外滩大会背后的

—— 金融AI从单点应用到基础设施的范式跃迁深度拆解

一、9月的外滩，风向变了

如果你还停留在「金融大模型就是给客服加个机器人」的印象，这三条现场消息值得逐条看：

信号一：发布Agentar金融版——「智能体超级工厂」。

信号二：银行确立「Agent First」原则。

信号三：提出范式判断。

金融AI的竞赛，已经从「谁的模型参数大」切换到「谁的智能体工厂产能高」。

二、范式跃迁：金融AI的四代演进

三、拆解智能体工厂：五层架构

按架构师视角从下往上拆，一个金融级智能体工厂共五层：

三个值得划重点的设计：

四、岗位协同长什么样：一个真实案例

从公布的零售金融案例，把「岗位协同」讲得很具体：

传统流程里，客户经理要跨多个系统调取客户资产、交易行为、产品持有信息，人工完成客群筛选、产品匹配与触达策略——流程分散、周期长。

五、Agent First：一场组织架构重构

后台，八大AI工作台里已披露的三个，数据都很硬：

六、FDE+SaS：商业模型与架构的合流

七、投研工作流：券商的接入样本

垂类路线的落地样本，看多智能体投研平台：

• 今年7月发起「多智能体技术在投资研究领域的应用研究」课题；
• 将、场景落地、成果转化、人才联合培养四个维度合作。

1. Skill Hub优先：先把现有投研工具（行情、财报、公告、模型库）语义化为技能，再谈多智能体编排——资产盘点先于智能体立项；
2. 工作流嵌入而非工具并列：智能体要嵌进研究员的既有流程（选题→数据→建模→报告→路演），而不是「另开一个对话框」；
3. 可信信源+可控输出：依托金融内容与数据底座，投研结论必须可溯源——这也是金融垂类公司相对通用模型的差异化根基。

八、架构师行动清单

给金融机构CTO/架构师：

• ☐ 盘点「可智能体化」的岗位清单：按「流程分散度×数据可得性×容错空间」三维度打分，先选高频、多系统、低风险容忍度尚可的岗位试点（客户经营、贷后管理、投研辅助是公认先行区）；
• ☐ 建设Harness工程层：工具调用重试、权限熔断、结果回滚、全程审计——智能体进入核心生产系统的前置条件；
• ☐ 规划Skill/MCP资产库：把内部系统API语义化封装，对标凭证枢纽「7个接口固定全行业语义」的收敛思路，避免每个智能体重复对接；
• ☐ 搭建评测体系：先建金融专属黄金测试集（专业性/合规性/准确性/执行质量），再放量——评测集是智能体工厂的「QE体系」；
• ☐ 设计人机责任边界：按风险分级设定「AI自主执行/双人复核/人工审批」三档，关键决策权限必须留在人。

给金融科技产品负责人：

• ☐ 商业模式预研：从项目制/SaaS向SaS（按结果交付、按调用计费）演进的产品与计价设计；
• ☐ FDE队伍建设：培养「懂金融业务流程+懂智能体工程」的复合型翻译官，与算法团队的比例规划要前置。

九、写在最后：数据流之后，是决策流

上一篇《84家银行×10896家机构：一张电子回单背后的国家级架构工程》里，我们拆的是金融业的「数据流基建」——凭证枢纽让业务事实的流转成本趋近于零。

这一篇的智能体工厂，是金融业的「决策流基建」——让基于这些事实做判断的成本趋近于零。IDC数据显示，2025年中国金融大模型、智能体应用及服务市场规模超24亿元，仅是起点。

模型决定了智能体的上限，治理决定了它的下限——而金融行业，永远活在下限上。