知鸟 AI 日臻金融人才之道:AI 原生技术体系如何赋能金融企业高质量发展

01

知鸟简介与 AI 演进之路

除了卷算力、卷模型，AI 真正直接产生价值的地方，是要"卷场景"。而金融行业，恰恰是在 AI 场景下最先落地、用得最深的一个行业。

从国外看，OpenAI、Anthropic 都把主力产品优先投向金融，帮很多金融公司搭建 Agent；在国内，DeepSeek 最早用于交易场景，之后才开源模型，腾讯、阿里、华为等也都推出了金融行业的 Agent 解决方案，大厂们不约而同地锚定了金融。与此同时，金融机构本身也在积极拥抱 AI：J.P.摩根、平安、华泰证券、国泰君安，还有四大行，都在用 AI 解决各自业务里的种种问题。

图 1：关于知鸟的发展历程时间轴（2006 平安大学成立 → 2026 AI 原生领航跃迁）

知鸟诞生于平安集团内部的平安大学，2016 年正式成立，到今天已经走过了二十年的发展历程，从一个集团内部的人才培养平台，成长为覆盖全链路的人才管理解决方案，并进一步建设"企业 AI 效能与人才发展中心"、打造行业赋能平台。

在 AI 能力上，知鸟几乎踩中了每一次技术节点。从 2016 年引入 AI 能力、2023 年建设知鸟企培垂类大模型 0.1 版本，到 2025 年推出AI 智能体 1.0，再到今天基于 AI Native 架构重构出包含 AI 臻才、AI 知造、AI 知识库、AI 做课等在内的一整套产品，能够构建提供 COE（Center of Excellence，中心级专家）生产力的 AI 智能体体系。

图 2：平安知鸟AI 发展的前沿进化之路（2016 智能监考 → 2026 知鸟 AI 智能体 1.0）

02

知鸟人才发展 Agent 技术体系：从"合规—增长"跷跷板到产品矩阵

先讲清一件事：这套 Agent 技术体系到底解决什么问题。

金融行业有两个绕不开的话题——合规与增长。金融领域的合规是最严格的，各种监管制度、处罚措施，相对于其他行业基本都是数一数二的；每年新出的合规政策，粗略算下来可能有几百条，或粗或细、或大或小。怎么适应这种不断精细化、不断变化的合规运营需求，是培训要帮着解决的核心问题之一。

同时，增长是所有企业、包括金融领域的核心诉求——一家公司要发展，就要有更高的营收、更高的利润。但如果没有站在合规的前提下去做增长，这件事反而会造成更大的风险。

图 3：金融行业的跷跷板——合规与增长动态博弈（合规成本占营收 3.2%，2025 年银行业罚没超 26 亿元、同比 +45%）

那培训和合规、增长到底是什么关系？具体可以分成三层逻辑。

第一，合规的第一道防线是人。人要从意识上、从认知上，先对"合规长什么样"有一个真正的认知。

第二，在规章制度频繁更新的情况下，怎么通过技能的升级去应对合规、同时在合规前提下把业绩做上去。

第三，通过体系化培训和场景化演练，积累全维度的培训数据，再用这些数据去量化评估员工的实战能力，然后分层培养、精准用人，从而形成"认知共识—能力提升—人才甄选"的闭环，支撑整个金融行业"在合规情况下增长"的目标。

针对这个问题，知鸟构建了一系列产品。其中"金融行业 AI 版"作为总入口，串联起五款核心产品：

图 4：知鸟 AI 产品体系——金融行业 AI 版统筹五大产品联动闭环

• AI 臻才是人才洞察产品，解决的是"在招聘和选拔环节，怎么筛掉不合规的人、怎么精准选拔高潜人才"；

• AI 知造负责知识萃取，把一线销售里合规的标准话术、优质的拓客经验沉淀下来；

• AI 知识库管好监管条例和业务知识的准确、快速检索；

• AI 做课把课程做好；最后落到"学"与"练"的衔接上，

• AI 陪练通过和 AI 的练习，把学到的知识快速落地成真实的能力。

这整套产品，底层完全是通过 LUI（自然语言交互）的形态跟用户打交道的，并由此分出三端智能体。

• AI 伴学赋能一线员工：员工输入自己的难题，Agent 生成"业务锦囊"，再结合画像更新和课程推荐，推动他不断自我学习和提升。

• AI 督学面向管理者：怎么给团队指派课程、怎么掌握整个团队的学习情况、怎么拿到团队的画像和风险报告、怎么制定符合团队需要的计划，都是它要解决的问题。

• AI 培训专家更进一步，一句话就能生成整个培训项目，同时把优质培训经验沉淀下来、推广出去。

图 5：三端智能体驱动培训价值新增长（AI 伴学 / AI 督学 / AI 培训专家）

一线员工、管理者、培训专家三方，被重构出一套"基于业务需求驱动"的培训体验闭环。

往下进入技术部分。知鸟的整个技术架构大体分成几块：输入输出层、Agent 运行环境、工具管理层、沙箱环境，以及底层的共享服务层、治理与合规、调用云的基础设施。整个技术栈采用的是 Workflow 与 Agentic 协同的模式。

图 6：知鸟 AI 原生框架——Workflow + Agentic 协同（含 Agent 全生命周期与分层架构）

之所以这么做，目标是实现 Workflow 的"稳定性"和 Agent 的"灵活性"相结合——把固定的学习流程制定、固定的任务制定交给 Workflow，而把个性化、动态化、更优课程生成这类事情交给 Agentic 方案。从架构上看，输入层支持自然语言、文本、文件、API 调用、事件触发；之上是上下文与记忆模块、任务规划、工具编辑、评估闭环、可观测层，还有护栏措施。它可以调用外部工具和内部 Skill 能力，把沉淀十几年的 SaaS 原子化能力通过 MCP 标准接入，并通过插件扩展第三方 Agent 能力；沙箱环境则用来执行 AI 动态编程，提供更灵活的能力。底层以指标驱动整个 Agent 的反思与观测，贯穿开发、测试、部署、运行、评估、优化全生命周期。

03

记忆管理：双库定位，知识库优先于记忆

在落地过程中，知鸟重点是三个技术方向：记忆管理、任务编排、基于指标和数据的反馈迭代优化。

记忆是 Agent 里非常关键的部分，也是最容易踩坑的地方。在金融培训领域，动态记忆的灵活性，和金融知识的严肃性，天然存在冲突。龙老师举了几个真实会遇到的问题：比如历史记录记不记、新生成的文档记不记、查询出来的结果记不记——这些在每个行业定义都完全不同。在金融场景，记下来的东西如果一直不清洗，过期知识会形成"自动沉淀"，反过来污染回答；再比如，记忆和知识库都是知识，但二者的定位、优先级怎么定？新制度来了，会不会被老记忆淹没？另外，金融领域的回答必须准确、可合规，那回答怎么溯源、溯源到什么程度——是渲染到 Q&A 对、还是具体片段、还是一整篇文章？错了之后又该找谁？

图 7：金融培训Agent 记忆系统三大核心问题（生命周期 / 双库定位 / 溯源审计）

知鸟的解法，说起来其实就一句话：知识库管对错，记忆管适配；知识冲突时，知识库优先，记忆让位。

具体落地分三层。知识库侧，通过制度版本号和生效时间戳双维锁定版本，并作为事实类场景的判定依据；而且知识库必须经由合规团队审核后才能入库。这三点结合起来，保障知识的权威性和严肃性。记忆层管的是适配、管个性化，核心是提升交互体验和个性化理解——它既包含 Session 的上文（保障对话的自然连贯，不至于像金鱼一样转头就忘），也包含用户的学习轨迹、个人薄弱项、思考模式，让 AI 像一个了解他的"朋友"。

图 8：记忆管理技术方案——知识库管对错、记忆管适配，冲突时知识库优先

这里有个关键细节：在事实类场景里，如果记忆库内容和知识库冲突，系统会先识别场景类型，再按"知识库高优先级、会话记录和长期记忆低优先级"的逻辑生成内容；同时，知识调用和记忆调用分别留痕。并且，即便前面都做完了，输出之前还要再做一次事实层面的校验，才能最终吐出去。

04

任务编排与评估反馈：Workflow + Agentic 协同与质量闭环

任务编排是另一个大方向。任务编排大体包含四个类别：推理式规划（ReAct，比较简单）、结构化 Workflow 编排（负责标准化、高频业务，如审批流、订单履约）、全局规划与单步执行解耦（P-E-R 模式，适合中等复杂度，如营销方案、学习方案制定）、多角色协同编排（Multi-Agent，处理复杂培训方案）。知鸟的整个架构都支持这些。

图 9：任务编排主流技术范式（ReAct / 结构化 Workflow / 分层全局规划 P-E-R / Multi-Agent）

核心落地理念，还是 Workflow 与 Agentic 的协同——二者本质上不冲突，是一体两面的事。Workflow 负责核心流程，要兼顾确定性、可溯源、高并发、低时延，它整体流程比较固化、可追溯，大模型只在节点内部做智能化处理，用来解决执行效率类场景；Agentic 则需要开放灵活性，做需要个性化定制、并通过反复迭代提升结果质量的场景。

图 10：Workflow与 Agentic 协同落地（核心流程 / 执行效率 vs 场景适配 / 动态优化）

落到金融人才发展场景，其中有几个例子很能说明问题：学习任务下发这类场景基本是固定的；做完整课程之后的敏感审核、格式标准化、视频分片、上线发布，完全是 Workflow 处理。而个人学习路径生成——尤其是员工根据自己业务场景生成学习路径——本质上就是一个 Agentic 加Workflow 结合的场域：生成路径本身可以是 Workflow，但因为每个人场景不同、要的结果不同，必须通过 Agent 加动态反馈机制不断打磨，才能产出符合他个性的优质方案。AI 做课也是一样，它以 Agentic 为核心驱动力：智能体把需求拆分、大纲设计、内容创作、案例适配，每个环节都要用指标去校验、反思、重新优化，而不是直接一个 Workflow 跑完。

一个完整的落地案例，是某保险产品的"新规 AI 全流程培训"。以《保险产品适当性管理自律规范》为例，Agent 把它拆成六步：

第一步AI拆解新规，识别知识点、和旧制度的差异点、新增的红线规则，构建精准合规知识库；

第二步圈定培训人群，既包括应该培训的人，也包括历史上有违规、被投诉、需要重点关注的；

第三步多模态课程自动生成，图文、知识卡片、视频、音频都能自动产出；

第四步实战化 AI 陪练，模拟真实销售里诱导突破合规红线的提问；

第五步动态防作弊考试，集成 AI 考试能力；

最后一步对练习和考试结果复盘考核，识别薄弱点，通过的颁发证书，完成整个合规流程的闭环。

图 11：案例1——保险产品新规 AI 全流程培训（效率 +200% / 学习 +50% / 作弊识别 99%）

在真实客户应用下来，培训方案构建效率大幅提升，模拟训练加动态考试让整体学习效率也大幅提升，作弊识别准确率达到很高水平。

第二个案例是销售学习路径规划，针对的是通用的"能力提升"场景。比如一个销售遇到"怎么攻克高端客户、说服他买产品"的问题，他会先问：面对这样的客户，我怎么提升销售能力？这时 AI 臻才先用他过往的学习行为和成单数据，精准定位他当前的个人短板——比如表达能力、高端客户知识储备不够；再针对短板生成话术指南（该讲什么、该牢记什么、该懂什么专业内容）；然后根据薄弱点由浅入深、从理论到实践，生成课程和练习任务；他确认后，任务落地到任务表里。这样就形成针对特定场景的 AI 学习助手，解决了传统培训"个性化不足、学用脱节"的三大痛点。

图 12：案例 2——销售学习路径规划（AI 臻才定位短板 → 话术指南 → 学习路径 → 任务列表）

不过龙老师也坦言，无论是学习方案还是问答指南，都不是一次性就能输出好结果的。做课时讲解词会有表述偏差，智能回答里也会出现规则、事实性错误；给新人做学习路径，可能加进无关的高阶内容，给自己做路径又重复已经学过的内容。这些本质上都是 AI 一次性生成、没有反思反馈、只是顺着顺畅思路跑出来的问题。还有学习逻辑不专业——不符合正常的方法论；输出的话术太空洞、过于销售导向。

图 13：AI 生成结果的问题痛点（事实偏差 / 目标不一致 / 逻辑不专业 / 落地无效）

那怎么处理？靠反复改提示词是不现实的——如果完全退回人工去退、去改，那就回到了一开始纯人工做培训计划的状态，等于没用上 AI。AI Native 和 AI Agent 最核心的一点，恰恰是怎么通过指标、通过目标去反推 AI 生成的结果好不好，再据此重新优化整个生成过程。

图 14：评估反馈质量判别方案（指标库 / 金融知识库 / 场景目标 + 批判式全维度审查）

知鸟的做法是设一个判别环节，依据三点：一是场景任务目标，判别输出结果是否符合预设任务目标、符合业务需求；二是给每个产品模块建指标库，明确从哪些维度判断结果质量合格与否、打多少分，提供统一无歧义的标尺；三是金融领域的业务规范、思维逻辑、历史风险案例知识库，作为专业依据。

怎么判别？一句话叫"批判式全维度判别"。龙老师提醒，大模型经常会顺着你的意图走——你希望它怎样，它就按你的思路来；如果你的思路本身有疏漏、有错误，它就"将错就错"一路错下去。所以评判时不能依赖大模型这个先天缺陷，必须围绕场景目标，用挑剔的眼光去评估它产生的结果，甚至用不同的大模型多层判别，让结果客观可信。具体判别包括：事实性判别（规则引擎 + 技术引擎识别）、目标一致性识别、基于金融知识库和课程教学法的思维链路识别、以及落地有效性识别——这句话术是不是空泛到打动不了用户、是不是完全没有感情、用户听了毫无购买欲。最后输出缺陷的根源性分析：格式类、事实类、合规类、逻辑类、效果不足类。

图 15：评估反馈反思改进流程（单轮修正 / 多轮迭代 / 人机协同 / 长效沉淀）

拿到根源性分析后，就进入编排方案优化：单轮及时修正，优化生成指令、参数、重梳思考逻辑、重新迭代任务编排；如果迭代到一定次数仍没有好结果，就触发人工协同修正，进行多轮重试——提示词修改重试、编排修改重试、换模型重试。迭代完输出大幅提升的结果，同时把多轮迭代沉淀出的典型问题，经人工审核后沉淀为知识，反向优化整个工作流和系统。

05

AI 陪练系统：通用对话难点与金融合规落地

讲完技术体系，龙柏炜以宣传片介绍：平安知鸟创新推出"四阶闭环 + 三级难度"智能陪练，带用户进入真正的实战时代。三级难度里，难度一是"话术筑基"，适合零基础新人熟悉话术、从容开口；难度二是"SOP 提效"，针对成长期员工固化沟通标准流程、稳定出单；难度三是"实战制胜"，专为高手设计，用最难搞的客户练硬功、在博弈中练就签单本能。管理员选定难度、输入目标，一句话就能生成陪练剧本，极大缩短任务发布周期。

四阶训练闭环则从手把手指引，走到高压环境下的真实拒绝：第一节预习，金牌销售真实对话情景再现、配重点卡片实时提醒，不学理论只学标杆；第二节练习，AI 实时精准引导、鼓励突破、引导节奏、提示缺项，见客户前先练过一千次；第三节模拟实战，卸下辅助、硬核控场，在压力环境下暴露真实短板；第四节认证考试，企业级专业认证，用严肃考核验证员工是否达标上岗。对团队管理者，后台聚焦可衡量成果，基于全生命周期数据洞察团队能力进展与个人成长轨迹——培训盲盒彻底消失，管理决策有据可依。更升级的数字人矩阵覆盖老中青全年龄段，还能定制专属形象，带来沉浸式的抽血（演习）体验。

但产品怎么真正做出来？龙柏炜认为：AI 陪练发展很多年了，知鸟的目标不是做一个"合格产品"，而是要突破行业上限、做到优秀领先。这就得先把优化目标定好：陪练角色是否符合业务场景、对话过程效果如何、合规和管控边界是否合适、练习后的点评改进是否到位。围绕这套全链路的陪练过程，知鸟定了一套评估维度，用以在人工评估、发布上线、自动化回归、线上运行质检中持续提升陪练能力。

图 16：AI 陪练评估维度（角色一致性 / 对话质量 / 安全边界 / 考核反馈）

评估维度有四个大类。角色一致性，要明确角色适配程度——语气、立场、知识层面是否符合设定，还包括情绪控制度、认知标准一致性，尤其是知识边界的诚实度（大模型有个大问题：问什么都能答，但真实角色是有边界的，这才像真人）。对话自然度，包括上下文衔接、剧本推进能力、以及跑题卡壳等异常应对质量。安全输出，金融行业合规要求强，要保证敏感安全输出。还有，练习是否切中要害、是否引导学员反思而非停留在表面点评，以及围绕剧本生成和预习—练习—考核逐步推进的训练目标闭环。

图 17：AI 陪练角色人设构建链路与人物矩阵（Skills 标准化封装）

人设构建有一条标准化链路。知鸟主要构建销售型（客户、投诉用户）、考官型（面试官、纪检专员、评审专家）、赋能成长型（直线领导、业务导师）三类人设。链路是：从互联网和公司内部数据库，采集符合特定人物的言论、业务案例、行为数据；清洗后，从心智模型、应答逻辑、表达特征、能力边界还原人物的思维逻辑和检查清单，包括能力圈（诚实边界）；最后输出结构化的 Skill 文件，方便大模型/Agent 调用。

通用 AI 陪练有两个核心难点。第一是可控性与真实感的平衡——既要围绕剧本练习，又要避免机械生硬、不像真人。两种极端都不行：很多 AI 陪练像"复读机"，一问一答，用户一跑偏就卡壳；纯大模型模式又过度自由，容易把人带偏、失去陪练价值。知鸟的解决框架是：围绕目标（动机内核）+ 人设 Skill + 软纠偏（拉回策略），动态监控人设对话的偏移程度，基于偏移兼顾真实可行地去纠偏拉回。

图 18：AI 陪练通用对话两大核心难点与解法（可控性 / 全双工）

第二是低延迟与自然度的博弈。作为全双工陪练，用户说完一句话，AI 要快速响应，还要精准判断用户是停止、思考还是偶发停顿，避免误抢话。解法是多环节并行：识别过程流式、语义理解流式，再加分级打断策略——检测学员发言逻辑是否混乱、话题是否偏移、表述是否清晰，流式判断出问题就实时分级打断，并按场景配置阈值（客服场景打断阈值低一些，销售场景高一些），在拟人化和低延迟之间求得平衡。

图 19：AI 陪练通用对话两大核心难点与解法（总览）

回到金融主题——合规与增长。AI 陪练上还额外加了两项金融专属能力。对话侧（出题）模拟真实环境、做试探性合规提问。比如直白问"你能不能给我返佣"，销售一眼就识别"你在考我合规"，立刻用标准话术答，很容易被识破；换成"朋友家买了别家的仿山姆卡，你们有没有相关政策"——其实还是问返佣，但如果学员答"可以有返佣"就不合规了。知鸟据此构建三层递归递进式试探策略：模糊试探、具体施压、明确诉求，层层加码，还原真实谈判节奏，让学员身临其境地演练。

图 20：金融场景专属落地——合规试探出题与穿透擦边球的智能质检

评估侧则要穿透销售合规"擦边球"。有些话术会规避关键词来绕过规则识别：用词违规很好识别（如"我直接返你 20% 现金"）；语义违规没有明显违规词但语义违规（如"这病基本没什么问题了，可以保的"）；意图违规更隐蔽（如"阿姨你放心，我在公司管了五年产品风控，每款都很清楚，不会让你吃亏"——核心意思是不会亏本，是否诱导保本需要识别）。知鸟通过小参数模型做语义识别、滑动窗口加合规语义库加逻辑链路分析做跨轮意图识别，形成完整的陪练落地方案。

这些能力已经在真实客户跑通。某大型证券公司，12000 人使用知鸟学习平台，约 3000 人使用 AI 陪练，还用到AI 萃取、学习路径规划等能力，落地效果不错。

图 21：标杆客户——某大型证券机构（1.2 万 + 员工 / 3000 + AI 陪练 / 20 套话术）

06

未来展望：驾驭 AI，发挥人的不可替代价值

分享最后，龙柏炜谈了对 AI 时代的两点思考。

一是对软件产业。AI 并没有让工程消失，反而更重要了。除了极少数人做底层大模型算法，绝大部分人做的是 AI 工程化（HARNESS 工程）——从约束条件下寻找最优解的本质没变，AI 提升了产出，也放大了系统设计能力。工程师的角色变了：以前一行一行抠代码，是微观执行者；现在每个人都要变成架构师，从顶层架构设计好 AI 架构，构建与 AI 生产力匹配的工业化交付体系。但隐忧也有两个：黑盒代码——AI 生成的代码只保证功能，实现逻辑和性能可能不达标、甚至写得人看不懂，推高维护成本；依赖症——AI 用得越多，人自己思考越少，最后完全被 AI 代替思考。

图 22：AI 对软件产业未来发展思考（工程更重要 / 工程师成指挥者 / 新型风险）

二是对金融行业人才发展。核心是从"传授经验知识"转向"赋能高阶能力"，帮助人成为驾驭 AI 工具、发挥人不可替代价值的人。在金融行业人才领域，合规能力和价值增长能力是基础，但会新增很多老能力消失、新能力出现的局面：向下兜底（对结果把控、解决业务能力）、向上站位（战略协同、目标引领、对齐长期规划）、横向协作（跨岗协作、知识共享、打破部门墙——就像当天另一位 CIO 说的，六七个人怎么协作打破壁垒做好一件事）。但最关键的，是帮助金融人才驾驭好 AI、用好 AI、理解 AI，更好进行人机高效协同——因为未来 80% 以上的人都需要用好 AI。

图 23：AI 时代金融行业人才发展未来展望（能力图谱与知鸟解决方案）

平安知鸟在 AI 金融时代的逻辑内核，就是"驾驭 AI，发挥人的不可替代价值"。

以上就是龙柏炜老师关于"知鸟 AI 日臻金融人才之道"的分享。感谢龙柏炜老师，也感谢平安知鸟团队在金融人才 AI 培训领域的持续探索。

点个在看你最好看

SPRING HAS ARRIVED