”Agent，提升手機銀行 APP 的理財業務體驗，增加客戶粘性，提高理財產品銷售轉化率。模力時刻Qwen-72B識別手機銀行上客戶 query 意圖，調用財富管理后臺 API 及資配工具。處

101、理意圖識別準確率 90%，會話輪數提升 50%。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 銀行 AI Native 手機銀行37價值分析降低運營成本自動化處理大量咨詢和交易請求，減少人工客服的工作量，降低銀行運營成本。精準營銷與客戶留存通過分析客戶行為和偏好，智能客服能夠精準推薦理財產品，提升客戶留存率和產品銷售效率。增強風險管理智能客服能夠根據客戶的風險偏好提供合適的產品建議，幫助客戶合理配置資產，降低投資風險。提升品牌形象智能化的理財服務展示了銀行的科技實力和創新能力，有助于提升銀行在客戶心中的品牌形象。提升客戶體驗智能客服通過 24 小時在線服務、多輪對話和個性化推薦

102、，滿足客戶多樣化需求，顯著提升理財服務的便捷性和滿意度。根據客戶畫像，從私域理財產品庫中推薦合適的產品。例如，向“穩健型投資者”推薦低風險的債券基金或保本型理財產品。智能產品推薦2客戶通過語音或文本輸入“購買推薦理財產品”，自動完成購買操作?？蛻敉ㄟ^語音或文本輸入“贖回某理財產品”，自動完成贖回操作。調用理財相關業務 UI 組件卡片，確保交易準確安全。理財購買與贖回3對客戶提供智能問答服務，包括問候場景、知識問答、主動對話等能力；回答客戶理財類問題，如客戶通過語音或文本輸入“理財產品的收益率是多少？”，自動返回準確的答案。支持多輪對話，客戶可進一步詢問相關問題。智能問答4例如，識別出某客戶為“

103、穩健型投資者”，偏好低風險、中長期理財產品。金融行業 Agent 百景圖金融行業 Agent 百景圖 銀行 AI Native 手機銀行38APP 養老咨詢規劃“APP 養老咨詢規劃”Agent 面向銀行等金融機構養老金融場景，提供個人養老金的知識問答、投教問答以及引導客戶進一步溝通個人養老的規劃方案，為金融機構提供 APP 上的養老金融智能咨詢服務能力，輔助手機銀行等線上經營場景，提供能說、能懂、會引導的養老金融智能體。提供 API 支持和配置功能，支持接入金融機構標準知識庫/FAQ 庫，支持配置業務目標和牽引方向。Agent 概述典型案例在某股份制銀行中，以大模型為基礎，打造面向養老金融場

104、景的手機銀行 APP 智能助手?？梢詫崿F養老金融規劃、智能化問答、養老資產查詢、養老產品推薦等功能。通過該智能體能夠理解用戶的問題并提供精準、專業的養老金融服務建議。有效提升養老金融場景下智能體的理解和牽引能力，對零售客戶在個養場景的下的問題進行有效的溝通和引導，促進業務目標的達成，以上述案例為例，目標感增強提升 35%，場景深度度增強提升 29.6%。在零售養老金融場景下，解決當前手機銀行、App 中智能機器人/Bot 遇到的核心挑戰：需求分析如何聽懂客戶的訴求識別客戶的問題，針對問題進行拆解和分析，理解客戶的核心意圖和訴求。如何有效牽引和引導客戶通過思維鏈等方式，針對客戶的理解/問題進行牽

105、引，引導客戶關注相關業務重點、投教知識等。如何輸出專業的內容基于客戶的核心意圖和訴求，組織專業的場景答案，給予客戶價值內容輸出。模力時刻Qwen-72B識別養老場景下 query意圖，規劃都執行動作，調用問答、工具、推薦等 Agent 工具。處理意圖識別準確率 90%，工具調用準確性 96%。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 銀行 AI Native 手機銀行39價值分析增強用戶體驗通過提供高效、準確的服務，增強了用戶體驗，提高了客戶滿意度。推動業務增長吸引對養老金融產品有需求的客戶群體，促進相關業務的增長。展示社會責任體現了銀行在應對人口老齡化挑戰方面承擔的社會責

106、任，樹立良好的企業形象。數據驅動決策積累大量用戶行為數據，有助于深入了解市場需求，優化產品和服務設計?！癆PP 養老咨詢規劃”Agent 輔助手機銀行、線上機器人在面客過程中的溝通，提供機器人增強/替代功能，牽引客戶朝業務需要的方向上進行引導（例如開戶、關注產品、計算養老方案、線下約見等）。解答用戶關于養老金賬戶、養老理財產品、養老保險等方面的疑問，例如“如何開通養老金賬戶？”、“有哪些適合我的養老理財產品？”等。智能問答1根據用戶的年齡、收入、風險偏好等信息，提供個性化的養老規劃建議，例如“我應該如何配置養老資產？”、“我需要準備多少養老金？”等。養老規劃2具體包括如下場景：根據用戶的養老規

107、劃，推薦合適的養老金融產品，例如養老目標基金、商業養老保險等。產品推薦3評估用戶的養老風險承受能力，并提供相應的風險提示和建議。風險評估4定期推送養老金融相關的政策解讀、市場動態、理財知識等資訊。資訊推送5金融行業 Agent 百景圖金融行業 Agent 百景圖 銀行 AI Native 手機銀行40證券研報快讀、研報觀點問答、路演解析、行業周報觀點、日報早評收評、熱門事件助手、深度研報寫作投研股權激勵助手、投行法規解讀投行投顧資訊簡報、理財產品問答助手、營銷優先級判斷投顧信披報告審核、營銷物料審核智能運營研報快讀傳統的長圖生成辦法，需要證券公司分析師+外部專業設計公司協作，共同實現從研報到長

108、圖的轉換，存在成本高、時間長、風格難統一等問題。需求分析成本高現有技術依靠證券公司分析師和外部專業公司共同完成，需要付出較多的成本對研報內容先做專業的解讀，以及長圖 UI 的設計排版。時間長證券公司分析師平日工作繁忙，完成一份大幾十頁的研報內容摘要需要花費 2-3 周的時間；再加上和外部專業設計公司的溝通與反復修改，一次研報轉長圖耗時接近一個月。風格難統一不同分析師的背景知識和擅長賽道不一樣，外部設計公司的產品在 UI 風格上也有差異，帶來的結果是不同研報長圖長短風格各異，而證券公司需要一種相對統一能代表公司形象的風格。在當前信息爆炸的時代，證券公司的研究報告由于其篇幅較長及專業性強，難以有效

109、的對大眾進行教育和傳播。研報快讀旨在通過長圖的形式展示研報的核心內容，將復雜的金融分析轉化為易于理解的視覺信息，以提高傳播效率并激發投資者的閱讀興趣和體驗。在生成式人工智能技術的支持下，基于阿里云通義系列大語言模型及多模態大模型的技術方案，實現復雜研報解析、核心觀點提取、內容摘要生成、宣傳圖生成等功能，為證券公司提供智能、高效的研報快讀版生成的解決方案。Agent 概述典型案例在某證券公司，基于通義千問大模型，總結研報核心觀點，提取關聯圖表；利用通義萬相文生圖能力，基于研報主題生成對應頭圖；最后，采用生成式 AI+專家編輯的模式，將大模型產出內容輸出到一個可編輯應用當中，專家微調或確認后即可定

110、稿。模力時刻Qwen-long超千萬長度模型能力，實現對超長研報內容的理解、結構生成、摘要及重點內容提取。提取準確度達到 95%；轉寫文本留存率 70%，不偏離原稿含義。處理效果Wanx2.1基于研報內容與提示詞指引，生成研報快讀的背景頭圖。素材制作周期上從原先 2-3 周縮短至 2-3 天。處理效果金融行業 Agent 百景圖金融行業 Agent 百景圖 證券 投研41傳統的長圖生成辦法，需要證券公司分析師+外部專業設計公司協作，共同實現從研報到長圖的轉換，存在成本高、時間長、風格難統一等問題。價值分析增強吸引力相比冗長的專業研報，通過生成長圖，采用直觀的視覺元素，提升報告吸引力，激發投資者

111、興趣，更容易在短視頻平臺上傳播。提高理解效率使用大模型對研報內容進行提煉和摘要，結合原始研報中重點圖表，加速信息吸收，提高閱讀效率，節省投資者獲取信息的時間成本。提效降本券商員工可借助大模型可自助高效完成研報長圖生成，生產周期從周級將至天級，提升工作效率。拓寬傳播渠道長圖的形式更適應多平臺分享，如券商的公眾號和 App，擴大受眾范圍，增強報告影響力。實現效果如下圖所示：總體技術鏈路如下圖所示：基于大模型自動生成內容及圖表，提取準確度達到 95%；轉寫文本留存率 70%，不偏離原稿含義，避免合規風險；在制作周期上從原先 2-3 周縮短至 2-3 天，極大提升了效率。原始的研報文件可以統一放置在對

112、象存儲上管理，應用系統在用戶登錄后，按權限展示相關研報，供用戶選擇。研報的上傳與管理1通過預設規則，以及 OCR 等小模型的協作，對原始研報中的文字內容、圖片內容、表格內容，做充分的提取，形成markdown 結構化數據。研報的預處理2將前述 markdown 中的主體內容和段落等結構化信息，送給大語言模型做長圖內容的摘要和生成，此處采用Qwen-long 大語言模型，支持超長研報的文本輸入，配合系統預置的 Prompt 提示詞，產出文字內容。長圖內容生成3與此同時，預處理后的標題、摘要、目錄等高信息量文本，會作為提示詞的一部分，送給通義文生圖多模態大模型通義萬相處理，生成符合特定風格和內容相

113、關的頭圖，作為長圖一部分與文本做拼接。長圖頭圖生成4基于長圖中的關鍵摘要文本，結合上下文信息做適度的內容擴展，生成適合視頻場景的文字長度內容?？诓ジ迳?金融行業 Agent 百景圖金融行業 Agent 百景圖 證券 投研42研報觀點問答在證券公司的投資研究部門，有大量的研報作為分析師日常查閱和分析的信息來源。傳統上大家使用研報的方式是，通過關鍵字檢索出相關研報，然后打開逐頁閱讀，尋找關注的信息，形同大海撈針。在生成式人工智能技術的加持下，可以更高效的完成此類工作。首先把研報的內容進行識別，包括文字、圖片、表格、文檔結構等，然后將其向量化之后存儲在向量數據庫中；然后當用戶的查詢請求過來后，精準

114、檢索、匹配和召回相關文檔內容；最后把用戶查詢和召回的文檔片段一并送給大模型進行生成式回答。Agent 概述傳統的研報閱讀方式有如下痛點：需求分析檢索準確性不高傳統方式主要依靠研報關鍵字進行匹配檢索，在準確性上有不足，另外也無法捕獲到文本背后更深層次的語義關聯性。閱讀耗時較長檢索到研報以后，通常要花費大量的時間去閱讀，幾十頁的研報，可能只有一兩頁是用戶關心的，這造成了極大的閱讀時間浪費。觀點生成較慢在查閱完研報內容后，觀點需要分析師或其他用戶人工編寫，對總結摘要能力和文本寫作能力有較高要求，且花費時間。典型案例右圖展示了一個完整的，構建研報 知 識 庫，并 基 于 大 模 型 搭 建RAG（Re

115、trieval-AugmentedGeneration，檢索增強生成）的流程圖：模力時刻Qwen-plus理解用戶問題，從 RAG 召回的知識片段中，篩選出語義相關內容，生成回復。處理研報內知識問答準確度達 90%，檢索知識效率從 1 小時到 1 分鐘。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 證券 投研43大量研報被切片處理，并存儲在向量庫中進行索引，以便后續快速檢索。文件切片與索引1用戶提出一個問題，通常需要結合特定場景對用戶問題進行改寫和擴寫。用戶輸入問題2系統基于用戶的問題從向量庫中召回相關的文檔片段。檢索相關文檔3檢索出的相關文檔片段會被進一步處理，結合用戶的問題

116、生成提示詞。結合問題與提示詞4結合問題與提示詞，通過大模型生成最終的回答。LLM 生成回答5最終生成的回答通過系統返回給用戶，提供詳細的分析和見解。輸出回答給用戶6整個流程通過結合檢索技術與大模型生成能力，為用戶提供精準、詳盡的答案，幫助券商的研究人員快速獲取所需的信息。右圖是主流投研工具，支小助的產品問答效果示意圖：價值分析更準確引入語義化知識檢索，召回更多相關內容，避免遺漏關鍵信息。更易用新的LUI交互方式，讓客戶可以通過提問的方式快速獲取相關知識點，不需要每一篇都去閱讀，按需延展閱讀即可。更高效不需要用戶從零開始寫總結摘要，大模型先生成一個基礎底稿，人工編輯優化即可。金融行業 Agent

117、 百景圖金融行業 Agent 百景圖 證券 投研44路演解析資本市場上有大量的路演會議視頻，其中有很多有價值的信息，從業人員需要花大量的時間去觀看視頻直播或回放，獲取信息的效率比較低，無法及時掌握市場動態。在生成式人工智能時代，證券公司、上市公司、機構投資者等業內人員，通過 ASR+大語言模型，把路演視頻內容的信息提取出來，再基于大模型完成內容總結、發言人區分、信息摘要、觀點總結等任務，把結構化后的數據給到從業人員查看，極大的提升了信息獲取的效率。Agent 概述典型案例基于在券商研究所、上市公司、機構投資者閉環生態中構建的路演為核心的投研信息，通過大語言模型的應用與 AI智能分析，為金融機構

118、及投研人員提供一站式智能投研服務信息，幫助投研分析師高效便捷地展開業務，提高投研分析決策效率。在證券行業，觀看路演會議視頻以提取關鍵信息是一個耗時的過程，給從業人員的工作帶來諸多不便：需求分析時間消耗大從業人員需要逐幀觀看視頻來捕捉重要信息，這一過程極為耗時。長時間的專注觀看容易導致疲勞，降低信息吸收效率。信息檢索困難在長視頻中尋找特定信息點如同大海撈針，缺乏有效的索引工具。沒有快速定位功能，使得查找特定話題或數據變得尤為繁瑣。內容理解依賴性強對于非母語使用者或者專業術語不熟悉的人員來說，理解視頻內容可能更加困難。缺乏即時翻譯或解釋功能，增加了理解障礙。無法有效利用碎片化時間由于視頻長度較長，

119、不適合在短暫的休息時間或通勤途中快速瀏覽獲取要點，不能充分利用零散時間為后續工作做準備。模力時刻Qwen-plus基于路演視頻的文字版內容，進行關鍵信息提取、會議總結摘要。處理關鍵實體提取準確率 95%，會議總結摘要準確率 90%。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 證券 投研45通過 ASR 或多模態音頻理解大模型，把路演會議視頻中的文字提取出來，過程中進行關鍵發言人的區分，把對話內容結構化。語音轉文字1根據下游的具體任務需求，使用 Prompt，基于大模型對原始會議文字做加工。常見的任務包括會議內容摘要，讓研究員快速瀏覽長會議內容；會議問答對抽取，讓大模型從大段會

120、議文本中，自動提取【question-answer】對，能夠以問答的形式獲取會議關鍵信息。會議內容處理2價值分析節約了看長時間路演視頻的時間通過大語言模型技術，加上語音小模型，能夠自動轉錄視頻中的語音為文字，并且進行語義分析以提取關鍵信息。這使得從業人員無需逐幀觀看視頻，而是可以直接閱讀或搜索文本摘要，極大地節省了時間。使用大語言模型，把路演的非結構化信息轉成文本，再加上不同提示詞任務，讓大模型幫助從業人員快速提取到想要的信息，提升工作效率。內容更加容易理解和吸收借助大模型強大的語言力和世界知識，對于專業術語的理解問題，大模型可以基于其龐大的知識庫提供解釋和上下文關聯，幫助用戶更好地理解復雜的

121、專業內容。這對于提升跨文化溝通效率和專業知識普及具有重要意義。提升了關鍵信息提取效率大模型可以構建智能知識索引，通過對視頻內容的深度學習，識別并標記出重要的時間節點、主題以及關鍵詞。這樣，用戶可以通過簡單的查詢快速定位到感興趣的片段。此外，大模型還可以根據用戶的興趣推薦相關內容，進一步優化信息獲取流程。金融行業 Agent 百景圖金融行業 Agent 百景圖 證券 投研46行業周報觀點傳統模式下，銷售、運營及投研人員需要耗費大量時間收集數據、新聞、政策信息，并進行分析和觀點整理，不僅效率低下，還容易出現信息遺漏或不準確的情況。特別是以金融為代表的高度專業化行業對嚴謹性、專業性和可靠性都有著極為

122、嚴格的要求。面向智能投研場景下，通過整合市場上公開的各種研報和第三方數據源，結合內部基金經理的觀點，利用COM（Chain-of-Mind）技術，將研究員的思維模式融入其中，采用 RAG 架構進行實體化的檢索，實現對復雜問題的深度解析。依托大模型提供生成能力，自動生成行業周報觀點，不僅提高了內容生成的速度和準確性，還顯著增強了業務人員對市場動態的把握能力，提升了投研人員的工作效率和服務質量，為公司創造了更高的商業價值。Agent 概述典型案例在智能投研場景下，整合多源異構的信息，生成一份高質量研報，當前有如下挑戰：需求分析數據整合與處理效率低在資管行業中，銷售、運營和投研人員需要頻繁地收集、整

123、理和分析大量的市場信息，如行業估值、指數、新聞、政策等。傳統方式依賴人工進行數據的檢索、匯總和整理，不僅耗時費力，還容易出現遺漏或錯誤。內容生成質量參差不齊線下渠道和線上渠道需要持續輸出高質量的內容來陪伴用戶，但現有的內容生成工具無法保證內容的準確性和時效性，導致用戶體驗不佳，影響業務效果?？傊?，對于銷售人員來說，需要用更為高效的工具自動生成行業周報，涵蓋行業估值、指數、新聞、政策等多維度信息，推動更多復雜場景和問題的解決。模力時刻Qwen-plus基于市場資訊內容，自動生成一周要點新聞與觀點解讀。處理行業周報生成極大效率，從 1 天到 10 分鐘。效果金融行業 Agent 百景圖金融行業 A

124、gent 百景圖 證券 投研47價值分析提升工作效率與質量自動化生成行業周度觀點報告和解讀，極大減少了銷售、運營和分析人員的數據收集和整理工作量，同時保證了信息的準確性和時效性。智能化與精準化在處理問題時更加貼近實際應用場景，提高了回答的針對性和專業性。行業周報觀點應用針對銷售人員進行行業相關信息的物料輔助生產，以提升對應運營動作的效率及效果。行業周報觀點應用通過自動獲取對應行業的估值、指數、新聞、政策、大事、研報觀點等多維度信息，確保觀點內容的時效性和事實準確性；針對其中的抽象金融問題，如光伏行業的投資時機，應用模擬研究員的思維模式，從多個角度思考和收集信息，并結合研究員標注的專業圖譜，進行

125、全面洞察和分析。當前行業周報觀點應用已覆蓋全行業，輔助生產內容百余篇，滲透至各個銷售陪伴等業務環節。下圖為光伏行業周報應用示例：金融行業 Agent 百景圖金融行業 Agent 百景圖 證券 投研48日報早評收評在快節奏的金融市場中，無論是個人投資者還是機構參與者，都需要及時準確地獲取市場動態和專業分析來輔助決策。而傳統模式下，銷售、運營及投研人員需要耗費大量時間收集數據、新聞、政策信息，并進行分析和觀點整理，不僅效率低下，還容易出現信息遺漏或不準確的情況。日報早評收評應用依托大模型智能技術，具備強大的信息整合與分析能力。它如同理財師的“智能助手”，每日自動運行，精準聚焦金融市場動態，無論是開

126、盤前的早評，還是收盤后的收評，都能快速、高效地為理財師呈現有深度、有價值的分析報告，成為理財師洞察市場、服務客戶的得力工具。Agent 概述典型案例資本市場信息繁雜，從業人員要想要掌握每日全面、及時、準確的資訊，存在以下困難：需求分析信息爆炸與時效難題金融資訊海量繁雜，理財師需耗費大量時間從眾多渠道篩選當日關鍵信息，難以及時把握稍縱即逝的投資機會，且容易錯過開盤前的黃金準備時段。對于理財師來說，迫切需要每日早評和收評的輔助工具，幫助他們快速獲取最新市場信息并進行解讀。專業解讀深度與廣度解讀熱點事件、行情走勢需深厚專業功底，理財師受限于精力，難以對各類資產、多元板塊進行全方位且深入的剖析，影響為

127、客戶提供精準投資建議。日常工作流程繁瑣手工收集整理數據、撰寫早評收評報告，流程冗長，理財師無法將更多精力投入客戶溝通與個性化方案制定，制約業務拓展效率。日報早評收評應用可以多源掃描權威財經媒體、研報平臺、整合金融行業數據庫，提供深入的行業分析、資金流向、市場行情、政策變化等信息，幫助投資者更好的理解投資環境。對熱點事件進行深度剖析，結合歷史數據、市場模型，闡釋事件對股市、債市、匯市等走向的短期沖擊，為理財師早會提供清晰邏輯脈絡，輔助制定當日投資策略基調。早評精細解讀1模力時刻Qwen-plus基于當日即時的市場資訊內容，自動生成分析洞察與評價。處理每日快報類工作，生成效率極大提升，從 1 小時

128、到 5 分鐘。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 證券 投研49價值分析效率飛躍理財師每日節省數小時信息搜集整理時間，將精力聚焦客戶需求挖掘、資產配置優化，客戶響應速度提升，服務質量顯著升級。專業賦能憑借Agent深度專業解讀，理財師為客戶提供投資建議時，準確率提升，復雜市場環境下策略適配性更強，客戶 資 產 組 合 收 益 穩 定 性 增強。機構競爭力提升多機構應用實踐表明，該Agent 助力理財團隊提升整體效能，吸引高凈值客戶流入，創造額外業務收入增長，穩固機構在財富管理領域領先地位。收盤后，迅速匯總行情數據，通過智能算法識別強勢板塊、異動個股，對比歷史行情解析資

129、金流向、板塊聯動，以可視化圖表與簡潔文字，展現當日市場全貌，助力理財師復盤總結。收評全面洞察2日報早評收評不僅為理財師提供了一個高效的工作輔助工具，同時能夠滿足廣大投資者對于即時性、權威性和實用性信息的需求，通過這一服務，用戶可以更加從容地應對市場的變化，實現財富的穩健增長。金融行業 Agent 百景圖金融行業 Agent 百景圖 證券 投研50熱門事件助手熱門事件助手是一款依托大模型技術的智能問答機器助手，專注于熱門事件的解讀。無論是輸入事件類問答，還是提供新聞鏈接，它都能迅速剖析，為用戶提供深度見解。通過對海量信息的整合、分析，輸出各方觀點與市場分析，成為各行業人員把握時事動態的得力工具。

130、Agent 概述典型案例資本市場上，及時獲取準確的一手熱門事件是一項非常重要的工作，但往往存在以下問題：需求分析信息獲取困難信息爆炸時代，熱門事件海量涌現，銷售、運營、投研等業務人員難以及時篩選有價值信息，容易錯失商機或投資時機。時效性差人工解讀事件耗時長、視角局限，難以兼顧多維度分析，無法滿足快節奏業務場景對時效性、全面性的要求。分析能力不足普 通 新 聞 獲 取 渠 道 僅 呈 現 事實，缺乏針對業務需求的深度挖掘，難以直接指導實踐決策。熱門事件助手是針對熱門事件進行解讀的智能問答機器助手，其主要是針對事件類問答或者對應新聞鏈接進行解讀分析，同時可對銷售、運營、甚至投研人員進行輔助事件解讀

131、。區別于新聞鏈接可直接獲取新聞內容，對于事件類問答首先會對該問題進行事件檢索以獲取對應事件內容。而后會根據大模型技術能力進行多維度拆解、分析與理解，包括但不限于市場影響、行業趨勢、公眾反應等，提供各方觀點和專家意見，幫助用戶全面了解事件的各個方面，從而得到各方觀點、市場分析等多角度時間解讀。該熱門事件助手已服務解讀各類大小熱門事件 1000 余次，極大地提升了各業務人員對于事件的時效性把控。模力時刻Qwen-plus基于當日即時的市場熱點，自動生成分析洞察與解讀報告。處理熱點解讀效率極大提升，從 1 小時到 5 分鐘。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 證券 投研51

132、價值分析提升效率通過自動化工具代替人工操作，大幅減少尋找和處理信息所需的時間，提高工作效率。增強競爭力及時掌握市場脈搏有助于企業快速響應變化，搶占先機，提升市場競爭力。優化決策基于客觀數據分析作出更明智的選擇，降低因主觀判斷失誤帶來的損失，提高決策質量。金融行業 Agent 百景圖金融行業 Agent 百景圖 證券 投研52深度研報寫作在投資研究領域，研究員通常需要對所覆蓋的公司股票進行深入分析和評估。然而，由于每個研究員能夠覆蓋的公司數量有限，大量未被充分研究的個股可能存在關鍵信息遺漏的問題。為解決這一問題，我們引入了基于大語言模型的自動化深度研報寫作工具。該工具結合了公司積累的研報寫作框架

133、與經驗，實現了高效且深入的自動化研報撰寫。Agent 概述典型案例公司深度研報寫作工具為投資研究人員提供了一個高效且深入的途徑，以探索和評估公司的詳細信息及其潛在價值。在實際投研業務中各個研究員所覆蓋公司股票數量有限，導致大量未被充分研究的個股存在，從而可能遺漏關鍵信息。同時，對這些個股進行深入研究可能會導致信息過載，進而引發人力資源緊張的問題，這無疑增加資本市場上市公司眾多，每家公司的信息來源眾多且分散，投研人員在分析企業數據，編寫研報的過程中，存在如下困難：需求分析覆蓋范圍有限每位研究員能夠覆蓋的公司數量有限，導致許多個股未能得到充分研究，可能遺漏關鍵信息。信息過載對這些個股進行深入研究可

134、能會導致信息過載，進而引發人力資源緊張的問題，增加研究人員的工作負擔。效率低下傳統的人工研報寫作流程耗時較長，難以快速響應市場變化，影響決策時效性。資源分配不均長尾公司的研究資源相對匱乏，難以獲得足夠的關注和分析。對于研究員來說，需要高效的工具自動生成深度研報，涵蓋行業估值、指數、新聞、政策等多維度信息，推動更多復雜場景和問題的解決。模力時刻Qwen-plus基于專業解讀框架，以及企業知識庫，自動生成研報內容。處理研報撰寫效率極大提升，從 1 周到 1 小時。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 證券 投研53價值分析提高工作效率顯著提升了公司深度研報的覆蓋范圍，特別是

135、對于長尾公司個股的研究效率，使研究員能夠更專注于核心任務。增強決策支持通過自動化工具，研究員可以更快地獲取和分析所需信息，從而做出更加準確的投資決策。提升專業水平借助大模型的強大能力，生成高質量的研報，幫助公司在競爭激烈的投研市場中脫穎而出。綜上所述，通過引入自動化深度研報寫作工具，我們不僅解決了當前研報寫作中的諸多痛點，還顯著提升了整體投研工作的效率和質量。這將有助于公司在復雜的市場環境中保持競爭優勢，并為投資者提供更為精準和及時的投資建議，提升決策的專業程度。了研究人員的工作負擔。為了解決上述問題，借助大模型技術，結合公司積累的研報寫作框架與經驗，實現了自動化深度研報寫作。該系統利用自研

136、Chain-of-Mind 思維導圖鏈路思考、規劃、分析等能力進行深度研報撰寫。目前，公司深度研報寫作已覆蓋可定制/自動化寫作大綱、開放/內部信息獲取、信息歸納篩選、指標圖表生成、總結思考規劃以及長文寫作等更多模態的能力。該公司深度研報寫作應用目前已初步展現初級研究員深度研報寫作能力，極大地提升了公司深度研報的覆蓋，特別是長尾公司個股，提升投研人員研究行為的效率數倍。金融行業 Agent 百景圖金融行業 Agent 百景圖 證券 投研54股權激勵助手在當前復雜多變的經濟環境下，投行業務人員為企業設計和實施股權激勵方案時面臨著諸多挑戰。首先，每個企業的業務模式、發展階段以及人力資源狀況都有所不同

137、，這意味著每一份股權激勵計劃都需要量身定制，以確保能夠有效地激勵員工并促進企業長期發展。此外，制定股權激勵方案需要綜合考慮法律合規性、財務健康度、市場條件以及員工的期望值等多方面因素，這對業務人員的專業知識和技能提出了很高的要求。同時，在執行過程中，如何準確評估員工的表現，并根據業績考核結果合理分配激勵股份，也是業務人員必須面對的一個難題。引入大語言模型技術后，可以從多個維度提升股權激勵業務的效率和質量。首先，大語言模型+工具Agent 可以幫助業務人員快速獲取最新的法律法規信息和市場動態，確保股權激勵方案的設計符合最新的監管要求。其次，通過自然語言處理技術，可以對大量歷史數據進行分析，為激勵

138、對象的選擇、授予額度的設定提供科學依據，提高決策的準確性。最后，利用大語言模型的推理能力，可以在短時間內模擬不同的激勵情景及其可能帶來的影響，幫助企業找到最優的激勵策略。這樣不僅提升了工作效率，也使得整個流程更加透明化和智能化。Agent 概述典型案例在為企業設計和實施股權激勵方案時，業務人員面臨著以下主要痛點：需求分析多方面信息需要考慮，很復雜設計股權激勵方案涉及到法律合規、財務健康、市場條件以及員工期望等多方面因素的平衡。確保所有這些元素都能得到妥善考慮，并且不會相互沖突，是業務人員面臨的一個巨大挑戰。任何一點處理不當都可能導致激勵效果大打折扣或引發不必要的法律風險。定制化需求高每個企業的

139、獨特性要求股權激勵計劃必須高度定制化。業務人員需深入了解企業的業務模式、發展階段及人力資源狀況，才能制定出既能激勵員工又能促進企業發展的方案。這需要耗費大量的時間和精力進行調研與分析。模力時刻Qwen-plus基于股權激勵和企業信息知識庫，理解用戶 query 要求，召回知識片段，進行理解、整合、分章節生成方案。問答過程，信息檢索準確率 85%；生成過程，效率提升，從 3 天到 1 個小時。處理效果基于大模型和小模型融合的股權激勵助手，可以通過多輪問答（QA）和股權激勵知識庫、客戶信息知識庫，幫助客戶經理快速學習和檢索相關知識，基于對客戶現狀的理解，產出有針對性的股權激勵方案。金融行業 Age

140、nt 百景圖金融行業 Agent 百景圖 證券 投行55有了大模型的加持，生成股權激勵方案的過程相比原有方法帶來了顯著的價值提升，更好的輔助從業人員在面向企業客戶時開展股權激勵相關業務。具體體現在以下幾個方面：價值分析高效信息檢索與整合利用 RAG 技術和 Text2-SQL 查詢轉換，大模型可以快速準確地從海量數據中檢索出關鍵信息，并將這些信息有效地整合起來。這大大縮短了信息收集的時間，提升了工作效率。智能內容生成與優化大模型能夠自動生成多模態內容，包括文本、圖表和表格等，不僅使信息呈現方式更加多樣化，而且讓復雜的股權激勵方案變得直觀易懂。此外，還能根據反饋不斷優化內容，確保最終輸出的質量。

141、增強決策支持能力借助于大模型的數據分析和預測能力，業務人員可以獲得更為科學合理的決策建議，如激勵對象的選擇標準、績效考核指標設定等。這有助于提高決策的準確性和前瞻性，更好地引導企業戰略實施。在理解了業務意圖后，系統將復雜的查詢任務拆解為多個子任務。這一步驟旨在提高處理效率和準確性。每個子任務可能對應不同的數據源或處理邏輯，例如激勵對象的選擇、績效考核標準的設定、行權條件的制定等。通過這種方式，可以更細致地管理和優化每個部分的工作流，確保最終輸出的方案既全面又精確。子任務拆分2基于大語言模型+多模態大模型，系統產出的方案內容除了包含文本，還可以生成圖表和表格等多樣化形式，形象地展示激勵對象、考核

142、指標、行權進度等關鍵信息。多模態輸出使得信息更加豐富和易于理解，有助于業務人員快速掌握核心要點。多模態內容輸出4客戶經理或業務人員以問答的形式，提交查詢請求，大模型準確理解業務人員的具體需求和意圖，包括請求中涉及到的專有名詞，大模型分析查詢中的關鍵詞、上下文信息以及潛在的隱含需求，確保后續處理步驟能夠精準對接業務人員的真實需求。例如，如果查詢涉及股權激勵方案的設計，模型需要識別出是關于激勵對象的選擇、考核標準還是行權條件等具體方面。業務意圖理解1針 對 拆 分 后 的 子 任 務，系 統 利 用 知 識 檢 索 技 術（Retrieval-AugmentedGeneration,RAG）結 合

143、Text2SQL 方法從股權激勵知識庫中提取信息。RAG技術能夠高效地從大量文檔中檢索出與子任務相關的片段，以非結構化數據為主；而 Text2SQL 則將自然語言查詢轉化為數據庫查詢語句，從而快速獲取所需的結構化數據。這一過程確保了信息的準確性和時效性，為后續的內容生成提供堅實的基礎。知識檢索3最后，系統將所有子任務的輸出進行整合，形成一個完整的答案。這一階段確保了最終結果的連貫性和完整性，使業務人員能夠獲得一個全面且結構化的解決方案。同時，系統還會對答案進行質量檢查，確保其準確無誤，將股權激勵方案的內容以清晰易懂的方式呈現給業務人員。方案組合生成5通過整合先進的技術和專業知識，股權激勵助手能

144、夠顯著提高客戶經理的工作效率和業務轉化率。它不僅提供了一個全面的知識庫來支持決策制定，還通過數據分析幫助識別潛在的機會和挑戰。這種綜合性的解決方案有助于企業在激烈的市場競爭中脫穎而出，并實現長期可持續發展。金融行業 Agent 百景圖金融行業 Agent 百景圖 證券 投行56投行法規解讀在投資銀行業務中，無論是進行首次公開募股（IPO）、再融資還是并購重組等操作，都需要嚴格遵守相關法律法規。然而，在實際工作中，從業人員往往面臨法規查詢和解讀的復雜挑戰。一方面，由于金融市場的快速發展以及監管政策的不斷更新，相關的法律條文、規章制度也日益繁雜，這使得業務人員在尋找適用法規時常常感到無從下手。另一

145、方面，即使找到了相應的法規文本，理解其具體含義及應用范圍同樣不易。有了大語言模型技術的支持，構建一個基于檢索增強生成（RAG）的知識庫將極大地提升上述流程的效率與準確性。通過整合來自多個權威來源的投資銀行業務法律法規，創建一個全面且動態更新的知識庫。利用大語言模型強大的自然語言理解與生成能力，解析用戶查詢，識別客戶意圖，準確篩選出相關法規條款，并提供通俗易懂的解讀，幫助業務人員快速掌握要點。Agent 概述典型案例投行工作人員在處理大規模專業文獻或行業法規時，將面臨的數據量大、格式復雜、知識專業性強等特點，需確保數據的有效利用與準確解讀，面臨主要難點：需求分析數據復雜性挑戰數據格式多樣需要進行

146、格式轉換和統一處理，以確保數據能夠被有效利用。數據量龐大可能導致檢索效率低下，需要優化檢索算法和數據存儲結構。數據質量參差不齊存在噪聲數據、重復數據和不準確數據，需要進行數據清洗和驗證。知識專業性難題專業術語繁多理解和處理難度大，可能導致召回不準確和模型理解錯誤。知識體系復雜知識點之間的關聯和邏輯關系難以把握，影響推理和總結的準確性。模力時刻Qwen-VL解析法規中圖片、表格等半結構化內容。語義識別準確率超過 90%。處理效果Qwen-plus基于法規知識庫，理解用戶 query 會召回相關片段，進行理解、整理生成。法規知識問答準確率 85%。處理效果金融行業 Agent 百景圖金融行業 Ag

147、ent 百景圖 證券 投行57價值分析全面、精準的信息檢索全面獲取特定法律法規相關知識，對投行業務涉及的現行全部規定進行了知識治理，以保障精細查詢解讀。包括法律、行政法規、證監會、證券業協會、三大交易所、股轉公司等層面的全部規定。使用大語言模型加持的投行法規解讀 Agent，能解答的提升從業人員工作效率：熱點信息及時感知基于外部檢索引擎等工具調用能力，大模型輔助解讀新法規、發行上市審核動態、監管案例、過會排名及撤否率排名等投行法規動態。專業性知識輔助對于投行領域專有名詞和業務知識，大模型利用其內置世界知識，以及強大的推理能力，能幫助從業人員快速了解新知識，輔助做出合理決策。在 GenAI 時代

148、，大語言模型的出現，能對上述多源異構的半結構化數據做很好的處理，補齊原有大數據平臺只能處理結構化數據的短板。LLM應用的核心技術點包括：在數據預處理階段，基于多模態大語言模型 Qwen-VL，對 PDF、圖像類數據進行語義理解，增強原有的 OCR 只能識別字符但不理解語義的不足。多模態大語言模型1構建現行投行法規文件 2500 篇，歷史全部近 8000 篇，對文本內容進行識別，針對性進行段落、版面、語義等方式切片，把切片后的 chunk 內容利用 embedding 轉換成向量后存儲到向量引擎當中。向量知識庫2接到投研業務人員的 query 問題后，進行向量化轉換，通過語義檢索從知識庫中召回相

149、關片段，送給大語言模型Qwen 進行理解和答案生成，問答準確率超過 85%。大語言模型 RAG3金融行業 Agent 百景圖金融行業 Agent 百景圖 證券 投行58投顧資訊簡報在金融市場日益復雜、客戶需求愈發多樣的當下，理財師的工作充滿挑戰，既要為客戶量身打造精準的資產規劃，又要高效管理眾多客戶賬戶，時刻把控風險、緊跟市場動態?；诖竽Ｐ偷睦碡攷熤譃榇颂峁┝藙撔陆鉀Q方案。投顧資訊簡報 Agent，能快速整合海量金融數據，涵蓋股市、債市、基金、外匯等多領域信息，精準剖析市場趨勢。面對復雜的經濟指標、政策變動，抽絲剝繭，提供通俗易懂的解讀，輔助判斷對各類投資品的影響。針對熱點財經事件，即時評

150、估投資機遇與風險，給出資產配置建議。還可深度分析客戶持倉，結合市場動態，助力理財師為客戶定制個性化策略，全方位提升金融服務的專業度與效率。Agent 概述典型案例某大型銀行在零售部門試點理財助手，為客戶批量提供金融訊息分析，針對金融熱點資訊，結合產品庫、客戶持倉、風險偏好、資產情況及當下熱點，大模型生成符合客戶興趣點的內容，針對用戶的個性化需求，自動篩選相關新聞進行推送。提升了理財師工作效率和客戶服務的質量。金融資訊推送作為金融理財師客戶陪伴服務的重要環節，存在如下痛點：需求分析信息過載金融市場資訊繁多，要篩選出對客戶有價值的內容很困難，而且發送過多信息會讓客戶感到厭煩。時效性難把握金融市場變

151、化快，消息發送不及時，客戶可能錯過投資機會或不能及時規避風險。個性化不足每個客戶的風險承受能力、投資目標不同，很難做到咨詢內容完全貼合每個客戶的需求。于此同時，如何利用好資訊推動這個觸點進行進一步營銷推薦，更深入的做好客戶維護，也是金融理財師面臨的問題。模力時刻Qwen-plus基于市場實時資訊，以及客戶持倉畫像，生成異動提醒和個性化簡報。在客服主動觸達場景下，推送物料生成效率提升，從 1 小時到 5 分鐘。處理效果金融行業 Agent 百景圖金融行業 Agent 百景圖 證券 投顧59興趣匹配環節通過大小模型結合的方式實現，其中小模型為主，大模型為輔（利用其泛化性突破小模型信息繭房的限制）；

152、摘要生成環節按照客戶畫像基于大模型生成千人多面的新聞摘要，完成興趣匹配之后，智能體把新聞內容和客戶標簽作為提示按照一定的專家框架結構化生成提示詞傳遞給大模型，由大模型生成摘要；新聞解讀環節在常規 RAG 的基礎上打通客戶信息，匹配產品支持，并參考專家經驗進行生成增強；最終把這幾個模塊的生成結果以卡片的形式推動到客戶經理后臺，校驗后發送給管理的客群?？傮w技術鏈路如下圖所示實現效果如下圖示：圖左邊是資訊推送的主流程，包含客群圈選、資訊檢索、興趣匹配、摘要生成、新聞解讀等核心環節；右邊不同顏色則是各環節的展開。結合大模型和檢索實時咨詢的投顧咨詢簡報 Agent，提升理財經理獲取信息的效率，每日自動生

153、成內容，增加觸達客戶的營銷時機，提升理財經理的管戶規模，并最終帶來業務目標的轉化提升。具體體現在：價值分析更及時的市場回顧大模型按需調用外部實時資訊檢索工具，獲取市場、行情、熱點等信息，基于大模型本身的語義理解和總結生成能力，產出對已發生信息的摘要，提升閱讀效率。更深度的事件解讀大模型+投研分析智能體，充分發揮人工專家的經驗和 AI 的理解生成能力，對重要熱點事件進行深入解讀，產出可媲美專業分析師的分析內容。更加個性化的陪伴結合客戶持倉相關行業，以及當日行業資訊，自動整理相關的熱門內容，形成一份簡報推送給客戶，提升觸達時機，和投顧陪伴效果。金融行業 Agent 百景圖金融行業 Agent 百景

154、圖 證券 投顧60理財產品問答助手理財產品問答 Agent，整合企業內各類理財產品信息，利用大模型語義理解和意圖識別能力，精準剖析用戶的提問，檢索出相關的產品說明、資金投向、收益規則、風控措施等知識，進行生成式回復?；诖竽Ｐ偷漠a品問答，不僅能實時答疑，還能依據內部策略調整同步更新，精準匹配客戶需求，提升回復的準確性和實時性。Agent 概述典型案例金融產品問答是金融理財師面對客戶溝通過程中最基礎的工作，存在如下痛點：需求分析查找知識耗費時間與客戶的問答交互屬于一個開放式的聊天過程，客戶既會問基金、股票等產品信息，也會問行情走勢，或者一些買賣交易規則等?？蛻艚浝硇枰獜牟煌阔@取知識，耗費時間

155、。準確性要求高金融機構對客戶服務內容有準確性及合規相關要求，即便是找到了相關信息，客戶經理還需要進行甄別與整理，最終用自然語言把相關素材串聯整理，形成可外發的內容?？蛻艚浝砉軕粜势款i問答會消耗客戶經理大量的時間去搜集資料和整理答案，直接影響了平均每個客戶經理可服務客戶的數量。金融機構在企業內搭建產品與服務問答知識庫，完成全鏈路知識抽取、清洗、整理，語義化匹配客戶問題及意圖，快速檢索答案進行響應，提升回復效率。支持客戶多樣性問題的理解，支持知識溯源，高效且準確的進行回復，提升了理財師的工作效率與客戶滿意度。在整個客戶服務的過程中，大模型在側邊欄以 Copilot 的形式，給客戶經理推薦相關問題

156、的答案和話術：產品問答包含了客戶意圖識別、FAQ 匹配、RAG 檢索生成生成等核心環節。產品問答1模力時刻Qwen-plus基于用戶 query 和從客服知識庫中召回的相關信息，進行答案生成。處理答案生成準確度達到 90%。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 證券 投顧61意圖識別是基于通義千問的生成式意圖識別代碼，相比于傳統基于小模型+規則的方式，在對話輪次、訓練周期、精準度上均有提升；智能體基于意圖識別的結果進行路由，對于已知問題走事先準備好的問答對進行匹配，未知問題則走 RAG 大模型生成的鏈路。意圖識別2RAG 鏈路在常規 RAG 的方案基礎上，通過用戶特征、

157、產品特征結合專家經驗進一步增強，在專業性上相比于常規RAG 方案有顯著提升。RAG 鏈路3價值分析精準響應客戶需求利用實時語義理解和大模型技術，理財客戶經理能夠迅速而準確地識別客戶的訴求，并基于后臺海量文檔快速生成答案或推薦話術。這意味著客戶經理能夠在第一時間提供最貼合客戶需求的信息和服務，極大提升了服務的專業性和針對性。在大模型時代，構建理財知識庫賦能銀行理財客戶經理具有顯著的核心業務價值：提升客戶經理服務效率通過智能化的知識庫支持，理財客戶經理不再需要花費大量時間搜索信息或制定溝通策略。系統能夠自動分析客戶需求并推薦最優解決方案，從而讓客戶經理的工作更加高效，減少了準備時間和提高了服務質量

158、。增強客服服務體驗對于客戶而言，即時獲得專業且個性化的回復是提升滿意度的關鍵。借助先進的 AI 技術和智能客服系統，銀行可以確保每一位客戶都能得到及時、準確的回答，這不僅加強了客戶的信任感，也提升了整體客戶體驗。金融行業 Agent 百景圖金融行業 Agent 百景圖 證券 投顧62營銷優先級判斷基于大模型意圖識別能力，針對理財師與客戶當前和歷史對話內容，持倉情況等數據準確識別訴求，識別并判斷營銷的時點，對業務人員進行服務優先級提醒，推薦關聯產品。Agent 概述典型案例金融機構對存量客戶進行分層管理，有些客戶經理的管戶規模數巨大，1 比幾百，甚至 1 比幾千。這種情況導致沒有充足的時間服務每

159、個客戶，甚至沒有時間回答客戶問題?？蛻舻膯栴}也是五花八門，有的是問業務和產品相關，有的只是閑聊，或者單純的情緒表達?？蛻艚浝砗茈y分辨服務優先級，導致有限的時間被浪費。需求分析在大模型時代，憑借 LLM 強大的自然語言理解和意圖識別能力，可全面識別客戶的對話歷史，以及當前持倉情況，預測客戶的購買意向和轉化概率，進行打標，標記出的服務優先級，提示給客戶經理。模力時刻Qwen-plus基于客戶對話歷史，判斷客戶購買意愿和轉化概率，在客服工作臺上打標提醒。處理客服優先服務高潛客群，提升轉化率。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 證券 投顧63價值分析提升終端客戶體驗通過大模型

160、的精準識別能力，銀行能夠迅速定位并響應真正有產品和服務需求的客戶。這不僅確保了客戶的詢問得到及時且相關的答復，還讓客戶感受到個性化的關懷和服務質量的提升。這種即時性和針對性極大地增強了客戶的滿意度和忠誠度。有了大模型加持，精準識別客戶營銷優先級，提升客戶經理工作效率與業務轉化：提升客戶經理服務半徑借助大模型的強大分析功能，客戶經理可以更準確地識別高潛力商機，并將其優先處理。此外，自動生成功能能夠為每個商機提供定制化的話術支持，使客戶經理能夠在短時間內準備好與客戶的溝通策略。這種方式不僅擴展了客戶經理的服務范圍，也顯著提高了業務轉化率和工作效率。判斷一個客戶的營銷優先級，以上兩條工程鏈路可結合使

161、用：直接用大模型的語言力，讀取客戶會話歷史記錄，以及業務上對營銷時點的判定落及，進行意圖識別，和營銷優先級的建議。直接識別營銷時點1常規意圖識別：通過用戶 Query 識別用戶問市場、問產品、閑聊等常規意圖；通過配置化方式設置常規意圖的溝通優先級。常規意圖映射營銷優先級2識別出優先級后，智能體會根據運營設置的排序規則，將會話窗口進行排序和彈窗提醒。實現效果如下示意圖：金融行業 Agent 百景圖金融行業 Agent 百景圖 證券 投顧64信披報告審核本 Agent 旨在服務公募基金、私募、專戶理財、銀行理財子和券商投行等機構客戶，支持包括但不限于的單文檔信披報告審核、跨文檔信披報告審核，跨文檔

162、風控指標勾稽校驗、跨文檔章節全部內容比對、跨文檔基金合同條款審核比對等需求場景。大模型智能信披審核系統通過先進的自然語言處理技術，自動從信披文件中提取關鍵指標。系統內置勾稽校驗引擎，根據預設的邏輯關系對數據進行校驗，確保其一致性和準確性。推理測試技術用于驗證校驗規則的有效性，提升審核的可靠性。最終，系統通過可視化界面展示審核結果，并支持溯源功能，幫助用戶快速定位和修正問題。Agent 概述信披審核 Agent，支持常見 20 余種信披報告，包括跨文檔審核（三方會計報告、招募說明書等）、財務勾稽關系審核、基礎語義審核(錯別字、敏感詞)三個功能。對于基金會計、合規審核、風險控制業務人員來說，每年公

163、司大量產品的公募基金年報、半年報、季報等信披材料都需要細致審核，但對于復雜語義、數字邏輯關系、跨期復雜數據勾稽關系校驗等指標或者段落，之前的 IT 系統無法滿足這些審核需求。因此，信披審核 Agent 能夠充分發揮大模型在語義理解、意圖識別方面的天然優勢，完全能夠支持相關個性化審核需求。需求分析典型案例在實際的業務流程中，大模型在信息抽取、智能比對和稽核校驗等環節發揮了關鍵作用。例如，在券商的信披報告審核中，大模型能夠快速完成年報、季報的審核，以及與產品合同的交叉審核比對。在基金的營銷物料審核中，大模型能夠識別宣傳文檔中的錯別字、標點異常等精細化問題。通過這些環節的應用，大模型顯著提升了審核的

164、效率和準確性，同時也降低了運營成本。這個方案通過結合大模型的先進技術，實現了信披審核流程的自動化和智能化，為金融機構提供了一個高效、準確、低成本的審核解決方案。信披系統：作為信息的來源，提供數據給智能審核系統；智能審核系統：核心處理單元，負責執行信息抽取、比對和稽核校驗；監管平臺：接收智能審核系統的結果，進行監管和記錄。某頭部基金客戶 1 個月內，審核了 527 篇定期報告，督察長和基金會計的工作效率提升了約300%以上(4-5個人，審核 100 份年報從 1 個月降低 5 天)，審核準確率達到 99%以上。模力時刻Qwen-plus基于監管合規要求，對年報、季報等信披材料內容進行內容審核，提

165、升人工審核效率。審核準確率 99%，審核效率提升 300%。處理效果金融行業 Agent 百景圖金融行業 Agent 百景圖 證券 智能運營65利 用 大 模 型 的 高 準 確 率（超 過95%）進行信息抽取，包括往年、往期數據、報告中備注信息等。信息抽取1在信息披露時，大模型能夠進行智能審核和比對，發現并提示潛在的錯誤和風險點?；诵ｒ?通過大模型進行 XBRL 文件的可視化審核和外部資訊數據的比對，確保數據的一致性和準確性。智能比對3大模型的作用和價值：大模型 Agent 在業務和技術兩個層面帶來了顯著的價值。價值分析大幅提升審核效率與業務流轉速度大模型 Agent 通過自動化和智能化的

166、手段，快速完成合同、定期報告等內容的審核工作，不僅縮短了單文檔和跨文檔審核所需的時間，也加速了整體業務流程的進展。提高審核的一致性與準確性，增強合規性利用標準化流程進行內容審核，大模型 Agent 有效避免了人為因素導致的漏審和誤審問題，確保每次審核的質量保持在高水平，從而提高了信息披露的整體合規標準。實現數據智能比對與稽核校驗，保障信息質量該技術能夠自動提取并對比大量文本中的關鍵信息，如歷史數據和備注信息等，并在信息披露后進行智能審核，確保所有公布的信息既準確又符合規定要求，提升了決策質量和用戶服務體驗。金融行業 Agent 百景圖金融行業 Agent 百景圖 證券 智能運營66營銷物料審核

167、營銷物料審核 Agent 專為金融機構的市場部、品牌管理部、合規部以及產品開發部設計，以支持營銷物料的全面審核流程。利用大模型技術，營銷物料審核 Agent 能夠深入理解物料內容，自動執行多項核查任務，確保營銷資料的準確性、合規性以及品牌信息的一致性。Agent 的核查引擎能夠識別并提示潛在的語義錯誤、數據引用問題、標點異常等，同時通過智能算法優化表格和格式的一致性，提升整體物料質量。此外，營銷物料審核 Agent 還具備高度的擴展性，能夠適應不同金融機構的特定需求，覆蓋市場推廣、品牌宣傳、產品介紹等多種營銷場景。通過可視化的操作界面，用戶可以輕松管理和監控審核進度，同時 Agent的溯源功能

168、使用戶能夠快速定位問題源頭，進行有效修正。Agent 概述典型案例對于市場部、品牌管理部、合規部以及產品開發部的業務人員來說，每年需要推出大量的營銷活動和宣傳資料，這些資料的審核工作量巨大，且要求高度的準確性和合規性。傳統的 IT 系統在處理復雜語義、品牌信息一致性、格式規范性以及跨文檔數據一致性等審核需求時存在局限。因此，營銷物料審核Agent 的引入，能夠利用大模型在自然語言處理、模式識別和邏輯推理方面的天然優勢，有效地滿足這些個性化且復雜的審核需求。需求分析在實際的業務流程中，營銷物料審核 Agent 通過大模型的深度學習能力，實現了對營銷物料的全面審核。例如，在金融機構的市場部，Age

169、nt 能夠快速審核即將發布的營銷資料，識別并提示可能的合規問題，如敏感詞使用、不規范的表述等。通過可視化的用戶界面，市場部人員可以輕松地管理和監控審核進度，確保每一份物料在發布前都經過嚴格的合規性檢查。此外，Agent 的自動化流程也大大減輕了審核人員的工作負擔，使得他們能夠將更多的精力投入到創意和策略的制定上。通過這種智能化的審核方式，金融機構能夠確保營銷物料的合規性，同時提升宣傳營銷物料質量。內容審核1大語言模型作為核心技術，作用和價值體現在：大模型理解營銷物料中的文本內容，自動檢測錯別字、敏感詞、語義錯誤等，確保物料內容合規。模力時刻Qwen-plus依據資本市場對營銷物料的要求，對營銷

170、、投教等內容進行審核，提升人工審核效率。處理審核準確率 98%，審核效率提升 400%。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 證券 智能運營67價值分析提升審核效率營銷物料審核 Agent 通過自動化流程，快速處理并審核營銷內容，顯著縮短了從制作到發布的周期。這使得營銷團隊能夠更迅速地響應市場變化，及時抓住市場機會，極大提升了工作效率。營銷物料審核 Agent 帶來的業務價值，主要體現在提升審核效率、降低合規風險、優化物料質量上：降低合規風險憑借深度學習和創新的風險評估算法，該 Agent 能精準識別敏感詞和不恰當表述等內容，確保所有營銷物料符合行業標準和法規要求，有效

171、降低了違規發布的風險，保障了信息的合規性和安全性。優化物料質量通過多模態處理能力和對復雜文本內容的精準分析，Agent 不僅確保了語言和內容的準確性，也增強了物料的專業性和吸引力。此外，它還促進了品牌標準的一致性維護，從而全面提升了營銷物料的質量和效果。分析文檔的結構，大模型可以檢查表格格式、空白頁、內容重復等問題，保證物料的專業性。格式和結構審核2大模型根據預設的風險等級，對物料內容進行風險評估，識別高風險項如涉政、涉黃、涉暴、違反公司內外規等敏感內容。風險評估3某金融機構通過引入營銷物料審核 Agent，在一個月內處理了超過 600 份營銷資料，市場部和合規部的工作效率提升了近 400%（

172、原本需要 10 人團隊審核的資料，現在僅需 2-3 人即可完成），審核準確率保持在 98%以上，顯著提升了營銷物料的發布效率和合規性。金融行業 Agent 百景圖金融行業 Agent 百景圖 證券 智能運營68保險保險產品解讀、條款解析助手、保險營銷創作、保險產品搜索、保險產品推薦、保險產品問答、保險產品比對產品開發及銷售智能預核保、核賠輔助、智能影像處理核保核賠條款智能核驗助手、條款智轉助手、對外披露審核監管合規保險產品解讀在保險行業中，保險產品條款復雜，專業術語繁多，理解難度大。這不僅給用戶帶來了極大的困擾，也使得保險銷售過程中的溝通成本大幅增加，同時還容易引發潛在的銷售誤導風險，嚴重制約

173、了保險業務的健康發展。保險產品解讀Agent主要服務于保險銷售人員、用戶及相關利益方。通過對保險條款的深度剖析，能夠精準提取關鍵信息，并將其轉化為通俗易懂的語言，輸出解讀內容，有效解決了保險條款晦澀難懂、溝通成本高以及銷售誤導風險等問題。這不僅極大地提升了用戶對保險產品的理解程度和滿意度，還提高了銷售效率，降低了溝通成本和銷售誤導風險。Agent 概述典型案例當前，保險產品解讀存在諸多問題，嚴重影響了保險銷售與服務的質量。需求分析用戶層面保險產品條款冗長，專業術語密集，導致用戶難以快速、準確地掌握保障范圍、賠付條件、費用明細等關鍵信息。這不僅影響了用戶的購買決策，還可能在后續理賠過程中引發糾紛

174、。因此，市場迫切需要一款能夠精準解讀保險產品的工具，將復雜條款轉化為通俗易懂的內容，滿足用戶快速理解產品的需求。銷售人員層面在向用戶介紹產品時，銷售人員需要花費大量時間和精力解釋條款，且由于個人理解的差異，解釋口徑難以統一，進而增加了銷售難度和合規風險。模力時刻Qwen-long從長篇幅保險條款中提取保險產品要素信息。平均人工抽取成本從 40 元/條降低到 2 元/條，成本降低 20 倍。處理時間從 4 小時，降低到 10分鐘以內。處理效果Qwen-plus/max/72B生成針對用戶的個性化圖文、表格、思維導圖混排的產品解讀。體驗提升：從生成固定版式通用的產品解讀說明書到面向單個用戶的個性化

175、。制作成本：4 人天/產品，改進后 1 分鐘/產品生成針對單個用戶的個性化產品解讀。處理效果金融行業 Agent 百景圖金融行業 Agent 百景圖 保險 產品開發及銷售69價值分析用戶體驗提升通過大模型將晦澀的保險條款轉化為通俗易懂的內容，幫助用戶快速理解保險產品，縮短理解時間，提升對保險產品的理解程度，減少因條款誤解引發的潛在投訴，增強用戶購買意愿，降低因溝通不暢造成的用戶流失。提高銷售效率標準化的知識加工和簡潔的呈現方式，使銷售人員能夠快速獲取知識解答客戶疑問，降低銷售過程中的溝通成本和時間成本，提升銷售效率。包括通義語言大模型、通義視覺大模型、文檔解析模型以及向量化模型等。這些模型構成

176、了整個方案的技術基礎，為后續的知識處理和應用提供了強大的支持?；A模型1保險產品解讀Agent可嵌入銷售系統的用戶溝通模塊。用戶選擇產品后提出解讀要求，Agent會迅速對條款進行分析，并以簡潔明了、圖文并茂的方式向用戶呈現產品亮點、保障細節、理賠流程等關鍵內容。該方案主要由以下模塊組成：運用版式分析技術，精準識別文檔的頁面布局和結構信息；通過文檔解析技術，提取文本內容與關鍵數據；借助OCR識別技術，將圖片中的文字轉化為可編輯文本；利用圖表識別技術，解讀圖表中的數據信息；最終通過大模型從文檔中提取解讀產品所需的各種字段，并存儲到數據庫。條款抽取2根據用戶選擇的產品和提問，推測用戶的訴求，利用大模

177、型進行解讀，并選擇合適的呈現形式展示最終結果。產品解讀3金融行業 Agent 百景圖金融行業 Agent 百景圖 保險 產品開發及銷售70條款解析助手在多元化競爭的保險行業，產品設計與管理能力是保險公司的核心競爭力。為提升產品管理能力，新一代核心系統需要實現保險條款和產品的精細化配置，其涵蓋多種險種，字段數量多達數百個。這要求系統配置更規范，數據顆粒度細化到責任層級，從而實現上下游系統數據全鏈路自動化。這種精細化的數據處理對產品分析、精算定價、理賠分析和風險控制意義重大，是評估和提升產品盈利能力的基礎。但在實際執行精細化條款解讀時，面臨耗時長、專業要求高、人力投入大等問題。條款解析 Agent

178、 憑借大模型強大的解析能力，能高效解析保險條款，并按核心系統的產品數據結構輸出。這將業務專家的經驗沉淀為固定的解析方案，顯著提升條款解讀效率，規范產品數據，有效解決保險行業在條款解讀和數據處理方面的困境。Agent 概述典型案例當前條款解析存在如下問題：需求分析時間成本高在實際執行精細化條款解讀時，整個流程耗時長，這可能會導致業務推進速度緩慢，錯過市場先機，也會增加運營成本。專業要求高保險條款涉及補充險種設置，大量專業知識，對解讀人員的專業素養要求極高。普通員工難以勝任，而專業人才相對稀缺，這在一定程度上限制了業務的開展。人力投入大為了完成精細化條款解讀和數據處理工作，需要投入大量的人力，不僅

179、增加了人力成本，還可能面臨人員調配和管理的難題。經驗缺乏有效沉淀原有的解讀規范分散在各個專家頭腦中，未形成統一、有效的沉淀機制，不利于知識傳承和團隊協作，也無法充分發揮集體智慧提升條款解讀的效率和質量。模力時刻Qwen-long從長篇幅保險條款中提取保險產品要素信息。處理從人工抽取平均成本 40 元/條降低到 2 元/條，成本降低20倍。處理時間從4小時/條，降低到10分鐘/條。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 保險 產品開發及銷售71價值分析效率飛躍式提升原有每份條款文件解析耗時數天，大模型方案可縮減至數分鐘，極大地加快了業務推進速度，讓保險公司能及時響應市場變化

180、，抓住市場先機。成本明顯降低由于大模型可自動完成條款解析和數據處理工作，減少了對大量人力的需求。無需再投入眾多專業人員進行人工解讀，同時也避免了人員調配和管理的復雜問題。知識沉淀與傳承將業務專家的經驗沉淀為固定的解析方案，形成了統一的條款解讀規范，有利于知識的傳承和團隊協作。該模塊配置了不同險種的的字段抽取定義，一般包括待抽取字段名稱，釋義、抽取提示、校驗規則等。險種解析模板1主要對原始文檔（如PDF或Word文檔）進行文本化解析，使其轉化為大模型可處理的格式，然后通過大模型對文檔的險種進行分類。文檔預處理模塊2某財險公司借助通義千問大模型及百煉平臺，成功打造了保險條款智能解析助手。該助手能夠

181、實現文本化的條款條文與費率規章的智能解析，并將其轉化為符合核心系統產品數據結構要求的結構化數據，隨后自動填入系統配置頁面，取代了原有的人工解讀和人工配置操作模式?？傮w技術鏈路如下圖所示：該模塊根據文檔預處理模塊的險種分類結果，從險種解析模板中加載對應的字段抽取定義，分別調用通義大模型進行抽取和校驗。抽取和校驗模塊3生成可供人工進一步質檢和使用的結果文件。生成導出結果文件4金融行業 Agent 百景圖金融行業 Agent 百景圖 保險 產品開發及銷售72保險營銷創作在保險行業的銷售過程中，因保險產品的多樣性和復雜性，這使得準確傳達產品價值變得尤為困難。隨著消費者需求的不斷細分與個性化趨勢的加強，

182、銷售人員不僅需要精通保險專業知識，還需具備敏銳的市場洞察力與細膩的心理分析能力，以便精準捕捉每位客戶的獨特需求，并據此創作出貼切的營銷文案。如何既能高效又精確地執行這一任務，無疑成為了一項極具挑戰性的工作。保險營銷創作Agent是專為保險行業營銷環節打造的智能解決方案。通過大語言模型，它能夠精準理解保險產品特點與用戶需求，自動生成個性化營銷文案、宣傳海報等營銷素材。該Agent大幅提升了營銷內容創作的效率，降低了人力成本，同時顯著提高了營銷的精準度和成功率，為保險企業創造了更大的市場價值。Agent 概述典型案例在保險營銷場景下，業務痛點主要集中在以下幾個方面：需求分析1保險產品條款復雜，營銷

183、人員難以快速提煉核心賣點進行宣傳。2用戶群體龐大且需求各異，傳統營銷方式難以滿足個性化需求。例如，在推廣一款新型健康險產品時，營銷人員需要花費大量時間研究產品條款，了解保障范圍、賠付條件等細節，再結合不同用戶群體的健康狀況、經濟實力等因素創作針對性的營銷文案，整個過程繁瑣且低效。模力時刻Qwen-plus/72B創作線索的挖掘，產品和用戶推薦特征標簽的提取、文本內容創作。語義識別準確率超過 90%。處理效果Wanx2.1圖片創作。單張圖平均設計師畫圖效率從1天縮短到1小時。處理效果為克服前述痛點，引入大語言模型的輔助內容創作，整體方案實現如下：創作線索挖掘：大模型廣泛抓取保險行業新聞資訊、社交

184、媒體討論、行業報告等海量數據，并對數據進行分析，提取熱門話題、新興趨勢以及用戶關注焦點等創作線索。同時，對于優質內容，解析內容創作策略架構，從中發現并學習差異化的創作角度，為保險營銷內容創作提供方向指引、類質內容產出。產品特點挖掘：大模型對保險知識庫文檔進行深入拆解提取，識別產品文檔中的關鍵信息，借助知識圖譜，將信息進行結構化組織，清晰呈現產品特點、核心優勢及標簽，確保在營銷內容創作中能夠精準傳達產品價值。原始數據挖掘提供創作依賴的數據13營銷內容創作依賴專業人員，創作周期長、成本高。金融行業 Agent 百景圖金融行業 Agent 百景圖 保險 產品開發及銷售73價值分析提升營銷效率通過大模

185、型深度學習和自然語言處理，快速理解保險產品特點和目標受眾需求，可持續輸出大量差異化文案，自動適配社交媒體平臺、郵件、短信等多個渠道，將傳統人工數小時的工作縮短至分鐘級。提升內容質量通過大模型內置知識庫，快速掌握專業知識和不同文案風格，可輸出風格統一、專業規范的文案內容，降低人工失誤風險，并通過大模型訓練保證語言表達的專業性。提升營銷效果利用大模型用戶畫像和場景識別能力，針對不同用戶群體生成個性化文案，提升內容相關性和用戶互動性，促進對應營銷目標達成。創作目標設定：定義內容的核心作用（如銷售轉化、品牌傳播或用戶教育）；同步鎖定目標受眾，基于用戶畫像及需求特征確定內容方向。根據發布渠道特性（微信朋

186、友圈/小紅書/短視頻平臺等）匹配內容形式與格式規范，確保適配不同終端的展示規則。最后設定風格基調，結合產品屬性選擇專業理性或情感共鳴的表達方式，并定義視覺元素（配色、版式、圖文比例）以強化信息傳遞效率。場景模板選擇：基于目標類型調用預設框架：產品推廣類通常采用“痛點觸發-解決方案-行動激勵”結構；活動類側重“時限壓力-利益點-參與路徑”；品牌類依賴“數據/案例背書-價值主張”；用戶教育類遵循“認知誤區-知識解析-行為引導”。模板提供結構化內容骨架，確保核心信息不偏離業務訴求。內容生成：整合目標、受眾、渠道、模板四要素，通過分析歷史數據與用戶行為偏好，生成多組創意方向（如情感敘事、數據對比、問答

187、互動），并自動嵌入合規依據（如條款引用、風險提示）。輸出內容需包含完整邏輯鏈（吸引注意-激發需求-證明價值-促成行動），同時按渠道規則調整細節（如字數限制、跳轉鏈接位置）。交付前執行合規質檢：過濾違規表述（如絕對化承諾、誤導性收益），并自動替換為合規話術。針對多終端發布需求，將主內容拆解為適配不同平臺的衍生版本（如長圖文精簡為彈幕話術、口播腳本拆解為分鏡頭）。利用A/B測試對比關鍵變量（標題、視覺元素），根據實時數據反饋優選方案。創作引擎搭建滿足創作需求2用戶畫像挖掘：整合多源數據構建用戶畫像，包含不限于基本信息、歷史投保記錄、保障缺口、操作行為等數據對用戶進行分群，預測用戶需求和購買傾向，為

188、每個用戶畫像定制個性化的保險營銷內容，提高營銷的精準度和有效性。金融行業 Agent 百景圖金融行業 Agent 百景圖 保險 產品開發及銷售74保險產品搜索在保險行業中，傳統保險產品搜索頁面提供了諸如保險類型、保險公司、保障范圍、保費范圍及投保人年齡等多種查詢條件供用戶選擇。用戶需根據自身需求，選擇或輸入具體的查詢條件，隨后后臺會根據這些條件組合成相應的查詢語句，在業務數據庫中檢索，并返回符合條件的保險產品列表。然而，傳統的搜索方法對用戶需求的理解較為機械，缺乏靈活性，難以適應復雜多變的用戶需求和自然語言表述。用戶不僅需要具備一定的保險專業知識，還需經歷繁瑣的查詢過程。保險產品搜索 Agen

189、t 則采用了通義千問大模型，憑借其強大的語義分析能力，改變了傳統保險產品搜索的交互模式，它能夠深度理解用戶意圖，即便面對自然語言表述的復雜需求，也能迅速返回精準匹配的保險產品，極大地提高了搜索效率和用戶體驗。Agent 概述典型案例傳統保險產品搜索的特點及局限性：需求分析用戶使用門檻高用戶需要具備一定的保險知識，了解系統提供的每個查詢條件的含義，并知道如何合理組合這些條件以獲得準確的搜索結果。例如一個上班族想要購買一份包含重疾和意外保障的保險產品。在傳統搜索模式下，他需要了解并選擇“保險類型”為重疾險和意外險，同時可能還需考慮“保障范圍”、“保費”等多個條件。對于不熟悉保險的用戶來說，這些專業

190、術語和復雜的查詢條件可能會讓他們感到困惑和難以操作。傳統搜索算法局限性大由于傳統搜索算法無法從語義層面進行分析和理解，導致匹配和搜索效果不佳。例如，系統記錄中有一款保險產品的描述中包含“癌癥保障”，如果用戶輸入“惡性腫瘤保險”進行搜索，傳統系統也可能無法準確匹配到這款保險產品。這種情況凸顯了傳統保險產品搜索在語義理解方面的局限性。搜索意圖推理1本方案主要由以下幾個核心模塊構成：模力時刻Qwen-plus/72B搜索意圖推理、用戶 query 結構化改寫、術語行業化，候選產品列表精選。處理用戶體驗效果提升，用戶可基于口語化表達搜索產品，一次性搜索準確率提升。效果金融行業 Agent 百景圖金融行

191、業 Agent 百景圖 保險 產品開發及銷售75價值分析顯著提升用戶體驗通過采用通義千文大模型，本 Agent 能夠深度理解用戶的自然語言查詢，無需用戶具備復雜的保險知識或進行繁瑣的條件選擇。這種交互方式更加貼近用戶的日常思維習慣，極大地簡化了搜索流程，從而提升了用戶的滿意度和忠誠度。增強搜索靈活性和準確性傳統的保險產品搜索系統往往受限于固定的查詢條件，難以適應復雜多變的用戶需求。而本Agent 通過語義分析技術，能夠準確捕捉用戶的個性化需求，即使面對自然語言描述的模糊或多樣化表述，也能返回精準的匹配結果。這大大增強了搜索的靈活性和準確性。存儲所有產品的基本信息用戶產品的結構化和非結構化搜索。

192、篩選標簽字段：設立豐富的篩選標簽，便于用戶根據特定條件快速篩選產品。產品特征庫：專門存儲產品的語義化向量信息，這些信息通過先進的自然語言處理技術提取，用于支持更高級別的語義匹配和推薦。產品庫模塊2此模塊負責深度解析用戶的原始搜索查詢（query），將其意圖細分為結構化需求與個性化需求兩大類別。結構化需求處理：針對結構化需求，模塊利用預設的篩選標簽體系高效地從產品庫中檢索匹配的產品。個性化需求處理：對于個性化需求，首先通過大型語言模型（LLM）對查詢進行行業術語的精準轉換，同時結合行業專家預先制定的召回模板，進一步提升召回的相關性。最終，采用BM25（基于詞頻的相似度算法）+Vector（向量相

193、似度匹配）的多路召回策略，綜合生成產品候選列表。該模塊旨在整合并優化從條件篩選和多路召回中獲得的產品列表。候選融合：首先，對通過條件篩選和多路召回得到的產品列表進行交集運算，確保最終候選產品同時滿足用戶的結構化與個性化需求。最終候選：隨后，利用大型語言模型對候選融合后的產品深度理解和排序，依據產品的相關性、用戶偏好、歷史行為等因素，生成最終的、高度個性化的產品候選列表?；旌吓判蚰K3金融行業 Agent 百景圖金融行業 Agent 百景圖 保險 產品開發及銷售76保險產品推薦在保險線上銷售中，傳統的產品推薦依賴既定模型和專家經驗，通過用戶與產品特征協同信號建模。這種方式雖能捕捉用戶偏好且資源開

194、銷小，但局限明顯。它主要依據歷史數據和用戶行為推薦，缺乏對語義和意圖的深度分析，難以滿足復雜多變的用戶需求。例如，年輕家庭在選擇人壽保險時，會綜合考慮家庭成員的年齡、職業風險、經濟狀況及健康狀況等多重因素，而這些因素在傳統的推薦模型中可能無法得到充分的體現。保險產品推薦 Agent 引入基于大語言模型的推薦系統，它能引入外部知識，更全面提取特征信息，豐富語義信號，還具備邏輯推理能力，可深入理解用戶動機和偏好，提供精準、全面的產品及背景信息。該系統不僅提升推薦精準度，還特別適用于冷啟動場景，有效優化了推薦系統性能和用戶體驗。Agent 概述典型案例保險產品的購買低頻且復雜，用戶需求和偏好差異大，

195、導致保險產品推薦系統比傳統電商領域更具挑戰性。傳統推薦系統存在諸多痛點：需求分析可解釋性差傳統推薦系統基于復雜算法模型，很難向用戶解釋推薦結果的依據，用戶難以理解推薦邏輯，這使得用戶對推薦結果的信任度和接受度較低。冷啟動和長尾問題突出面對新用戶或新產品，傳統推薦系統因過度依賴歷史數據，在缺乏數據時難以給出有效推薦，這限制了新用戶的拓展和長尾產品的推廣。個性化不足由于缺乏強大的自然語言理解和生成能力，傳統推薦系統無法深入理解用戶語境和需求，難以精準捕捉用戶上下文信息，提供的推薦結果不夠多樣化，無法滿足用戶個性化需求，導致用戶參與度和滿意度不高，產品推薦轉化率也受到影響。模力時刻Qwen-plus

196、/72B產品理解和表征抽取、用戶理解和表征抽取、候選產品列表精選，形成推薦理由。處理解決了推薦系統冷啟動問題，提升了推薦結果的可解釋性，借助社會化知識提升了推薦轉換率。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 保險 產品開發及銷售77產品信息：涵蓋產品的詳細條款、說明書以及歷史購買用戶的信息。這些信息是了解產品特性和構建產品畫像的重要基礎。用戶數據：包括用戶的歷史保單、瀏覽行為、基本信息（如年齡、性別等）以及健康信息。這些數據構成了用戶畫像的關鍵依據。原始數據1為了克服這些挑戰，我們引入了基于大語言模型的推薦系統，該方案的整體實現如右圖所示：產品理解及表征：通過對歷史購買用

197、戶的畫像、產品條款和說明書等材料進行深入分析，提取出產品的核心特點、保障范圍等關鍵信息。利用模型推理，進一步推斷出產品可能適用的人群。這些特征直接映射產品的功能、優勢及目標用戶群。用戶理解及表征：通過分析用戶的歷史保單、瀏覽行為、基礎信息及健康數據，挖掘出用戶的潛在需求、購買動機及產品偏好。這些特征信息被轉化為用戶的特定標簽和潛在訴求，從而構建出用戶表征庫。特征提取2推薦請求發起：當用戶訪問保險 APP 或網頁時，觸發推薦系統請求。多路召回：根據用戶表征，通過條件篩選、語義匹配及運營推薦等多種手段，從產品庫中精準召回符合用戶需求的產品信息。融合排序：對召回的產品進行排序，篩選出 TopN 候選

198、產品，并借助大模型進行多維度推理與精選，最終確定推薦結果。產品推薦3在產品界面上，展示由模型精選的產品列表，供用戶參考和選擇。這些產品列表包含了產品的基本信息，還可以附帶了清晰的推薦理由和解釋，幫助用戶更好地理解推薦結果，并做出明智的選擇。展現融合4價值分析經濟效益提升精準的推薦提高了產品推薦轉化率，更多用戶選擇合適的保險產品，直接增加了銷售額。同時，減少無效推薦節省了運營成本，使得資源能夠更高效地投入到其他關鍵業務環節，提升整體運營效率，從長期來看，為企業帶來持續的利潤增長。用戶體驗優化可解釋性增強讓用戶清楚了解推薦依據，增強信任度。個性化推薦滿足用戶多樣化需求，冷啟動和長尾問題的解決確保新

199、用戶和小眾產品也能得到關注，全面提升用戶在保險產品選擇過程中的滿意度和便捷性，有助于培養用戶忠誠度，形成良好的口碑傳播。金融行業 Agent 百景圖金融行業 Agent 百景圖 保險 產品開發及銷售78保險產品問答保險產品具有獨特的復雜性，與股票、基金等參數相對結構化的金融產品不同。保險產品往往險種多，其詳細信息承載于各種保險條款材料中，這些條款不僅內容專業性強、個性化高，內容晦澀難懂，普通用戶極難理解。即便是保險銷售人員，想要全面、準確地解答客戶的多樣化問題，給出精準且通俗易懂的解答，也必須提前深入研究每款產品的特性，這對銷售人員的專業水平和應變能力提出了極高要求，同時銷售人員需要全天候服務

200、非常多的客戶，服務效率和質量難以保證。保險產品問答助手基于通義大模型的自然語言處理、語義理解與生成能力，可以將晦澀難懂的保險條款轉化為清晰易懂的產品知識，從而構建一個全面、準確、易用的保險產品知識庫。Agent 概述典型案例當前關于保險產品的問答存在如下痛點：需求分析知識專業、學習成本高保險銷售人員需要掌握海量產品資料，但每款產品的知識體系獨立且復雜，學習成本極高。因此，銷售人員迫切需要一種高效、便捷的知識獲取方式，以從而提高銷售服務水平，更好地滿足客戶需求。服務效率低與吞吐量有限在保險業務中，客戶數量眾多，咨詢問題的時間分布廣泛，保險銷售人員難以同時應對大量客戶的全天候提問。每個銷售人員需服

201、務眾多客戶，導致工作壓力大，服務效率難以保證。材料繁雜整合麻煩保險行業的文檔資料種類繁多，形式多樣，包括但不限于產品條款、說明書、運營規則、監管要求、投保規則、渠道業務規則、公司品牌資料及費率表等。這些資料不僅需要依據業務邏輯進行有序分類與關聯，如按保險產品編號對產品條款、說明書與投保規則進行歸類，按渠道劃分等。手動整理這些資料并建立有效聯系，以及從不同格式文檔中抽取并整合知識構建知識庫，均需投入大量的人力和時間成本。模力時刻Qwen-plus/72Bquery 理解、query 改寫、關聯提問生成、答案生成。處理問答準確率 85%+。效果金融行業 Agent 百景圖金融行業 Agent 百景

202、圖 保險 產品開發及銷售79價值分析顯著提升效率通過自動化的文檔管理與知識加工流程，極大縮短了從原始資料到可用知識庫的轉化時間。銷售人員無需手動整理繁雜資料，可快速從構建好的知識庫中獲取所需信息，解答客戶疑問，大幅提升工作效率，使保險業務咨詢響應速度顯著加快。降低成本減少了人力在資料整理和知識構建上的投入，降低了人力成本和時間成本。同時，高效的知識獲取方式降低了銷售人員的學習成本，縮短培訓周期，使新員工能更快上手工作。增強客戶體驗客戶能夠得到更快速、準確、易懂的回答，解決保險產品咨詢的難題，提升客戶對保險服務的滿意度和信任度，有助于提高客戶轉化率和忠誠度，促進保險業務的增長。包含通義語言大模型

203、、通義視覺大模型、文檔解析模型以及向量化模型等。這些模型構成了整個方案的技術基石，為后續的知識處理和應用提供了強大的支持?；A模型1整體方案包括如下幾個部分：這一環節主要針對業務文檔開展管理、解析切分與知識提煉工作，最終構建全文索引和向量索引，以滿足知識問答搜索的需求。具體步驟如下：1）文檔管理運用大模型技術，結合保險業務領域的專業知識，對原始提交的產品條款、說明書、費率表、運營規則等文檔進行細致分類與深度整合。依據不同類型知識的內在邏輯關系，構建具有鮮明保險行業特色的原始知識資料庫。2）文檔解析切分利用版式分析技術，精準識別文檔的頁面布局和結構信息；通過文檔解析技術，提取文本內容與關鍵數據；

204、借助OCR識別技術，將圖片中的文字轉化為可編輯文本；運用圖表識別技術，解讀圖表中的數據信息；最后通過文檔分割技術，將長文檔拆分為合理的片段。3）知識提煉采用大模型知識增強技術，引入外部知識庫和領域專家知識，對原始知識進行補充與完善。運用向量化技術，將文本轉化為向量形式，構建具備高效向量檢索、BM25檢索等多種能力的知識庫。知識加工2通過query理解優化技術，深入剖析用戶問題的語義、意圖及關鍵信息；運用多路檢索召回策略，從知識庫中快速獲取相關知識片段；采用重排序算法，對召回的知識按重要性進行排序；將篩選后的知識融入提示中，為大模型提供更豐富的上下文信息；最后借助大模型強大的生成能力，生成針對用

205、戶問題準確、清晰且易懂的回答。知識問答3金融行業 Agent 百景圖金融行業 Agent 百景圖 保險 產品開發及銷售80保險產品比對在保險銷售及用戶服務場景中，用戶常常面臨眾多保險產品選擇難題，難以清晰了解不同產品間的保障范圍、賠付條件、保費差異等關鍵信息，從而導致決策困難，影響購買體驗和銷售效率。保險產品對比Agent旨在解決這一痛點，其基于先進的大模型技術，能夠快速、準確地對各類保險產品進行多維度對比分析。該 Agent可以根據用戶輸入的產品名稱、需求偏好等信息，實時生成清晰易懂的對比結果，以表格、圖表等形式直觀呈現，幫助用戶快速把握產品差異，做出更明智的決策，促進保險業務的銷售轉化和用

206、戶滿意度提升。Agent 概述典型案例在保險銷售前端，用戶在咨詢環節常常耗費大量時間用于產品對比，用戶因缺乏專業知識和便捷工具，難以自行梳理各產品的復雜條款和細節差異，容易在選擇過程中產生困惑和焦慮，進而可能導致購買意愿下降。對于保險銷售人員而言，手動對比產品不僅效率低下，而且難以保證信息的準確性和完整性，難以針對用戶個性化需求快速提供精準的產品推薦和對比方案。此外，在保險市場競爭日益激烈的環境下，保險公司需要更高效地向用戶展示自身產品的優勢和特色，以吸引更多用戶，提升市場份額，而傳統的產品介紹方式已難以滿足這一需求，急需一種智能化、自動化的工具來優化產品對比流程，提升用戶體驗和銷售競爭力。需

207、求分析模力時刻Qwen-long保險產品要素信息。提升了用戶的產品體驗、平均人工抽取成本從40 元/條降低到 2 元/條，成本降低 20 倍。處理時間從 4 小時，降低到 10 分鐘以內。處理效果Qwen-plus/max/72B生成個性化產品對比話術、使用用戶能理解的語言解釋和對比保險產品。提升了用戶的產品體驗、平均人工抽取成本從40 元/條降低到 2 元/條，成本降低 20 倍。處理時間從 4 小時，降低到 10 分鐘以內。處理效果在某大型保險公司的銷售團隊中，以往用戶咨詢產品對比時，銷售人員需要查閱大量紙質資料或在多個系統中切換查詢，然后手動整理對比信息，整個過程可能需要數十分鐘甚至更長

208、時間，用戶等待耐心不足，常常中斷咨詢流程，導致銷售機會流失。引入保險產品對比Agent后，當用戶提出對比需求，如“我想了解重疾險A和重疾險B的區別”，Agent立即通金融行業 Agent 百景圖金融行業 Agent 百景圖 保險 產品開發及銷售81過自然語言理解模塊解析用戶需求，從保險產品數據庫中精準提取兩款產品的詳細信息，包括保障疾病種類、賠付比例、等待期、保費計算方式等關鍵要素，運用數據對比和可視化模塊，迅速生成一份清晰的對比表格，并以圖文并茂的形式展示在銷售終端設備上，整個過程僅需幾秒鐘。大模型在信息提取和語義理解環節發揮了關鍵作用，確保了對比信息的準確性和全面性。其主要功能模塊包括自然

209、語言理解、數據提取與處理、對比分析與可視化等，前端通過銷售系統與用戶交互，后端連接保險產品數據庫和大模型服務接口，形成完整的調用鏈路。該方案實施后，用戶咨詢滿意度大幅提升，銷售轉化率提高，同時銷售人員工作效率顯著提高，能夠有更多時間專注于用戶溝通和需求挖掘，技術創新點在于實現了保險產品對比的智能化自動化處理，突破了傳統人工對比的局限性。價值分析提升用戶體驗為用戶提供快速、準確、直觀的保險產品對比服務，減少用戶決策時間，增強用戶對保險購買過程的滿意度和信心，有助于提高用戶忠誠度和口碑傳播。提高銷售效率幫助保險銷售人員快速響應用戶需求，提供專業的產品對比建議，縮短銷售周期，提升銷售轉化率，降低銷售

210、成本，使銷售人員能夠將更多精力投入到用戶關系維護和業務拓展中。增強市場競爭力保險公司能夠更有效地向用戶展示自身產品的優勢和差異化特點，突出產品競爭力，在激烈的市場競爭中脫穎而出，吸引更多用戶選擇本公司的保險產品。金融行業 Agent 百景圖金融行業 Agent 百景圖 保險 產品開發及銷售82智能預核保保險產品種類繁雜，專業覆蓋范圍廣泛，客戶需求又各不相同，保險代理人難以全面掌握所有產品形態和承保政策。實際業務中，代理人常需借助電話、微信等方式，就政策解讀、方案搭配及初步核保判斷等問題，向后端核保人員咨詢。然而，核保人員數量有限，其響應時效與并發處理能力難以滿足業務高峰需求；且不同核保人員在經

211、驗和專業能力上存在差異，導致對前線咨詢的解答缺乏統一標準，這無疑給客戶體驗和服務效率帶來諸多挑戰。預核保是保險銷售流程中的關鍵環節，可利用大語言模型在自然語義對話、信息收集、風險評估、輔助決策方面的能力，結合后端已有的核保引擎能力，提前評估客戶的風險狀況與投保資格，從而提升預核保的效率，為客戶帶來更為順暢、高效的投保體驗。Agent 概述典型案例模力時刻Qwen-plus/max/72B提取用于預核保相關參數。轉化提升：對話模式替代傳統繁瑣問卷按需收集信息，平均時間從 20 分鐘降低到 5 分鐘提升了投保轉化率。處理效果QwQ評估客戶的風險狀況、投保資格預判。體驗提升：提前預判投保資格，給出合

212、理引導，避免不符合要求客戶進入正式核保流程再拒絕。處理效果需求分析當前，保險業務在售前預核保階段存在不少亟待解決的痛點，具體表現如下：人工經驗依賴度高保險市場上產品種類繁多，不同保險方案和定價政策之間存在顯著差異。當前預核保環節在很大程度上依賴核保人員的人工經驗進行判斷。然而，由于核保人員的專業素養參差不齊，經驗豐富程度也各有不同，這就導致對同一保險標的的風險評估結果常常出現偏差，難以保證評估的準確性和一致性。機會成本損失明顯傳統預核保流程需要投保人填寫大量的表格和問卷，流程極為繁瑣復雜。這不僅嚴重影響了保險產品的銷售效率，也減緩了客戶獲取的速度。冗長的流程容易讓投保人產生厭煩和不滿情緒，部分

213、潛在客戶甚至會因等待時間過長或流程過于繁瑣而放棄投保，這無疑給保險公司造成了不可忽視的機會成本損失。人力成本居高不下保險代理人在日常業務開展中，需要頻繁向后臺專業核保人員進行咨詢。但人工核保評估的效率較低，面對大規模業務時，處理能力明顯不足，難以滿足市場的快速響應需求，進而導致反饋延遲，嚴重影響客戶體驗和業務流轉速度。金融行業 Agent 百景圖金融行業 Agent 百景圖 保險 核保核賠83價值分析提高核保效率大模型憑借強大的自然語義對話與信息收集能力，能夠快速理解客戶信息，協助代理人迅速判斷客戶的基本投保資格。提前篩選出明顯不符合投保條件或風險較高的客戶，避免這些客戶進入正式核保流程，從而

214、減少核保資源的浪費，提高整體核保效率。優化客戶體驗采用更人性化的對話模式替代傳統繁瑣問卷，根據客戶回答智能生成后續問題，降低客戶理解門檻，提升信息收集效率與質量?？蛻粼谂c系統交互過程中，能更輕松地表達自身情況，提前了解投?？赡苄?。并且，大模型還能依據核保結論為客戶提供個性化建議，如指導客戶補充資料、選擇合適保險產品等，讓客戶在投保過程中感受到更專業、貼心的服務，極大提升客戶投保體驗。降低逆選擇風險通過整合客戶多維度信息，結合保險產品特點與核保政策，大模型能夠精準識別潛在的高風險客戶。代理人依據大模型的評估結果，對風險明顯較高且不符合承保條件的客戶進行有效引導或拒絕，避免高風險客戶過度集中投保，

215、從而降低保險公司的逆選擇風險，維護保險市場的公平性與穩定性，保障保險業務的可持續健康發展。本方案主要由以下幾個核心模塊構成：該模塊摒棄了傳統逐項固定式問卷填寫模式，采用大模型驅動的對話模式。系統會根據用戶當前的回答以及不同保險產品的核保規則要求，自動生成后續必要問題，實現個性化提問。這種方式大幅減少了不必要的問題數量，不再局限于樣板式回答，極大地降低了投保人的理解門檻，顯著增強了整個交互過程的靈活性，提高了信息收集的質量和效率。對話問題生成1基于提交的材料，結合核保規則，綜合客戶的風險評估結果、保險產品特點以及保險公司的核保政策，為核保人員提供可能的核保結論，包括標準承保、有條件承保還是拒保。

216、核保引擎決策3該模塊利用大模型從客戶的對話、提供的醫療報告、身份證明等資料中，完成材料分類，準確解析并提取關鍵信息，然后進行歸納整理，提交給核保引擎，以供核保決策。信息收集與整理2依據核保引擎的核保結論，利用大模型為代理人和客戶提供針對性建議，幫助他們提前做好心理準備和應對措施。例如，建議客戶進行進一步體檢，或針對某些風險因素提出加費承保方案。生成預核保建議4金融行業 Agent 百景圖金融行業 Agent 百景圖 保險 核保核賠84核賠輔助意健險產品的顯著特點在于其條款體系的繁復性和責任界定的日益精細化，例如通常會約定醫院等級、醫院清單、疾病清單、藥品類型/清單、或指定藥店等內容。這些詳盡的

217、責任界定直接導致了索賠流程所需材料的復雜化。這種復雜性不僅增加了欺詐與滲漏風險，還對審核工作提出了更高要求：審核員需要記憶大量的審核規則和操作流程，還需要具備深厚的醫學背景知識以應對復雜的醫學情況。無疑加大了審核人員對審核標準的理解與統一執行的難度，使得歷史審核中的寶貴經驗難以得到高效的累積與傳承。采用大模型學習保險產品、保單及索賠信息，并結合醫學知識圖譜，實現理賠案件的智能審核。該過程能精確評估條款適用性、判定賠付項目并預測風險，同時清晰展現推理邏輯與依據。這一創新極大減輕了理賠審核人員的工作，使他們無需再繁瑣地查閱保單、比對條款及標記風險，而是直接躍升至高效決策階段。Agent 概述典型案

218、例模力時刻Qwen-plus/Max單據結構化抽取、單據分類、語義審核。提升理賠自動化比例 15%。處理效果Qwen-VL單據結構化抽取、單據分類、語義審核。提升理賠自動化比例 15%。處理效果保險行業運營中存在諸多難題，主要體現在以下幾方面：需求分析條款復雜，學習成本高保險產品數量多，綜合性保險公司產品常超萬款。條款因監管、競爭和產品迭代而變化快，條款學習需專業知識，成本較高。專家資源不足核賠專員中醫學專業人員少。但健康險和意外險的醫療、傷殘、身故賠款占比高，審核關鍵賠付項目缺專業醫學知識支持。結構化拆解難保險條款內容繁雜，涉及承保、責任、免責等多方面。保險用語與產業標準有差異，各業務部門知

219、識水平和認知不同，前后臺部門對條款解讀也有偏差。金融行業 Agent 百景圖金融行業 Agent 百景圖 保險 核保核賠85價值分析提升客戶理賠體驗大模型能夠快速理解和分析保險條款、保單及索賠信息，輔助理賠審核人員快速做出準確判斷，風險管控前置，縮短理賠周期，提高客戶滿意度。優化資源利用與降本通過智能化審核，大模型能夠減輕人工審核的負擔，合理分配專家資源，降低學習成本和維護成本，同時提高整體團隊的審核能力。某財險公司，利用通義千問大模型及通義點金Agent平臺，打造輔助理賠審核人員的智能體，可實現大模型輔助判責、風險識別、核賠判定。功能包括試用條款-責任的判定、免責/免賠的判定、賠付范圍的判定

220、、風險識別發現等，可輸出判定結論及相關依據，輔助理賠人員進行案件審核。結合現有的理賠系統，引入大模型，在以下三個核心環節實現能力的補充與提升：借助先進的大語言模型以及視覺大模型技術，對保險條款的具體內容以及醫療事件相關信息進行深度解析，將其轉化為結構化數據。在此過程中，統一規范術語使用，并形成標準化的數據結構，從而為后續的處理和分析提供堅實基礎。單據結構化處理1通過系統整合和分析，對保險產品的多方面信息，如投保條件、保障范圍、保費結構以及免責條款等進行全面梳理，形成一個統一且權威的解讀體系。這一知識庫將成為理賠工作中的重要參考依據，確保對保險條款的理解準確無誤。保險條款知識庫構建2充分發揮大模

221、型的強大推理能力，依據用戶提交的理賠材料，并結合保險條款中規定的理賠要件信息，對理賠申請進行深入分析。有效彌補傳統規則引擎在語義審核方面的不足，并以自然語言的形式給出精準的語義審核判斷，為審核決策提供有力支持。輔助審核決策支持3實現效果如圖所示金融行業 Agent 百景圖金融行業 Agent 百景圖 保險 核保核賠86智能影像處理保險行業的承保與理賠等關鍵業務流程，高度依賴影像資料的處理。在影像信息提取與分類工作中，傳統方法弊端明顯。比如在處理卡證影像時，必須針對每種影像單獨設計版式訓練識別模型，這就需要標注海量數據集，耗費大量人力、物力和時間，成本高昂。而且，傳統方法應變能力差，一旦出現新的

222、影像版式，就難以適應，不得不重新開啟復雜的訓練流程，嚴重拖慢了后續業務的處理進度。通義視覺大模型技術的引入，給保險行業帶來了業務和技術上的重大突破。該大模型具備較好的泛化能力，可以在零樣本的情況下，準確理解和高效推理圖像內容，無需針對不同版式分別訓練，大大簡化了操作。通過這項技術，保險行業的影像處理可實現高度自動化、智能化，作業效率和識別精度大幅提高，影像數據的挖掘價值也得到進一步提升，有力確保了業務操作的合規性，為保險行業的發展提供了強大助力。Agent 概述典型案例模力時刻Qwen-plus/Max影像件結構化抽取、影像件分類。預計提升影像件挖掘可利用率 60%。處理效果Qwen-VL影像

223、件結構化抽取、影像件分類。預計提升影像件挖掘可利用率 60%。處理效果需求分析影像處理效率低，用戶體驗差在承保與理賠環節，用戶提交材料時，需手動對物料診斷證明等各類材料進行分類上傳，同時還要填寫大量信息，操作流程繁瑣復雜。傳統影像處理技術，對于不同類型的影像資料，像卡證等，需要單獨制定版式訓練識別模型，標注大量數據集，過程漫長且成本高昂，面對新出現的版式和抽取字段更是難以適應，嚴重影響處理效率。歷史影像檔案價值未充分挖掘保險業務處理過程中積累了海量的歷史影像數據，涵蓋各類文件、照片及視頻等。傳統方式下，由于缺乏有效的針對不同圖像挖掘技術，難以從這些沉睡的歷史影像數據中提取客戶個人信息、購買行為

224、、理賠記錄等關鍵內容。導致保險公司無法基于這些數據開展深入的客戶行為分析，以提供個性化服務。風險識別與評估能力不足在保險業務中，虛假投保與欺詐行為時有發生。當前技術手段難以精準識別影像文件真實性、邏輯合理性等。例如在車險理賠場景中，難以精確評估車輛損壞程度與修復成本；在健康險理賠審核方面，對醫療影像中的異常識別能力不足，定責準確率低。這些問題嚴重影響保險業務的風險防控。金融行業 Agent 百景圖金融行業 Agent 百景圖 保險 核保核賠87總體技術鏈路如右圖所示，其主要功能如下：大模型智能影像技術針對影像資料處理的痛點，提供了直接而有效的解決方案。大模型能夠自動識別單證類型，并對單證中的信

225、息進行精確分類。這一解決方案顯著提升了影像處理的效率和準確性，減少了人為錯誤，確保了影像分類的精準性，從而增強了對風險的管控能力。單證圖像歸類1借助大模型的圖像識別技術，對各類標準或是非標準影像、單證文件進行結構化信息提取和含義提取，如身份信息、財產證明、門診發票、投保單、共保協議、銀行征信授權書、醫療、病例、醫療檢測報告、公示照片等。圖像信息提取2借助大模型語義理解。視覺大模型可以快速識別和分析影像數據中的關鍵信息，如車輛損壞程度、醫療影像異常等，從而加速理賠流程，提高理賠效率。圖像語義理解3價值分析效率顯著提升引入視覺大模型后，材料歸類與關鍵信息抽取實現自動化，僅在信息缺失時需用戶補充。這

226、一變革極大地優化了承保和理賠流程中的用戶體驗，同時顯著提高了人工操作效率，大幅減少了人工處理所需的時間和精力成本。大幅節約成本大模型具備出色的泛化能力，能夠應對新出現的材料，從而取代傳統繁瑣的模型訓練流程。無需進行海量數據集標注，這一優勢使得單獨訓練識別模型和標注數據集所需的人力、物力和時間成本得以大幅降低。深度挖掘數據價值借助大模型的圖像識別和語義理解技術，能夠從海量歷史影像數據中精準提取關鍵信息，為客戶行為分析提供豐富的數據支持?；谶@些數據，保險公司可以更深入地了解客戶需求，進而提供個性化服務，有效增強客戶粘性，提升市場競爭力。金融行業 Agent 百景圖金融行業 Agent 百景圖 保

227、險 核保核賠88條款智能核驗助手保險產品開發中，保險條款編寫制定極為關鍵，既受外部監管機構嚴格監督，又要符合公司內部規范。按規定，保險產品需通過智能檢核系統完成報送流程，銀保監會依據 80 多個文件里的 600 多條規則，從多維度嚴格檢核。但當下產品條款檢核工作規則繁雜，審核耗時費力，審核員容易誤判、漏檢，潛在風險常事后才發現，嚴重影響產品上市周期。依托大模型技術，條款智能核驗助手能夠精準解析、提取規則，并與產品條款進行比對，從而發現問題。人工審核可根據智能體的提示，快速定位并修正條款中的瑕疵，實現事前自動化監管。這一創新模式有效提高了保險產品開發的效率與準確性，增強了時效性，降低了潛在風險，

228、提升了報送質量。Agent 概述典型案例傳統審核方式已難以滿足當下業務發展需求，主要體現在以下幾方面：需求分析專業知識壁壘與審核質量不穩定性保險條款審核涉及眾多專業術語和復雜法律條文，對審核人員的專業知識要求極高。然而，非專業人士難以勝任此工作，而專業人才培養周期長、成本高。此外，手工審核易出錯，即便經驗豐富者也可能因條款繁多而遺漏或誤判，影響審核質量。法規更新響應滯后與審核標準不統一監管政策頻繁變動，人工追蹤并調整條款內容存在時間滯后，導致新產品可能無法及時符合最新要求。同時，不同審核人員對同一問題的理解可能存在差異，導致審核結果不一致，增加了審核的反復性和不確定性。監管難度升級與人工審核局

229、限隨著監管要求的不斷提升，保險條款備案的復雜度顯著增加，傳統的人工審核模式難以高效應對大量條款文件，導致審核周期延長，嚴重影響新產品的上市速度。為了有效應對保險條款審核中的挑戰，我們提出以下基于大模型的解決方案，總體技術鏈路如下圖所示：模力時刻QwQ基于審核點規則逐項閱讀條款原文，給出審核初步結論。效率提升：審核效率從 1-2 周縮短到 1 天。處理效果金融行業 Agent 百景圖金融行業 Agent 百景圖 保險 監管合規89價值分析效率與準確性提升自動化核驗與智能建議大幅縮短條款處理時間，減少錯誤，加速產品上市進程。降低運營成本減少人力需求與培訓成本，優化資源配置，降低整體運營成本。強化合

230、規管理快速適應監管變化，統一審核標準，確保法規遵從，有效降低法律風險。監管規則庫：全面梳理行業產品的監管規則，利用大語言模型的自然語言理解和抽取能力智能地解析和匹配監管規則，建立一個詳盡的規則庫。這個規則庫將涵蓋所有內部及外部的監管要求，確保這些規則能夠快速、準確地應用到公司的所有業務中。自定義規則：應對未來監管變化，增設規則編輯功能，支持新增、修改、刪除等操作，確保規則庫實時同步最新監管要求。構建全面條款規則庫1基于構建的規則庫，運用大模型智能檢核功能，實現監管規則的自動化檢核。具體包括：自動化規則核驗：業務上傳條款文檔后，大模型迅速解析文本，依據規則庫逐條比對分析，確保條款合規。智能化修改

231、建議：對于不符合監管要求的條款內容，大模型將提供具體且詳盡的修改建議。這些建議將涵蓋用詞規范、邏輯結構優化等多個方面，以幫助業務團隊快速、準確地調整條款內容。實施智能檢核功能2審核完成后，系統自動生成結論，并給出科學合理的整改建議。這些建議基于大模型智能分析，結合行業實踐與監管要求，為業務團隊指明清晰、可行的整改路徑。輸出核驗結果3金融行業 Agent 百景圖金融行業 Agent 百景圖 保險 監管合規90條款智轉助手在保險行業，保險條款的編寫與制定不僅復雜且至關重要，還受到監管機構的嚴格監督。2024年，國家金融監督管理總局辦公廳相繼發布了關于啟用財產保險產品智能檢核系統的通知（金辦便函20

232、241117號）以及關于啟用農險產品智能檢核系統的通知（金辦便函20241521號）。根據要求，除條款原文、費率規章和精算報告原文外，還需將其轉換為符合監管要求的要素表形式，并上傳至系統進行審核。條款智轉助手幫助保司人員能夠智能提取條款、費率規章以及精算報告內容，并按照監管要求的格式，自動生成excel形式的要素表。同時，依據要素規則對生成的要素表進行核驗，判斷是否符合要求，并給出合理建議。該助手顯著提升了條款監管報備的效率和準確性，有效減少了人為錯誤，加快了產品上市速度。Agent 概述典型案例需求分析手動轉換低效條款、費率規章及精算報告需手動轉換為符合監管要求的要素表格式，即每上架一個條款

233、至少處理 6 個文檔，耗費大量時間和人力。人工核驗繁瑣每個要素表內容都需要業務人員手動來編輯處理，還需要一個個檢查規則，比如有字數要求和符號中英文要求的，都需要業務人員一一檢查，費時費力。保險公司若想上架售賣一款保險條款，需歷經手動轉換、人工核驗、層層審批等一系列人工操作，這使得整個流程效率低下、耗時冗長且容易出錯，嚴重影響產品上市速度。具體業務痛點如下：層層審批耗時條款報備需經過多輪內部審批和核查，每個人都是從0-1 到檢查所有內容，過程繁瑣且容易出錯。進一步延長了產品上市時間，降低了整體效率。高錯誤率風險人工操作增加了出錯的可能性，可能導致條款不符合監管要求，延誤審核進度或被退回重審。要素

234、表自動生成將自動填寫監管審查的要素表，生成檢核報告，降低人工審核壓力。要素表信息檢查生成要素表時再次核驗要素內容是否符合所以，業務有針對性的目標建設：金融行業 Agent 百景圖金融行業 Agent 百景圖 保險 監管合規91價值分析效率與成本優化借助自動化生成要素表，降低人工轉換和編輯的時間及人力成本，智能核驗快速識別并糾正規則不符項，極大提升工作效率。精準度與合規保障運用大模型精準提取條款、費率規章及精算報告內容，保證生成的要素表格式規范、內容準確，嚴格符合監管要求，降低被退回重審風險。流程與體驗升級通過大模型規則校驗結果，減少內部審批重復勞動，優化條款上報流程，縮短產品上市時間，同時減輕

235、業務人員工作負擔，助力其專注高價值任務。在某保險公司，基于通義千問大模型，將條款、費率規章、精算報告按照要求提取內容，并校驗每一條要素信息的正確性，最后生成 Json 格式輸出。其主要功能：主要對原始文檔（如PDF或Word文檔）進行文本化解析，使其轉化為大模型可處理的格式，然后通過大模型對文檔的險種進行分類。材料預處理1負責從文檔中提取特定的要素信息，比如保險產品的類型、覆蓋范圍、保費計算方法、理賠條件等。它會依據預定義的模式或規則來識別和提取這些信息。信息提取功能2將經過校驗的數據轉換為結構化的格式，如 JSON。此模塊負責將非結構化的文本信息轉化為機器可讀的結構化數據格式，以便后續處理或

236、集成到其他系統中。結構化輸出3總體技術鏈路如下圖所示：簡單展示條款/核心系統實現效果如下圖所示：左側業務手動填寫的要素表，右側百煉生成的表格形式要素表模力時刻QwQ基于審核點規則逐項閱讀條款原文，給出審核初步結論。處理效率提升：審核效率從 1-2 周縮短到 1 天。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 保險 監管合規92對外披露審核保險公司的日常運營高度依賴互聯網平臺進行信息披露，涵蓋產品詳情、品牌推廣、營銷廣告以及用戶教育等多方面內容。這些信息不僅要符合基本語言規范，做到表述精準、清晰且無歧義，更要嚴格遵循金融行業的法律法規。目前，保險公司普遍采用人工與系統相結合的審

237、核方式，力求對披露物料進行細致審查。然而，實際操作中仍暴露出諸多問題，如審核標準缺乏一致性、人工審核效率低下以及法規復雜難以全面掌握等痛點。對外披露審核助手基于阿里云通義系列大語言、視覺多模態大模型的多模態理解與審核能力，專為保險公司的市場部、品牌管理部、合規部提供全面而高效的對外信息披露審核能力。Agent 概述典型案例需求分析審核標準不統一由于不同保險公司或不同審核團隊可能采用不同的審核標準，導致信息披露的準確性和一致性受到影響。這種不一致性可能引發消費者的困惑和誤解，進而損害保險公司的信譽。人工審核效率低下面對大量的信息披露需求，人工審核往往耗時較長且容易出錯。這不僅增加了運營成本，還可

238、能導致信息披露的延遲，影響保險公司的市場響應速度和客戶體驗。當前信息披露審核存在以下痛點：法規復雜性面對金融行業復雜多變的法規要求，審核人員需要不僅需要具備全面的專業知識，還時刻保持對最新規定的了解，但這一要求往往難以完全滿足。模力時刻Qwen-plus根據審核規則基于文本理解能力對文本、圖片材料進行審核。提升效率，每份材料審核時間從 0.5 天提升到10 分鐘。處理效果Qwen-VL根據審核規則基于文本理解能力對文本、圖片材料進行審核。提升效率，每份材料審核時間從 0.5 天提升到10 分鐘。處理效果金融行業 Agent 百景圖金融行業 Agent 百景圖 保險 監管合規93價值分析提升審核

239、效率借助大模型強大的運算和分析能力，能夠在短時間內處理海量的信息披露物料，大幅縮短審核周期。以往人工審核一份復雜的產品宣傳資料可能需要數小時甚至更長時間，而引入該審核Agent后，相同內容的審核時間可縮短至十幾分鐘甚至更短，極大地提高了信息披露的及時性。降低合規風險規則庫全面整合了金融行業的各類法規要求，大模型在審核過程中能夠精準比對，確保每一條對外披露的信息都嚴格符合法規標準。這有效避免了因違規披露而導致的監管處罰、法律訴訟等風險，降低了潛在的經濟損失和聲譽損害成本。整體方案涵蓋以下核心組成部分：依據物料使用場景進行分類構建，每個類別下的審核規則包含多個檢查點，每個檢查點都詳細配置審核規則、

240、校驗規則、審核工具以及提示詞等信息。規則庫1集成語言大模型、視覺大模型和文檔解析模型，能夠實現自然語言理解、文本與視頻審核推理，并生成精準的審核結論。大模型2接收外部提交的物料，將其解析轉換為大模型可識別的文檔格式，并依據內容進行物料分類，為后續審核奠定基礎。文檔解析3根據物料類別從規則庫中加載相應規則，按照審核點配置定義，借助規則引擎結合大模型展開審核工作。審核執行4大模型自動生成審核報告，同時提供針對性的整改建議，隨后交由人工進行最后的整改完善，實現人機協同的高效作業模式。生成結論5金融行業 Agent 百景圖金融行業 Agent 百景圖 保險 監管合規94通用坐席通話質檢、意圖識別、智能

241、語音導航、機器人營銷外呼、機器人催收外呼、客服知識構建、客服知識問答數字人客服、人工客服助手、App 對話機器人、智能工單助手、智能投訴預警、智能語音分析、電銷助手智能客服客戶經理績效助手、智能問數助手、智能搭建助手、數據資產問答、存款分析助手、貸款分析助手客戶經營分析助手、小微經營戶潛客挖掘、理財潛客挖掘、代發戶促活助手智能用數知識問答、復雜信息抽取、智能寫作知識助手AI 程序員、需求助手、編碼助手、單元測試生成助手、測試用例生成助手、智能運維助手研發助手交互取證提額、視頻交互陪練、直播交互、視頻分享數字人內容安全審核、制度撰寫、合規問答內容審核企業工商信息打標、可信搜索、企業招投標信息打標

242、、企業知識產權信息打標、財報解析信息檢索與打標交互式培訓助手、課件生成助手、對練機器人、智能培訓問答助手、智能考試助手培訓陪練工作報告助手、OA 小蜜、智能會議助手、流程助手辦公助手營銷策劃助手、營銷素材生成、營銷文案生成、社群運營助手營銷助手坐席通話質檢在客服對話內容質檢場景中，企業通常依賴人工監聽和評估客服與客戶的交互質量。這包括檢查客服的服務態度是否友好、服務流程是否符合公司規定以及提供的信息是否準確無誤等多方面。然而，傳統的人工質檢方法受限于時間和資源，只能覆蓋到一小部分的通話記錄，導致質檢覆蓋率低且標準難以統一，影響了整體的服務質量和客戶滿意度。坐席通話質檢 Agent，借助大語言模

243、型的強大能力，可以實現對通話內容的自動化質檢。通過深度語義理解和上下文感知技術，大語言模型能夠自動識別并標記出潛在問題點，例如：不恰當的服務態度表達、流程執行偏差或回答錯誤等情況，自動生成詳細的質檢報告，這些功能不僅大幅提升了質檢效率和準確性，降低了運營成本，也為持續優化服務質量提供了堅實的數據支持。Agent 概述客服系統原質檢方案主要有兩個問題：需求分析運營成本高質檢規則配置復雜，學習和操作門檻高，導致培訓和維護成本增加。傳統系統要求專業人員進行精細調整，難以快速適應業務變化，進一步推高運營成本。質檢覆蓋率和效率都低基礎內容質檢僅能覆蓋少量對話，覆蓋率低且錯誤率高。人工抽檢方式無法全面監控

244、服務質量，容易遺漏問題，影響客戶體驗，降低了整體質檢效率。典型案例在某銀行，基于通義千問大模型+智能體平臺，構建智能質檢新方案。大模型處理并理解客服對話文本，自動識別潛在問題和服務不規范之處；智能體根據預設規則和動態學習機制進行實時評估和反饋；對話分析、異常檢測、自動評分、報告生成等功能模塊，確保質檢過程高效、準確且覆蓋全面。模力時刻Qwen-72B基于提示詞規則，對客服通話文本進行質檢，產出是否扣分及其原因。質檢準確率 95%。處理效果金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能客服95價值分析降低質檢門檻基于大模型和智能體的智能質檢系統顯著降低質檢規則構建的門檻。通

245、過自動化的質檢建模，系統能夠自動生成質檢規則和報告，無需復雜的配置和專業技能，減少培訓和維護成本，使更多員工能夠快速上手。提升質檢效果大幅提升質檢的精度和效率。大模型具備深度語義理解和上下文感知能力，可以精準識別客服對話中的問題，如服務態度、流程合規性和回答準確性。智能體實時分析大量對話數據，提供全面、客觀的質檢結果，顯著減少人工抽檢的局限性和錯誤率。自動評分和異常檢測等功能模塊確保質檢過程的高效性，同時降低運營成本，提高客戶滿意度和服務質量。技術鏈路如下圖所示：質檢效果示例如右圖所示：對話質量規則包括：起始語規范類、結束語規范類、未使用不文明用語、未使用敏感詞、未使用態度惡劣類禁忌語、服務意

246、識充足等。金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能客服96意圖識別金融機構智能客服場景中，面對海量客服需求場景，傳統客服基于小模型的意圖識別方案，存在意圖理解能力有限，個性化服務與情感分析能力不足等問題。本方案引入大模型進行客戶意圖識別，并基于語音對話記錄等信息提煉形成意圖樹，構建完整的銀行客服領域客戶意圖識別智能體，不僅大幅降低了運營成本，提升了客戶滿意度，還為金融機構建立了更高效的客戶服務機制，顯著增強了品牌形象和市場競爭力。Agent 概述典型案例需求分析理解能力有限傳統的小模型往往基于規則或簡單的機器學習算法構建而成，對于自然語言的理解能力較弱。它們可能難以

247、準確捕捉到客戶的真正意圖，特別是在面對復雜、模糊或多義性的表述時。上下文處理不足許多傳統的模型缺乏有效處理對話上下文的能力，這使得它們很難根據前后語境來正確解讀用戶當前的話語意義。而在實際的客戶服務場景中，理解整個對話流程是非常重要的。傳統小模型在智能客服領域進行客戶意圖識別時，存在一些局限性。主要體現在以下幾個方面：多輪對話支持不佳復雜的業務咨詢往往需要通過多次問答才能完成。傳統的小模型可能在維持長時間對話連貫性和一致性方面表現欠佳，容易導致用戶體驗下降。適應性差隨著業務的發展變化以及新詞匯、新表達方式的不斷出現，如果不對模型進行持續更新和訓練，則其性能可能會逐漸下降。傳統模型通常需要人工干

248、預進行調整優化，成本較高且效率低下。個性化服務欠缺每個客戶的背景信息、偏好習慣等都不同，理想狀態下智能客服應該能夠提供個性化的服務體驗。但是，由于數據量限制及技術原因，傳統小模型在這方面做得還不夠好。金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能客服97價值分析增強智能運營能力通過對海量對話數據的分析，基于語音、對話記錄等信息提煉形成意圖樹，構建完整的銀行客服領域客戶意圖體系，進一步增強系統的智能運營水平。改善客戶服務體驗提高響應速度與準確性，準確地識別出客戶的真正需求或問題所在，從而提供更加迅速且針對性的服務響應。理解客戶的獨特需求，推送個性化的金融產品和服務建議，捕捉

249、到顧客的情感變化，適時調整溝通方式，讓互動過程更加人性化。洞察潛在商機通過對客戶意圖深度解析，發現新的市場需求點或是現有產品的改進空間，為開發新產品或服務提供依據?；趯€體用戶的全面了解，銀行可實施更為精確的目標市場營銷活動，提高轉化率的同時降低成本。在客戶意圖識別場景，通過引入大模型 Agent 為智能客服系統帶來顯著價值：在某金融機構客服中心，基于大語言模型強大的語義理解能力與規劃推理能力，準確理解用戶 query意圖，在多輪上下文、多主題對話中，保持對意圖識別的準確性與連貫性，輔以調用外部工具與知識庫，高質量完成客戶的對話服務。具體來講，整個意圖識別的工作分為離線生成和在線分類兩條鏈路

250、：構建指定業務場景下的完整意圖樹，是在線做意圖識別的基礎。通過挖掘歷史通話記錄，生成潛在意圖列表，經過精篩和結構化，生成意圖樹，并掛載對應推薦話術。離線鏈路1客戶對話過程中，實時把通話進行文本轉換，送給大模型在意圖樹上做識別，對于命中意圖，生成話術；對于未命中的情況，大模型生成推薦意圖及話術，經人工運營確認后合并到意圖樹當中。在線鏈路2模力時刻Qwen-14B/72B客服場景下，大模型理解用戶 query，以及意圖樹，進行意圖分類。處理意圖識別準確率 95%。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能客服98智能語音導航傳統的客服電話語音導航技術通常依賴于交互式語

251、音應答（IVR）系統，這種系統通過一系列預設的按鍵菜單引導用戶進行操作?？蛻粼趯で蠓諘r往往需要按照語音提示逐步選擇相應的數字鍵以進入不同的服務分支，這種方式不僅耗時，而且容易讓用戶迷失在復雜的菜單結構中，導致體驗不佳。此外，傳統 IVR 缺乏對自然語言的理解能力，無法處理超出預設選項之外的問題，這限制了其靈活性和效率。智能語音導航 Agent，基于大語言模型技術，智能語音導航得到了顯著增強，實現了從按鍵選擇到語音指令的轉變，使得業務辦理更加直觀快捷。智能語音導航可以理解用戶的自然語言請求，并直接提供所需的信息或服務，無需經過繁瑣的菜單選擇過程。更重要的是，基于大模型的強大語義理解和多輪對話管

252、理能力，智能語音導航能夠準確捕捉用戶意圖，支持個性化服務推薦，同時還能持續學習和適應新的查詢模式，極大提高了響應速度和服務質量。Agent 概述典型案例需求分析支持通過語音方式完成交互，將用戶聲音轉換為文本并自動理解用戶的自然語言中包含的準確業務需求?？蛻敉ㄟ^采用智能語音導航系統來處理日益增長的信息咨詢、電話交易和服務需求，系統可有效提升用戶滿意度，減輕人工服務壓力，降低運營成本。智能語音導航系統可以無縫集成到企業的信息系統中，特別是與現有的 IVR 系統融合，輔助或代替人工座席完成數據查詢、訂單處理、業務辦理等業務咨詢操作，拓展及豐富企業的對外服務渠道，提供更快捷的客戶服務響應能力。大模型與

253、金融機構的呼叫平臺對接，接受電話客服語音消息，通過智能語音識別 ASR 轉寫錄音為文本，使用大模型技術自動理解用戶問答內容，返回文本答案，通過語音合成 TTS 將答案合成為錄音，并最終播報給用戶。大模型加持的智能語音助手，相比原有的語音導航系統帶來多個方面能力的提升：先用 ASR 把客戶語音轉文字，用大模型對用戶會話內容進行分析，識別出用戶的具體意圖。例如，當用戶說“我要辦理信用卡”時，大模型能夠準確識別出這是“業務辦理”類的請求。大模型的強大語義理解和上下文感知能力，能意圖識別和分類1模力時刻Qwen-72B客服場景下，大模型理解用戶 query，進行路徑選擇與服務。處理意圖識別準確率 95

254、%，路徑選擇準確率 90%。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能客服99價值分析提升客戶滿意度和體驗通過更精準的意圖識別和分類，大模型能夠迅速理解客戶的真正需求，并提供直接且相關的解決方案。例如，當客戶表達“我要辦理信用卡”時，系統不僅能立即識別出這是一個業務辦理請求，還能基于上下文感知能力，為客戶提供個性化的服務選項或引導流程，減少客戶的等待時間和操作步驟。大模型在智能客服語音導航場景下的業務價值主要體現在以下幾個方面：提高運營效率和服務質量大模型從會話中高效提取關鍵信息（槽位），使得客戶服務團隊可以快速獲取必要的背景資料，無需客戶重復敘述。這種能力極大地

255、提高了處理速度和準確性，尤其對于復雜問題的轉接處理更加流暢，減少了因信息不全導致的服務延誤，從而提升了整體服務質量。優化資源配置和成本控制根據意圖識別和關鍵信息提取的結果，大模型能夠智能地分配任務給最適合解決問題的資源，無論是自動化工具還是人工客服。這種方式不僅保證了簡單查詢由機器人高效解決，還確保了復雜問題得到專業人員的關注，實現了人力資源的最優配置，降低了長期運營成本。大模型從會話文本中，提取關鍵信息（槽位），如時間、地點、具體業務類型等。例如，從“我的銀行卡丟失了要怎么處理”中提取出“銀行卡”和“丟失”這兩個關鍵信息。大模型相比 NLP 小模型，具備很強的泛化能力，能夠識別出絕大多數的實

256、體類型，不需要單獨訓練。從會話中提取關鍵信息2夠更好的解決小模型時代意圖識別準確率和意圖的繼承/跳轉等問題。根據意圖識別和槽位提取的結果，大模型智能進行工具選擇，簡單問題分發給智能機器人，通過 RAG 檢索答案生成；復雜問題轉接到人工客服按流程進行處理。調用不同工具處理客戶訴求3金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能客服100機器人營銷外呼在傳統的電話營銷外呼場景中，企業通常依賴大量的人力資源進行客戶聯系和銷售活動。這種模式不僅耗費時間，而且效率低下，因為人工坐席需要逐一撥打潛在客戶的電話，并試圖在有限的時間內完成產品的介紹和推銷。此外，由于缺乏有效的篩選機制，許

257、多通話可能并不會帶來有價值的商業機會，導致資源浪費。同時，人工質檢的局限性也使得服務質量難以得到有效監控和提升，從而影響了整體的客戶體驗和轉化率大語言模型在營銷外呼中應用帶來多方面的提升，通過個性化溝通、流程自動化、數據驅動的優化以及合規性控制等多方面的支持，可以顯著提升外呼效率和效果，降低運營成本，同時提升客戶滿意度和轉化率；企業應根據自身需求，靈活整合和應用這些技術，打造高效、智能的外呼體系。Agent 概述典型案例某消金公司，通過大模型針對歷史營銷電話生成意圖樹，同時接通大模型的 ASR+TTS，實現大模型智能外呼，同時針對每通電話的交流情況，進行商機挖掘和執行計劃 SOP 流程打通，加

258、速業務的推動效率和降低風險。需求分析傳統的電話外呼，使用 NLP 小模型和規則，面臨以下挑戰：對話理解不足和混淆意圖傳統外呼系統在對話理解和自然語言處理（NLU）方面存在局限性，難以準確識別和處理多意圖和混淆意圖，導致對話流程復雜且容易出錯。劇本流程配置復雜對話管理（DM）的劇本流程配置成本高、維護難度大。嚴格的流程處理使得系統無法靈活跳轉，限制了對話的靈活性和適應性。機械感強，缺乏人性化對話生成（NLG）過程中的回復內容固定，缺乏個性化和情感表達，使得對話顯得機械，無法滿足用戶的情感需求和互動體驗。模力時刻Qwen-72B外呼場景下，基于用戶會話，識別客戶意向與情緒，提升業務效果和用戶體驗。

259、處理意圖識別準確率 90%，情緒感知準確率 95%。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能客服101大模型的識別率超過 8%，相較于傳統 NLP 和人工平均水平有顯著提高。這表明大模型能夠更準確地理解和處理客戶對話，減少了錯誤識別的情況。識別率大幅提升1在采用了大模型技術后，外呼系統關鍵業務指標有所提升：大模型的接通轉化率超過 3%，遠高于傳統方法。這意味著通過大模型進行的外呼不僅更容易被客戶接聽，而且更有可能轉化為有效的溝通或行動，提升了整體業務效率和客戶滿意度。接通轉化率顯著提高2價值分析提升高凈值客戶開發效率借助大模型的高效分析能力，企業能更精確地識別并

260、鎖定高凈值客戶群體，實施針對性的營銷策略，從而大幅提升轉化率和客戶生命周期價值。大模型加持的智能營銷外呼不僅讓企業能夠更專注于挖掘高凈值客戶的潛力，同時也極大地提升了人效比。通過精準識別客戶需求和偏好，利用根據不同用戶特征定制的個性話術，可以顯著提升客戶體驗，增加用戶對品牌的喜愛度，并有效提高收益同時降低客訴率。此外，相比傳統的小模型，大模型在意圖理解和業務路徑選擇上展示了更高的準確性，使得客戶服務更加個性化、響應更加精準。優化用戶體驗與滿意度基于用戶特征的個性化話術定制，使每一次互動都更加貼合客戶需求，增強用戶的好感度和忠誠度，有助于建立長期穩定的客戶關系，促進二次銷售和服務升級。增強意圖理

261、解與服務精準度大模型提高了對外呼叫過程中意圖識別的準確性，確保了業務路徑選擇的合理性，為企業提供了更為精準的服務解決方案，減少了誤操作和服務偏差，進一步降低了客戶投訴的風險。金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能客服102機器人催收外呼傳統的電話催收外呼場景往往依賴大量的人力資源，由專門的催收人員逐一撥打欠款客戶的電話，試圖通過對話溝通促使對方履行還款義務。這種方式不僅耗時費力，而且由于人工操作的局限性，難以保證每次通話的質量和效果。此外，面對海量的客戶數據，傳統催收方式很難做到精準分類和個性化處理，導致效率低下，容易錯過最佳催收時機。同時，人工催收過程中還可能存

262、在語言表達不規范、情緒管理不當等問題，影響客戶體驗并可能引發風險。通過大模型技術優化催收外呼流程，不僅可以提高催收效率和成功率，還能提升客戶體驗，確保合規性，降低運營成本。關鍵在于合理規劃和實施，通過技術與業務的深度融合，實現催收業務的智能化、自動化和個性化。企業應根據自身實際情況，選擇合適的技術方案，并進行持續優化，以充分發揮大模型的優勢，解決催收外呼中的痛點和需求。Agent 概述典型案例某金融機構通過大模型針對歷史催收電話生成意圖樹，在線接通大模型和 ASR+TTS，實現大模型智能催收外呼，同時針對每通電話的交流情況，進行商機挖掘和執行計劃 SOP 流程打通，加速業務的推動效率和降低風險

263、。需求分析傳統金融機構，在做電話催收時面臨著各種痛點：溝通效率低人工外呼需要大量人力，通話時間管理難，催收效率有限。人員培訓和管理成本高新員工需要時間培訓，且質量難以統一。情感識別和應對不足無法實時識別客戶情緒，缺乏有效的應對策略?？蛻魸M意度不高重復性高、缺乏個性化的溝通方式，可能導致客戶抵觸情緒。合規風險大催收過程需要遵守嚴格的法律法規，違規操作可能帶來法律風險。模力時刻Qwen-72B外呼場景下，基于用戶會話，識別客戶還款意愿，推薦對應話術。處理意圖識別準確率 95%，通話輪次增加 50%。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能客服103價值分析智能催收外

264、呼讓企業更聚焦高凈值客戶的深入挖掘，通過大模型實現自動化撥號和智能對話。利用情感分析技術實時監測客戶情緒，動態調整催收策略。建立合規監控模塊，確保催收過程符合法律法規。通過數據分析優化催收目標和策略，提高催收成功率。強化合規性與風險管理內置的合規監控模塊確保所有催收行為符合相關法律法規，幫助企業在追求催收效果的同時，有效規避潛在的法律風險，保障企業的長期穩定運營。提升催收效率與成功率通過自動化的撥號和智能對話，以及基于數據分析的策略優化，大模型使得催收過程更加高效，顯著提高了對欠款的回收速度和成功率。實時情緒響應與個性化催收策略借助情感分析技術，系統能實時感知客戶情緒并據此調整催收策略，實現更

265、加人性化的互動，有助于建立信任關系，提高客戶還款意愿。讓大模型基于歷史催收通話記錄，自動挖掘意圖標簽，經過聚類、篩選，構建出一棵完整的意圖樹，在線上的通話中依據此進行意圖識別?；趯υ挌v史構建催收意圖樹1在每一輪交互中，結合上下文，判斷客戶意圖，精準調用 FAQ 檢索、RAG 問答、SOP 執行等不同業務鏈路，提升服務準確率。在線的催收外呼 Agent2每天的通話記錄，事后可以用大模型對其進行挖掘，包括新增意圖的挖掘，合并回意圖樹；基于通話內容挖掘二次營銷的商機等；對通話內容進行合規性監察，確保安全合規。離線外呼語料處理3金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能客服

266、104客服知識構建在智能客服場景中，面對海量用戶咨詢的需求，傳統客服系統存在知識庫更新成本高、功能有限的問題。本方案通過引入先進的自然語言處理技術和金融級智能體能力，實現了文檔內容的自動抽取及問答對的快速生成，有效解決了信息更新慢、準確率低和響應不及時等痛點。核心技術依托通義千問大模型與智能體平臺，提供了開箱即用的非結構化信息處理、知識庫構建與管理、檢索問答以及持續運營等功能。這一轉變使得從傳統到智能的知識庫，在知識沉淀、管理和應用的全鏈路上完成了智能化升級。這不僅大幅降低了運營成本，提升了客戶滿意度，還為銀行建立了更高效的客戶服務機制，顯著增強了品牌形象和市場競爭力。Agent 概述典型案例

267、需求分析客服系統基于某供應商的傳統知識庫，存在如下問題：語義理解不足依賴于關鍵詞匹配或簡單的模板規則，難以真正理解用戶查詢的語義，導致對復雜或非標準表達的理解能力差。更新維護成本高隨著業務變化和數據結構的更新，傳統的 FAQ 和N2SQL 映射需要頻繁的手動調整，這增加了維護成本和時間開銷。準確性較低由于缺乏深度學習和自然語言處理技術的支持，傳統系統的查詢解析和 SQL 生成準確性不高，容易產生錯誤的結果。擴展性差當業務增長或需求變化時，難以快速擴展以支持新的功能或更復雜的查詢需求。靈活性有限固定的 FAQ 條目和預定義的查詢模板無法靈活適應用戶的多樣化提問方式，尤其是當用戶提出的問題不在預設

268、范圍內時，系統往往無法給出準確的回答或有效的 SQL 轉換。模力時刻Qwen-72B客服坐席輔助場景下，把知識向量化后通過 RAG 召回給大模型回答參考。處理知識召回率 95%。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能客服105利用通義千問大模型的強大能力，系統能夠自動挖掘上傳文檔中的 FAQ 知識點。通過算法分析，系統可以智能識別并提取用戶高頻咨詢的問題與答案。提供兩種挖掘方式：一是從文檔中抽取關鍵信息，二是基于客服對話日志進行分析。挖掘出的知識點在經過業務督導的人工審核后，將被正式錄入知識庫，確保內容的準確性和適用性。構建知識庫內容1知識庫 Agent 通過

269、注冊模型服務，實現與現有模型的無縫對接。管理員可以設定調用大模型的具體時機、超時時間和模型響應閾值等參數，以優化性能和資源使用。配置允許系統根據實際需求靈活調整，確保服務的穩定性和響應速度。Agent 配置與優化2智能體平臺提供了專門的工具用于開發和測試 Prompt，幫助設計有效的提示語句。通過 API 動態獲取 Prompt，確保其與業務邏輯解耦，靈活性更高，進一步提升大模型的應用效果。Prompt 設計與集成3在某銀行，基于通義千問大模型+智能體平臺，構建以遠程銀行需求為背景打造全行知識中心，目前以遠程銀行各基礎產品、管理知識為基礎進行知識中心的建設，功能包括知識庫智能體、RAG 知識庫

270、、提示詞工程等。技術鏈路如下圖所示：價值分析大模型 Agent 的引入為智能客服系統帶來顯著價值：提升服務效率深入理解用戶提出的問題，解析其中的語義和意圖，從而更準確地定位用戶需求提升客服準確性與效率，減輕人工負擔，增強用戶滿意度。確保信息實時可以從大量的非結構化文檔中自動提取關鍵信息，通過文檔抽取，快速更新知識，確保信息準確與時效，增強智能客服系統的響應能力和知識儲備深度。優化知識更新基于現有的數據和內容自動生成高質量的問答對，極大地豐富了智能客服的知識庫，保持知識庫動態更新，優化服務狀態，隨時準備應對各種用戶咨詢。金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能客服10

271、6意圖識別在日常的客服問答場景中，客戶通常通過電話、在線聊天或郵件等方式聯系企業尋求幫助。面對各種咨詢和問題，人工坐席需要快速準確地理解客戶需求，并提供有效的解決方案。然而，由于業務知識的復雜性和多樣性，這對人工坐席的專業知識和應變能力提出了較高的要求。同時，高流動性的人工坐席隊伍也給企業的培訓和管理帶來了挑戰，導致服務質量參差不齊，影響了客戶滿意度?？头R問答 Agent，引入大語言模型技術，通過智能信息輔助、對話管理和操作建議等功能點來增強客服系統的智能化水平。大語言模型能夠實時分析客戶提問并提供精準的答案推薦，減少人工坐席查找信息的時間；在對話過程中，它還能根據上下文動態調整響應策略，

272、確保溝通的連貫性和個性化。此外，針對復雜的業務流程，系統可以自動生成操作指南，指導坐席完成相應任務，極大地降低了對員工經驗的依賴。Agent 概述典型案例需求分析客服系統依賴純人工處理導致效率低下、管理成本高，且因從業人員素質不一，服務質量難以標準化，客戶體驗不穩定。通過大模型與智能體的結合，降低對員工技能的要求，拓寬人才選擇范圍，使服務結果更加一致可控，提升處理效率和服務質量?？傮w需求如下：提升客服系統效率與服務質量實時分析客戶意圖，客服服務過程中客戶提出的問題，自動推送相關應答話術或知識，提高響應速度和服務準確性。利用大模型的語義理解和概要總結能力，進行會話小結和工單總結，確保服務流程的高

273、效性和一致性。數據驅動的智能運營優化提供數據看板功能，管理者可以通過查看各場景的大模型調用次數、每筆交易的服務時長、熱點知識排行以及坐席反饋質量排行等關鍵指標，進行統計分析和優化決策。模力時刻Qwen-72B客服坐席輔助場景下，把知識向量化后通過 RAG 召回給大模型回答參考。處理知識召回率 95%。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能客服107價值分析降低客服的門檻與成本，讓服務質量和客戶滿意度更加可控：系統能夠精準識別客戶需求并即時推薦相關知識，極大提升業務辦理效率。減少對員工高技能的要求，拓寬人才選擇范圍，同時降低培訓成本和人力支出。服務結果更加一致和

274、標準化，每次交互符合最佳實踐，提高客戶滿意度和運營效率。對話內容通過 AI 引擎實時將通話 ASR 處理成文本。實時文本轉換1語音識別結果輸入通義千問大模型，基于預定義的 Agent 任務對信息進行加工分析，并結合增強型知識庫完成文本處理。智能分析處理2大模型對通話內容進行總結分析，自動生成小結摘要和工單。自動總結生成3在某銀行，基于通義千問大模型+智能體平臺，構建坐席的精細化管理和輔助。技術鏈路如下圖所：智能體支持按應用和日期維度的數據統計分析，展示調用次數、服務時長、熱點知識及坐席反饋質量等關鍵指標。數據統計展示4金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能客服10

275、8數字人客服近年來數字人因其互動性、人格化和不間斷服務等特性，在金融領域迅速得到應用并產生顯著價值，獲得了市場的廣泛認可。數字人已深入應用于 C 端用戶服務、品牌合作等多個方面，涵蓋智能服務、虛擬直播和視頻生產等維度，與業務深度融合，創造了實際效益。大語言模型技術取得突破后，無疑是給數字人配備上了先進的“大腦”，集成自然語言處理技術，能夠實時理解客戶意圖，提供個性化營銷建議，并自動處理復雜業務請求，此工作模式極大地提升金融服務的效率和用戶體驗。Agent 概述典型案例需求分析在某金融機構，計劃采用大模型和智能知識庫作為數字人“大腦”，通過集成先進的自然語言處理技術，使數字人能夠實時理解用戶的意

276、圖和情感，從而提供更加自然、流程的交互體驗。同時，支持 H5、WEB 和API等多種接入方式，與數字大屏系統無縫集成，實現智能音視頻的多模態互動。從而提升客戶體驗和運營效率，增強服務的多樣性和靈活性。為了實現知識內容的無縫對接，Agent 通過 H5、WEB 和 API 等接入方式與數字人系統進行集成。新輸入的內容將通過通義千問大模型處理，基于預定義的 Agent 任務對輸入信息進行加工分析，并結合知識庫完成文本內容的處理。知識內容對接與集成1在某金融機構，基于通義千問大模型+智能體平臺，構建數字人“大腦“。經 Agent 處理后的內容信息，通過數字人系統的接口回傳給數字模塊，確保處理結果能夠

277、實時反饋并應用于后續交互中，維持對話的連貫性和準確性。信息回傳與處理2模力時刻Qwen-72B理解對話上下文，基于用戶 query 檢索相關知識，完成答案生成。處理答案生成準確率 90%。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能客服109采用 Agent 智能體的實現方式，數字人系統能夠支持復雜的多輪對話場景。增強對話的靈活性，為未來更多場景的擴展提供堅實的基礎，不斷適應新的業務需求。多輪對話場景支持3技術架構圖如下圖所示：價值分析數字人結合大模型和智能體，顯著提升金融服務的效率與質量。業務價值數字人可以 7*24 小時不間斷服務，覆蓋 C 端用戶服務、品牌合作

278、等多個領域，涵蓋智能客服、手機銀行等多維度應用，與業務深度融合，創造實際效益。其互動性和人格化特征提高客戶滿意度和品牌忠誠度。技術價值大模型和智能體提升對話的精準性和連貫性，支持復雜多輪對話場景。同時靈活接入數字大屏系統，實現智能音視頻的多模態互動。技術組合不僅降低運營成本，還提升服務的智能化水平和響應速度。金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能客服110人工客服助手面向金融機構的運營中心、客戶服務部門、遠程銀行部，輔助坐席服務客戶，解答客戶關于的各類問題；隨著金融業務的持續創新與拓展，客戶群體不斷壯大，業務復雜度呈指數級上升，坐席人員所面臨的知識挑戰愈發艱巨，不

279、僅要熟知大量金融業務知識，還需在分秒必爭的客戶交互中，迅速精準地組織答案，提供專業且準確的回答，對人工客服的知識儲備與響應能力提出了較高的要求。依托大語言模型技術，人工客服問答助手通過檢索企業知識庫，生成答案/話術潤色，提升人工客服知識查找、組織答案效率，提升人工坐席客戶服務效率，有效釋放坐席；此外，縮短客戶等待時間，提升用戶體驗。Agent 概述典型案例需求分析知識查詢效率低知識庫龐大且復雜金融機構知識庫包含海量信息，涉及眾多業務領域與產品，傳統檢索方式依賴關鍵詞匹配，往往導致大量無關結果，坐席人員難以快速找到準確答案，浪費大量時間與精力。知識更新不及時金融業務法規、產品條款等信息更新頻繁，

280、傳統知識庫更新機制滯后，坐席人員可能依據過時信息提供服務，引發客戶不滿與業務風險。答案組織效率低手動整理答案耗時即使找到相關知識，坐席人員仍需花費大量時間手動整理、編輯答案，尤其是在業務高峰期，嚴重影響服務效率與客戶等待時間。使用和理解成本高缺乏有效的檢索工具目前大部分金融機構的 SOP（標準操作程序）知識庫維護依靠 Word、Excel 工具，檢索效率低。理解和使用成本高SOP 知識庫中含有大量術語，表述過于專業，坐席理解和使用成本高。金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能客服111先走大模型 RAG 做知識召回，然后問答助手會生成最終回復話術；若召回結果為空，

281、可流轉到人工服務?？蛻糨斎氲膯栴}1問答助手會支持知識問答、原文溯源展示等功能，便于人工坐席快速校驗回復內容的準確性。在人工服務過程中2采用大語言模型和傳統小模型結合的架構，事前對用戶 query 做改寫，事中對召回的知識做排序，事后對話術進行潤色等，提升回答質量。為了提升問答效果3價值分析在人工客服坐席輔助場景下，使用大模型技術能夠顯著提升業務效率和服務質量：大幅提高知識查詢與獲取的效率大語言模型能夠智能檢索企業龐大的知識庫，通過理解上下文提供精確答案，而非依賴簡單的關鍵詞匹配。這種方式不僅減少了無關結果的數量，還讓坐席人員可以迅速找到所需信息，極大縮短了響應時間，提升業務吞吐量。降低理解和使

282、用知識的成本大模型可以通過簡化術語解釋和優化知識呈現方式，使得復雜的金融概念更容易被理解和應用。這降低了新員工培訓難度以及所有坐席人員理解 SOP（標準操作程序）的門檻，同時提高了整體服務質量，確保每一位客戶都能獲得清晰、專業的解答。增強答案組織與提供的速度和準確性利用大模型自動生成或潤色答案的功能，坐席人員可以從繁瑣的手動編輯工作中解放出來，尤其是在處理復雜金融產品咨詢時，能更快速地提供專業且準確的回答，有效提升了服務效率并減少了客戶等待時間。模力時刻Qwen-72B坐席輔助場景，基于用戶 query 檢索相關知識，完成答案生成。處理答案生成準確率 90%。效果金融行業 Agent 百景圖金

283、融行業 Agent 百景圖 通用 智能客服112App 對話機器人針對金融機構的 App 應用、遠程銀行服務及互聯網金融服務等業務部門，提供對話機器人助手服務已成為提升客戶體驗的關鍵。這類問答機器人不僅需要具備強大的在線問答能力，還需深刻理解客戶意圖，以實現精準的業務目標牽引和場景化線上營銷。通過智能化的服務，這些機器人能夠在滿足用戶需求的同時，促進金融產品的推廣和服務的優化，為用戶提供無縫的數字銀行體驗。采用大語言模型結合檢索增強生成（RAG）技術，可以顯著提升問答機器人的性能與服務質量。大模型的強大自然語言處理能力可直接提高意圖識別的準確性，召回相關知識，提升問題答復的準確率，促進業務目標

284、達成，從而為金融機構帶來更高效的客戶服務和更高的用戶滿意度。Agent 概述典型案例2需求分析在當前在線問答機器人的應用中，存在幾個主要痛點影響了服務效率和客戶體驗：1意圖理解不準確導致輸出答案無效化，這不僅浪費了客戶的時間，還降低了客戶對自助服務的信任度，增加了轉人工服務的需求。由于處理速度慢和答案質量不高，客戶的等待時間顯著增加，進一步加劇了負面體驗，同時也阻礙了業務目標的有效牽引與轉化率的提升。這些問題共同作用，使得在線問答機器人難以實現其預期的服務優化和業務增長目標。提升原有小模型技術架構的準確性，滿足業務場景效果要求。智能回答：采用嚴格匹配 FAQ 知識庫的答案，嚴格保證回答內容的準

285、確性與合規性；智能推薦：支持配置推薦問，根據上一個問題，系統推薦下一個用戶可能要問的問題，減少用戶輸入，進一步提升用戶體驗；問答機器人增強1使用大模型技術，對原有的問答機器人對話系統進行升級，加強其語義理解能力、多輪對話能力、上下文意圖識別、話術推薦等能力，提升問答效果。模力時刻Qwen-72B對話機器人場景，基于上下文和當前 query理解意圖，檢索相關知識完成答案生成，以及調用工具辦理業務。處理意圖識別準確率 90%，工具調用準確率 95%。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能客服113智能引導：多個渠道、多次咨詢不同問題，適時引導，提供業務場景營銷能力

286、延展。知識運營變得重要，大模型強大的語言理解和處理能力，可減少知識運營中的繁瑣工作。知識智能運營：知識生產-知識審核-知識入庫的一整套業務流程操作，提升知識維護的效率；知識重復校驗：支持標準問、相似問/變體問的維護，并支持知識的重復檢驗，自動化提示用戶，降低知識的維護難度；知識即刻更新：支持知識的即刻更新、上線，簡化知識庫上線的流程，降低了時間等待，進一步提升客戶咨詢體驗。大模型時代2某金融機構在使用大模型升級其對話機器人系統后，機器人問答準確率可做到 90%以上，運營后準確率 95%以上，標準答案采納率提升 20%，提升人力效率 60%以上。價值分析大模型在金融 APP 對話機器人上帶來的業

287、務價值主要體現在以下幾個方面：提升問答交互的質量與效率大模型增強了原有小模型技術架構的準確性，確保了智能回答內容的準確性和合規性。此外，通過智能推薦和引導功能，不僅可以減少用戶的輸入操作，還能根據用戶的行為適時提供相關問題或營銷信息，極大提升了用戶體驗和服務效率。優化知識管理流程利用大模型強大的語言理解和處理能力，簡化了從知識生產到審核再到入庫的知識運營流程，提高了知識維護的整體效率。同時，支持標準問、相似問及變體問的維護，并能自動進行重復檢驗，降低了知識維護的難度和成本，確保知識庫的高質量與及時更新。即時響應客戶需求知識即刻更新的功能使得新信息能夠迅速上線，減少了因等待知識庫更新而造成的延遲

288、，確?？蛻糇稍儠r獲得最新、最準確的信息。這不僅提升了客戶的滿意度，還加強了金融機構對市場變化的快速反應能力，有助于實現更高的業務轉化率和客戶忠誠度。金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能客服114智能工單助手面向坐席，包括金融機構的運營中心、客服部門、遠程銀行部，智能工單助手智能整合客服溝通記錄，一鍵生成智能工單。目前，工單多為坐席人工翻閱聊天記錄、手動摘錄關鍵信息，再按照固定格式拼湊成工單內容，操作繁瑣且極易遺漏重要細節，耗費大量時間精力，填寫率不高，溝通記錄中的有效信息未能深度挖掘。智能工單助手采用大語言模型技術，支持接入客服溝通數據，一鍵生成工單，坐席人員工

289、單生成時間答復縮短，提升坐席工作效率，降低運營成本。Agent 概述典型案例大語言模型在客服工單生成中的關鍵技術流程可以總結如下：需求分析面對日益增長的客戶服務需求與復雜多樣的業務場景。坐席人員在處理客戶咨詢與業務辦理過程中，需要人工填寫工單，填寫率不高，客服溝通歷史溝通記錄中的數據未充分挖掘；智能工單助手支持一鍵填寫工單，提升坐席的工作效率，輔助坐席人員更好的跟進事項。多渠道數據接入能夠無縫對接客服系統、電話錄音系統、在線聊天平臺等多種渠道的客服溝通記錄，確保全面收集客戶與坐席之間的交互信息，包括文字、語音、圖片等多種形式的數據。業務系統連接智能推送到下游業務系統，便于業務人員及時跟進。工單

290、智能填寫將整合后的客服溝通記錄信息自動填充到工單模板的相應字段中，無需坐席人員手動錄入，大大提高工單生成的速度與準確性。對于一些需要進一步確認或補充的信息，系統會智能提示坐席人員進行核實與完善。模力時刻Qwen-72B基于客服通話記錄，判斷工單類型，提取關鍵槽位信息。處理工單模板選擇準確率 95%，槽位提取準確率 90%。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能客服115價值分析在客服工單智能生成中，大模型的業務價值主要體現在以下幾個方面：大幅提升工單生成效率通過一鍵自動生成工單，顯著減少了坐席人員手動創建工單的時間，從原來的 10-15 分鐘縮短至1-2 分鐘

291、；這種效率的提升不僅加快了客戶服務速度，也極大地降低了人力成本和運營開支。優化客戶體驗與業務流程大模型能夠迅速將客戶需求轉化為工單，并自動推送至相應的下游業務團隊，確保問題得到及時處理；快速響應客戶需求，縮短了業務周轉時間，提升了客戶的滿意度和企業的整體運營效率。選定模板后，模型從通話記錄中提取關鍵信息（槽位），填充到模板中。這些信息被自動填充到模板的相應位置，生成完整的工單內容。槽位提取與內容拼接2下圖為在一通客服電話結束后，大模型基于通話記錄自動生成工單的流程：客服通話記錄輸入到 Qwen 大模型后，模型首先進行工單模板的分類識別。根據通話內容，模型選擇最合適的工單模板（如工單模板-1、工

292、單模板-2 等）。工單模板分類識別2生成的工單內容通過模型進一步優化和校驗后，寫入工單系統。工單系統接收并存儲這些工單，以便后續處理和跟蹤。工單系統寫入3金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能客服116智能投訴預警在當前企業運營中，客戶投訴的及時預警對于維護品牌聲譽、提升客戶滿意度和優化產品服務至關重要。然而，傳統的投訴處理系統常常面臨諸多痛點，如數據量大且結構復雜、實時性差、分類不準確等。借助大模型，可以有效解決這些痛點，滿足投訴預警的需求。大語言模型在投訴預警場景下發揮著重要作用，其強大的自然語言處理能力使其能夠理解和處理各種語言表達，適應多樣化的投訴內容。同

293、時，該模型具備高效的數據處理能力，可以快速處理海量數據，實現實時分析和預警，確保企業能夠在第一時間采取行動。此外，通過深度學習技術，大模型還能進行精準的情感分析與分類，準確識別情感傾向并分類不同類型的投訴，幫助企業更好地理解客戶情緒，及時有效地解決問題，從而提升客戶滿意度和忠誠度。這些功能共同作用，不僅提高了企業的響應速度和處理效率，也為維護企業形象和預防潛在風險提供了有力支持。Agent 概述典型案例某金融機構使用大模型在投訴預警場景，進行客戶的通話內容進行風險預警和策略應對，降低潛在的監管投訴和輿情風險。使用大模型針對每通電話的交流情況進行分析，打標、風險評估，并與風控的 SOP 流程打通

294、，加速業務的推需求分析投訴預警的主要痛點：實時性要求高及時發現潛在的危機性投訴，快速響應，以防止負面情緒蔓延。數據量龐大且多樣化客戶投訴數據來源廣泛，包括社交媒體、客服熱線、電子郵件、在線評價等，數據量巨大且格式多樣，處理難度大。分類與識別困難投訴內容復雜多樣，涉及不同的產品、服務和問題，人工分類耗時且易出錯。模力時刻Qwen-72B基于用戶通話內容，感知客戶情緒，投訴提前預警。處理情緒識別準確率 85%，預警正確率 90%。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能客服117如上圖所示，是大模型產出的一段分析識別結果，明確指出了風險信號，并提示客服人員要及時介入

295、并處理。如果是在線業務，可以直接在客服工作臺上進行提示；如果是離線挖掘，可以生成對應工單給到客服人員跟進處理。動效率和降低風險。通常采用的技術實現方案是 LLM+Prompt+RAG。在 Prompt 提示詞當中，明確列出需要大模型識別的情緒類別、語言風格、行動傾向等，LLM 會基于其強大的語言理解能力，從海量會話記錄中進行識別與打標；另外在企業知識庫中可以存儲一些關鍵詞庫、歷史風險話術等，使用 RAG 檢索召回，輸入給 LLM 進行識別與判斷。價值分析智能投訴輔助通過借助大模型的強大數據處理和分析能力，企業可以有效提升投訴預警系統的精準性和實時性，及時應對客戶反饋，優化產品和服務，維護品牌形

296、象。實施過程中需注重數據質量、模型選擇與優化，并結合實際業務需求，構建適應性的預警體系，以實現持續改進和業務增長。提升響應速度與決策質量通過即時分析大量客戶反饋，企業能夠在問題初期就做出快速反應，減少負面信息擴散的風險。大模型提供的深入洞察幫助管理層制定基于數據驅動的決策，增強解決問題的有效性。優化客戶服務體驗準確的情感分析和分類功能使得企業能夠更好地理解客戶需求和情緒，提供更加個性化的服務解決方案。這種對客戶需求的高度敏感促進了客戶滿意度的提升，進而增強了客戶的忠誠度。促進產品和服務創新持續收集并分析來自客戶投訴的數據，有助于發現現有產品和服務中的不足之處，為企業的產品改進和服務優化提供依據

297、。這種基于用戶反饋的迭代過程推動了企業的創新發展，提升了市場競爭力。金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能客服118智能語音分析在客服領域，通話記錄分析是一項關鍵活動，它通過對客服與客戶之間的對話進行錄音轉寫和數據處理，幫助企業評估服務質量、監控業務流程效率以及洞察客戶需求。這項工作不僅涉及到對單個通話的詳細審查，還包括跨多個通話的數據挖掘，以發現趨勢、識別常見問題及衡量客戶滿意度。智能語音分析 Agent，使用大語言模型技術，極大地增強了通話記錄分析的能力。首先，通過深度學習算法，大模型能夠高效地將語音轉化為文本，并在此基礎上實現精準的語義理解和上下文感知。這使

298、得系統可以自動檢測出服務態度、流程合規性和回答準確性等方面的問題。其次，利用大數據分析手段，大模型支持對海量通話記錄進行全文檢索和復雜規則組合分析，從而生成詳盡的質量報告。這些增強功能不僅提高了質檢工作的效率和覆蓋率，還確保了評估標準的一致性，為企業提供了更加科學、客觀的決策依據。Agent 概述典型案例智能語音分析 Agent，可應用于銀行、證券、保險、互金等多個行業的的呼叫中心，對不同業務進行語音質檢分析，分析服務的規范性，了解客戶服務情況，挖掘服務數據的價值。需求分析大型企業機構的客服熱線每天約處理數萬個通話，而質檢人員對這些通話錄音只能通過人工測聽的方式進行抽檢，測聽抽檢比率低，質檢工

299、作量大、效率低且覆蓋率低，難以有效評價整體服務質量。與此同時，目前的經營分析系統缺乏對客服熱線錄音數據的處理和分析，而錄音數據能直接反映客服熱線的效率和質量以及客戶的滿意度和忠誠度。所以當前的經營分析系統中，客服質量分析難以實現有效監控客戶服務的效率和質量，無法為經營決策提供最直接的、最有效的參考依據。隨著大模型技術的出現，國內語音分析產品的發展，結合業務實際需求，引入智能語音分析 Agent，根據質檢規則實現坐席通話錄音的質量檢測,成為企業提高坐席綜合素質必不可少的手段之一。語音的全文檢索、質檢規則的多樣化組合分析、全面的質檢規則和準確的質檢結果反饋，能夠針對坐席的通話錄音提供詳細的分析和準

300、確的結果反饋，以便實現對坐席的通話質量實行宏觀的把控，并對企業的業務經營分析提供數據依據。模力時刻Qwen-72B基于客服通話記錄，基于提示詞規則集檢測客服人員工作質量，識別客戶滿意度。處理客服話術質檢準確率 90%，客戶滿意度識別取準確率 95%。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能客服119簡要流程描述如下語音分析系統的語音識別引擎對錄音進行轉寫，將錄音轉寫為文本，同時得到錄音屬性信息。屬性信息2業務系統通過系統對接，將隨路和錄音文件傳進語音分析系統。分析系統1語音分析系統的大數據分析引擎結合大模型對轉寫文本和質檢結果，進行大數據分析，得到數據分析的結果

301、。分析結果4語音分析系統的大數據分析引擎結合大模型根據隨路數據和質檢規則進行質檢，得到質檢結果。質檢結果3價值分析通過引入大模型技術，智能語音分析 Agent 顯著提升了客服語音分析的能力，并為企業帶來了以下業務價值：數據結構化與深度洞察利用大模型的強大自然語言處理能力，智能語音分析 Agent 能夠將海量的客服通話錄音高效、精準地轉化為文本格式。這不僅使得非結構化的音頻信息變得易于檢索和分析，而且還能挖掘出深層次的信息，如情感傾向、意圖識別等，從而為企業的數據分析提供了堅實的基礎。智能化質檢與效率飛躍大模型賦能的語音分析系統實現了對全量通話記錄的自動化質檢，極大地提高了質檢的覆蓋率和準確性。

302、該系統基于預設的質檢規則，可以快速篩選出潛在的問題通話，并提供詳細的文本分析報告。質檢人員可以依賴這些智能分析結果進行二次審核，或直接查看轉寫文本以加快質檢流程，從而顯著提升工作效率。服務品質優化與客戶滿意度提升通過智能語音分析 Agent 的應用，企業能夠實時監控和評估客服團隊的表現，確保服務質量達到高標準。大模型支持的情感分析功能可以幫助識別出客戶的情緒變化，使企業能夠及時采取措施解決客戶問題，增強客戶體驗。此外，通過對優秀服務案例的學習，企業還可以不斷改進培訓計劃，促進員工技能的發展，進而提高整體服務水平。商業智能與戰略決策支持智能語音分析 Agent 利用大模型技術深入解析大量的客服對

303、話數據，為企業提供有價值的商業見解。無論是市場趨勢預測、客戶需求洞察還是產品改進建議，都能從詳盡的數據分析中獲得。這種基于大數據的洞察力有助于企業制定更加精準的市場營銷策略和產品發展規劃，最終推動業務增長和競爭力的提升。金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能客服120電銷助手在金融領域，電話機器人被廣泛應用在多個場景中，如營銷推廣、客戶服務和信貸催收。在營銷方面，電話機器人能夠自動撥打潛在客戶的電話，根據預設的腳本進行產品介紹和優惠活動通知；客戶服務方面，它們可以提供即時響應，解答客戶關于賬戶信息、交易狀態或產品服務的疑問，確?？蛻臬@得及時的幫助和支持，增強客戶滿

304、意度。這些自動化操作不僅提升了工作效率，還保證了服務流程的一致性和規范性。電銷助手 Agent，融合了通義大語言模型、語音識別與語音合成等多項大模型技術，具備強大的數據處理和交互能力，它能夠理解人類語言，模擬真實對話場景，完成電話接聽、信息推送、客戶咨詢解答、意向篩選等一系列任務。Agent 概述典型案例需求分析理解與響應客戶需求要求對話體驗接近自然人類的交流，在對話過程中，如果客戶提出問題或打斷話語，機器人能夠實時調整其對話策略，靈活應對各種復雜情況，保證對話的連貫性和效率。全天候、不間斷的客戶支持服務，確保服務的時效性和質量持續的優化不斷優化其對話模型，以更好地適應不同客戶的需求和市場變化

305、。金融行業合規如何在復雜的消費金融場景中準確識別違規行為？如數據泄密、人工客服不可控。效率與客戶體驗提升根據不同客戶的需求提供定制化的溝通和服務，從而增強顧客的滿意度和忠誠度。模力時刻Qwen-72B基于用戶歷史通話記錄，以及畫像標簽，生成個性化外呼話術。處理營銷外呼接通率提升 30%。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能客服121通過外呼機器人智能批量外呼，針對潛在用戶群體進行個性化話術溝通。憑借語音識別與自然語言處理能力，外呼機器人不僅完成了大量初步篩選工作，還準確識別出客戶的潛在需求與意向等級。對于高意向客戶，機器人即時流轉至人工坐席，確保跟進的時效性

306、和專業性。短短數月內，該銀行信用卡新增激活量顯著提升。某知名銀行信用卡中心面臨客戶增長瓶頸，傳統營銷方式效率低下且成本高昂。智能外呼機器人被引入后，采用基于大模型的人機對話系統架構，實現意圖識別、意圖預測、用戶畫像、上下文理解等核心能力，為客戶提供“千人千面”的精準智能服務。價值分析效篩選意向客戶自動撥打大量電話，對潛在客戶進行快速篩選。通過大模型精準識別客戶意向，篩選出高意向客戶，為后續跟進提供有力支持。這一功能極大地降低了人工篩選的成本和時間，提高了營銷效率。個性化營銷溝通機器人能夠根據客戶的畫像和歷史數據，進行個性化話術溝通。例如，針對銀行信用卡中心，機器人可以分析歷史客戶數據，構建精準

307、用戶畫像，然后智能批量外呼，針對潛在用戶群體進行個性化營銷。這種個性化的溝通方式不僅提高了客戶的滿意度，營銷效果提升 30%。提升客戶體驗智能外呼機器人支持多種語言自由切換，能夠跨越語言障礙，為全球客戶提供無障礙的智能客服體驗。同時，機器人還能夠將通話內容轉化為文字，方便人工進一步了解查看。這種便捷、高效的溝通方式不僅提升了客戶體驗，還增強了企業的全球用戶觸達能力，平均通話時長相比傳統機器人提升 100%，交互輪次相比傳統機器人提升 83%，客戶滿意度提升 28%。金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能客服122客戶經理績效助手各分支行、員工的績效關注點各不相同，

308、想查詢超出標準報表的指標需要向科技人員提出書面需求，并在取數過程中與科技人員反復核對數據口徑、取數邏輯。業務人員很難及時獲取數據，科技人員也要付出大量精力以應對?；诖竽Ｐ偷闹悄軉枖抵肿寴I務人員無需掌握編程技能，通過自然語言對話即可查詢出數據庫中的數據。也可通過自然語言對話的方式自助生成報表，美化樣式，添加查詢，調整數據，輔助分析。Agent 概述典型案例模力時刻Qwen2.5-32b+Lora理解客戶意圖，將客戶提問轉寫為績效指標查詢語句。意圖識別準確率 90%以上，指標查詢準確率80%以上。處理效果QwQ-32b理解客戶意圖，通過推理邏輯解為客戶分析績效指標問題及提升建議。意圖識別準確率

309、 90%以上，回答內容采納率50%以上。處理效果需求分析面對業務部門繁多的取數需求，科技人員疲于應對業務部門會針對自己的績效指標細節產生大量取數需求，需要有權限并掌握編程技能的科技人員配合抽取。導致大量科技人員需要擠出時間完成取數取數口徑理解差異，反復抽取核對業務人員與科技人員對數據的理解存在差異，導致數據抽取結果偏離業務人員預期，需要雙方反復核對口徑并取數校驗。業務人員需要依賴科技人員制作報表將頻繁使用的指標構建固定格式報表，是解決頻繁取數的有效方法。但業務人員只有在科技人員的支持下才能創建報表對外發布，報表的修改也需科技人員支持。對業務數據的分析依賴業務人員經驗只有有經驗的業務人員才能做好

310、數據分析工作，新員工缺乏分析助手輔助。某銀行基于通義大模型及 QuickBI，使用智能小 Q 功能實現了基層員工通過自然語言對話的方式每日自主問詢業績指標。并通過自然語言對話的方式搭建各分行績效報表，并輔助生成分析報告。金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能用數123價值分析業務人員自主問數，無需通過科技人員業務人員以自然語言的方式向大模型問數用數。交互過程中，即便是金融專業知識、行話俗語也可被準確理解并生成相應的取數動作。取數用數無需再提請取數流程，無需求助于科技人員編寫 SQL 程序。大模型輔助歸因分析，讓新員工快速上手客戶經理績效問數 agent 內置了金融

311、行業常見的績效數據分析場景，可快速應用于歸因分析、客戶畫像分析、客戶商機挖掘等業務場景。使得新員工也可快速上手過去需要具備專家經驗的工作。業務人員自主掌控取數口徑，無需與科技人員反復核對基于大模型的多輪對話能力，業務人員可在問數過程中邊取數邊查看樣本數據，逐步確認數據口徑、約束條件直至最終確定準確的數據范圍。無需再與科技人員反復解釋核對。業務人員自主創建報表，無需依賴科技人員制作通過大模型的智能報表搭建 agent，業務人員可以自然語言的方式指導 agent 搭建數據分析報表并發布。無需通過科技人員或自行學習 BI報表技能。一線員工每日自主問詢業績，時效可達 T+1，粒度可至末級產品，范圍涵蓋

312、業務規模、FTP 利潤/EVA、風險。員工自主業績查詢1在標準報表模板的基礎上，分行管理人員可根據自己分行特點與需求通過對話方式調整數據元素、圖表對象及報表格式分行業績報表自主搭建2對各項數據都內嵌常見歸因分析，輔助一線業務人員快速定位問題。歸因分析輔助3金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能用數124智能問數助手金融行業經過多年的從底層技術到上層應用到數據基礎設施建設，基本已經實現了數據統一建設及管理。如何讓業務人員更好的自主完成數據分析和應用是金融行業下一階段的重點探索的目標，業務人員可以按照個人的分析意圖準確的找到數據、聚合數據、分析數據，有效改變傳統的業務

313、與科技之間過度依賴“要數工單”的數據應用結果傳遞模式。智能小 Q 是基于大模型打造自然語言對話式數據分析智能應用。讓業務人員無需掌握編程技能，通過自然語言對話的方式便可自主獲取數據及數據歸因分析，實現數據應用的即問即得。為用戶帶來全新的數據分析、數據洞察的操作體驗，極大提升數據分析效率。Agent 概述典型案例需求分析數據智能分析借助智能化數據分析工具功能僅需要將數據應用需求通過自然語言輸入的方式能夠自動完成數據計算代碼生成、數據計算以及應用結果可視化呈現，并且能夠對數據結果進行提煉總結，以一句話的形式表達出智能數據分析結果的主題答案。駕駛艙補充問答駕駛艙作為金融行業經營管理的重要基礎設施，智

314、能數據分析應該能夠深度集成到駕駛艙，管理人員在查看駕駛艙內的指標卡片過程中，如果對某些指標存在疑問或者臨時想查看某個關鍵指標，可以通過對話的方式完成數據指標即時答復及呈現。數據特征洞察對于數據分析的結果能夠進行深層次的洞察以及歸因分析，尤其在數據出現大幅波動的情況下能夠智能識別出造成波動的根本原因。某銀行基于智能小 Q 構建智能問答的數據分析體系，圍繞銀行資產負債管理、分支行經營賽、績效考核馬等場景實現面向各機構領導的智能數據應用模式。同時，結合 QuickBI 可視化儀表板的能力打造面向領導駕駛艙的智能問數模式，充分滿足行方將傳統駕駛艙與 AI 數據智能分析有效結合的應用體系。模力時刻Qwe

315、n2.5-32b+Lora理解客戶意圖，將客戶提問轉寫為數據查詢語句。處理意圖識別準確率 90%以上，數據查詢準確率 80%以上。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能用數125價值分析提升效率通過自然語言交互，快速獲取數據洞察，減少人工查詢和分析的時間。降低門檻非技術用戶也能輕松完成靈活、自主的數據分析。加快決策智能問數可以通過對大量復雜數據的快速分析、異常洞察，為決策提供支持。通過智能問數，銀行行業可以更高效地利用數據資源，提升對數據價值的洞察力，釋放數據的潛在價值?；谛袃榷喾N場景的數據集面向管理部門以及業務團隊進行靈活的對話式數據分析。對于用戶提出的問

316、題、智能小 Q 結合通義大模型完成NL2SQL 解析轉換，并對結果數據進行提煉總結進一步提升數據面向業務人員對可理解性。智能問數分析1應用效果：將智能問數的能力嵌入到銀行的經營駕駛艙內。在經營駕駛艙內無法窮舉所有指標卡片并進行可視化展現，因此將智能問數嵌入到駕駛艙內，能夠對于沒有呈現出來的指標進行快速的即問即答，提升駕駛艙數據內容服務的全面性。駕駛艙智能分析2報表數據洞察異常識別：面向駕駛艙一鍵開展數據洞察以及異常點分析，對于存在大幅異常波動的指標能夠進行逐層下鉆找到造成異常的根本原因。智能問數波動歸因分析：支持對問數的結果一鍵開展波動歸因分析快速找到造成并波動的主要原因，業務人員可以按照需求

317、能夠靈活定義歸因的時間范圍、拆解維度等信息，滿足個性化數據歸因分析。數據洞察分析3金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能用數126智能搭建助手金融機構已構建了企業級報表平臺，并開發了龐大的報表體系。但一線分支機構、員工對報表的需求多種多樣，想創建自己的定制報表需要向科技人員提出書面需求，并在報表搭建過程中與科技人員反復溝通核對數據口徑、加工邏輯、報表樣式。耗時耗力，牽扯了業務、科技人員大量精力基于大模型的智能搭建助手讓業務人員無需掌握 BI 報表搭建技能，通過自然語言對話即可自助生成報表，制作數據圖表，美化樣式，添加查詢。Agent 概述典型案例某銀行基于通義大模

318、型及 QuickBI，使用智能小 Q 功能實現了業務人員通過自然語言對話的方式方式搭建各分行績效報表，并輔助生成分析報告。需求分析面對業務部門繁多的報表需求，科技人員疲于應對業務部門在生產經營過程中會產生大量取數、報表搭建需求，需要有權限并掌握編程技能的科技人員配合抽取。導致大量科技人員需要擠出時間配合完成。數據、報表理解差異，反復核對溝通業務人員與科技人員對數據、業務邏輯、報表的理解存在差異，導致最終結果經常偏離業務人員預期，需要雙方反復核對溝通。業務人員需要依賴科技人員維護報表業務人員只有在科技人員的支持下才能創建報表對外發布，報表的修改維護也需科技人員支持。導致報表更新時效慢。模力時刻Q

319、wen2.5-32b+Lora理解客戶意圖，將客戶提問轉寫為報表構建指令。處理意圖識別準確率 90%以上，報表構建行動準確率 80%以上。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能用數127業務人員通過自然語言對話的方式即可完成報表搭建，無需掌握編程技能也無需技術人員支持。大幅降低定制報表門檻1在標準報表模板的基礎上，分行管理人員可根據自己分行特點與需求通過對話方式調整數據元素、圖表對象及報表格式。業務人員自主把控調整報表2對各項數據都內嵌常見歸因分析，輔助一線業務人員快速定位問題。歸因分析輔助3價值分析業務人員自主搭建，無需通過科技人員業務人員以自然語言的方式搭

320、建定制報表。交互過程中，即便是金融專業知識、行話也可被準確理解并生成相應的動作。取數用數無需再提請取數流程，無需求助于科技人員編寫代碼。業務人員自主掌控報表邏輯，無需與科技人員反復核對基于大模型的多輪對話能力，業務人員可在報表搭建過程中邊取數邊查看樣本數據，逐步確認數據口徑、約束條件、計算邏輯直至最終確定報表樣式。無需再與科技人員反復解釋核對。業務人員自主維護報表，無需依賴科技人員制作業務人員可以自然語言的方式指導 agent 修改已有報表并重新發布。無需通過科技人員即可即時維護。金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能用數128數據資產問答在大數據時代，金融客戶在

321、數據分析的過程中往往面臨找數難、用數難的問題。業務人員不了解數據資產結構，往往需要數據技術人員的支持，按照 IT 建設的模式提出數據加工需求或者取數需求。在大模型技術的支撐下，智能小 D 將大模型、數據資產、業務人員進行融合組織，將數據檢索過程從“被動查詢”轉變為“主動發現”，讓業務人員通過對話方式找表、找指標、找 API、知曉表使用場景及使用方法等。Agent 概述典型案例在金融客戶，基于通義千問大模型，并結合全域數據資產、文件構建成企業級的數據資產知識庫，同時進行專家微調，最后將大模型產出內容輸出到 ChatBot 里面，實現數據資產的智能問答?？傮w技術流程如下圖所示：需求分析線下互動，時

322、間周期長業務人員難以直接使用數據，過度依賴技術人員解讀數據邏輯，形成溝通瓶頸，每次需求需協調數據工程師、分析師等多角色，平均耗時 2-3 天，且易因需求傳遞偏差導致返工。業務人員數據能力缺業務人員往往難以準確評估數據的完整性、一致性和可靠性，缺乏對數據采集邏輯、清洗規則及潛在偏差的識別能力。同時面對技術術語（如數據模型、字段定義）時，業務人員難以將其映射到實際業務場景，導致需求表達模糊或分析結論偏離業務目標。找數難、用數難科技當前提供的數據資產服務，查找效率低，理解成本高，定位數據難；同時傳統架構依賴單一技術元數據（如字段類型、存儲位置），缺乏高效的檢索能力和語義關聯分析，導致跨源數據查詢響應

323、慢、資源消耗高?，F有的數據分析場景中，往往以被動支持的方式滿足業務需求，這個過程存在業務數據支撐耗時較長，投入成本高等問題。模力時刻Qwen2.5-32b+Lora理解客戶意圖，將客戶提問轉寫為數據知識查詢指令。處理意圖識別準確率 85%以上，數據知識回答準確率 75%以上。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能用數129系統識別策略類問題還是資產問答類問題。例如 1、我是業務負責人，今年營銷活動目標是MAU提升20%，數據能幫我做什么？2、我是產品運營人員，我想了解*產品的銷量指標定義是什么？用戶問題輸入1基于通義千問基模，以 RAG 形式進行推理。大模型推

324、理21、整合企業內核心知識資產，包含業務模型、業務流程、組織架構，元數據模型、專有知識、詞匯、術語等。2、整合企業所有結構化、非結構化數據，包含結構化：表、指標、標簽、報表、數據集、API。文檔：PPT、Word、Excel、Txt、PDF。媒體：音視頻等。全域數據資產整合3基于大模型高效實現數據資產問答，滿足業務人員找表、找指標、找 API、問表使用場景及使用方法等需求場景，找數、用數上極大提升了效率。價值分析提高理解效率使用數據資產問答助手，能夠對數據資產進行多維度的刻畫，并豐富業務屬性，加速業務人員對數據信息的吸收，提供數據的確信與理解能力。提效降本業務人員可借助數據資產問答助手，高效查

325、找到自己業務想用的數據資產以及解決方案，業務人員也能夠更加自主的進行數據的分析，極大的提升數據分析的效率，同時也釋放部分科技人員解答數據問題的成本。金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能用數130存款分析助手存款增長及成本控制是銀行經營中的重要工作。分支行管理人員及一線人員都希望能有銀行經營分析方面的專家每天針對本行/自己的存款業務進行分析，指出當前面臨的問題及潛在商機。銀行存款分析助手智能體便是基于阿里云通義系列大語言模型，將銀行經營分析專家知識進行編排，形成銀行存款經營的數個典型分析方案。通過交互對話的方式，輔助引導銀行人員存款分析的工具。Agent 概述典型

326、案例需求分析依賴經驗人員銀行存款分析商機挖掘是一項十分依賴專家經驗的工作。培養一名能從數千乃至上萬數據信息中抓住關鍵信息洞察存款業務中隱藏的問題，進一步分析出潛在客戶商機的數據分析人員需要數年時間。合格的分析專家在每一家銀行都是稀缺人才。銀行存款增長及波動分析，存款商機挖掘需要有經驗的業務人員耗費較多精力進行專項分析，而且分析結果通常會因人的經驗差異而不同。人工分析效率低存款業務涉及產品、客戶、地域、市場利率、同業競品等多方面，各項數據少則萬成千上萬條，多則過億。且每家銀行各系統記錄的數據都是散落于各個角落，需要經驗人員把數據歸集構建，然后靠人工分析將耗費巨大的人力資源及時間。難以統一標準化分

327、析人員對當前業務狀況的判斷結果很大程度上會受其個人經驗、過往案例的影響，甚至分析人員工作時刻的狀態也會導致結果差異。銀行存款分析助手是構建于銀行現有的數據集市之上。通過 agent 編排能力把傳統分析模型、報表與大模型分析agent 相結合，讓銀行現有數據、模型繼續發揮能力。同時通過調用大模型能力對現有數據分析進行補充，獲得更優效果。模力時刻QwQ-32b理解客戶意圖，通過推理邏輯解答客戶問題。處理意圖識別準確率 90%以上，回答內容采納率 70%以上。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能用數131數據層依托于銀行已構建的核心交易、客戶、產品、管會、區域市場

328、統計等數據集市，并對存量數據集市做適當修改以適應大模型數據處理量大但算力需求也十分突出的特點。數據層1某銀行基于通義大模型，使用點金平臺工具搭建了銀行存款分析 agent。實現了在十多分鐘內完成一家分支機構的存款分析并生成報告。該 agent 將全行數據分析專家共同總結出的分析思路及流程步驟通過智能體編排的形式固化在了 agent 流程中，使得任何人都可以獲得專家經驗支持，自主操作便可獲得標準化結果。分析層是對數據挖掘、分析的主要層級。首先對銀行已構建的模型代碼、分析報表進行檢視，評估現有分析方法的待優化部分，其中可通過大模型提升能力的則構建相應的 agent。如客戶畫像 agent、主賬戶流

329、出追蹤 agent 等。通過將傳統分析方法與大模型相結合，提高分析的準確性并拓寬覆蓋面與深度。分析層2應用層負責將存款業務分析思路、結果向一線業務人員傳授。存款分析是一項較為專業的工作，很難要求所有一線業務人員都熟練掌握。通過存款分析助手 agent 相關的流程編排，引導一線業務人員的用數及分析思路，讓分析結果能被相對容易理解并應用。應用層3價值分析專家經驗總結沉淀通過大模型 agent 編排構建的過程，是把專家經驗總結固化沉淀在計算機中的過程。其中每一個大模型 agent并非是替代傳統小模型、分析過程、業務數據，而是通過大模型的能力拓展存量模型與數據的智慧邊界。大模型agent 讓過往沉淀的

330、專家經驗得到沉淀與傳承，為存量科技能力注入新的活力。標準化分析通過大模型 agent 編排使得銀行存款業務分析成為標準化的流程，避免了人為評估業務狀態，挖掘客戶需求商機時的隨機性與偏差。使得全行所有機構存款業務的評價都沿用統一的標準及體系流程。高效分析通過大模型 agent 編排批量處理海量的數據信息，避免了過往靠專家人工判讀分析的漫長過程。實現高效的存款業務分析。金融行業 Agent 百景圖金融行業 Agent 百景圖 通用 智能用數132貸款分析助手貸款業務是銀行經營的核心業務。對貸款的分析與管理是規模、風險、效益多方面平衡的藝術，只有具備豐富經驗的專家才能勝任該項工作。如果能把銀行貸款專

331、家的經驗及典型案例總結歸納為標準化分析典范并讓一線人員都能得到指導和幫助，將會大幅提升銀行一線貸款人員的業務素質。銀行貸款分析助手智能體是基于阿里云通義系列大語言模型，將銀行貸款專家知識進行編排，形成銀行貸款分析的數個典型模式。通過交互對話的方式，輔助引導銀行人員貸款分析的工具。Agent 概述需求分析依賴經驗人員貸款經營分析及商機挖掘是一項十分依賴專家經驗的工作。培養一名能從成千上萬數據信息中抓住關鍵信息，能從數據中洞察業務問題、挖掘潛客，并能將客戶需求與本行產品匹配，能平衡風險與收益的貸款經營專家是漫長且可遇不可求的過程。經驗豐富的貸款專家在每一家銀行都是稀缺人才。銀行貸款業務經營分析需要

332、經驗豐富的專家耗費較多精力進行專項分析，而且分析結果通常會因人的經驗差異而不同。人工分析效率低貸款業務涉及客戶與業務、風險與效益多方面。相關的各項數據少則數百項，多則過萬。每家銀行各系統記錄的數據都是散落于各個角落，需要經驗人員把數據歸集構建，然后靠人工分析將耗費巨大的人力資源及時間。難以統一標準化分析人員對客戶的判斷結果很大程度上會受其個人經驗、過往案例的影響，甚至分析人員當時的狀態也會導致結果差異。典型案例模力時刻QwQ-32b理解客戶意圖，通過推理邏輯解答客戶問題。處理意圖識別準確率 90%以上，回答內容采納率 70%以上。效果金融行業 Agent 百景圖金融行業 Agent 百景圖 通

333、用 智能用數133某銀行基于通義大模型，使用點金平臺工具搭建了貸款經營分析 agent。實現了在十余分鐘內完成一家分支行的貸款業務分析，并返回指標結果及生成報告。該agent 將全行有經驗貸款專家共同總結出的分析思路與典型問題方案通過編排的形式固化在了 agent 流程中，使得任何人都可以獲得專家經驗支持，自主操作便可獲得標準化結果。銀行貸款分析助手是構建于銀行現有的數據集市之上。通過 agent 編排能力用領域專家經驗設計的分析流程與范式把傳統分析代碼、模型與大模型分析 agent相結合，讓銀行現有數據、模型繼續發揮能力。同時通過調用大模型能力對現有數據分析進行補充，獲得更優效果。數據層依托于銀行已構建的核心交易、客戶、風險、產品、管會等數據集市，并對存量數據集市做適當修改以適應大模型數據處理量大但算力需求也十分突出的特點。數據層1分析層是對數據挖掘、分析的主要層級。首先對銀行已構建的分