OpenClaw如何影响金融业智能体应用|金融与科技

文/中国建设银行办公室丁炜

2026年初，OpenClaw开源AI智能体框架在开发者社区横空出世，成为有史以来增长速度最快的开源软件项目。OpenClaw在技术层面实现了从“对话AI”到“执行AI”的范式跃迁，用户可以通过即时通讯（IM）软件向智能体下达指令，由智能体自主完成邮件回复、材料搜集、研究报告撰写、应用程序编码等全流程操作，无需人工干涉，让人们看到了“通用人工智能助手的早期雏形”。

OpenClaw究竟是智能体的“技术奇点”，还是资本市场的又一“新叙事”？OpenClaw以及2025年各家主流AI模型厂商发力的智能体赛道将对金融行业人工智能应用产生怎样的影响，又能否破解当前金融机构的人工智能应用困局？

为什么大模型需要智能体

由于大语言模型（llm）只能提供一次输入对应一次输出的文本输出，且模型存在输出幻觉、数学计算弱、知识库时效性、上下文限制等局限。单纯使用大语言模型，更像是拥有一个“咨询顾问”，而非“执行员工”，独立的模型很难解决现实世界中遇到的工作和生活任务。智能体（Agent）的出现正是为了让大语言模型具备连接现实世界的能力，实现从“对话框”到“实际生产力”的跨越。

智能体的概念最早在Stuart Russell和Peter Norvig所著的《人工智能：现代方法》（Artificial Intelligence:A Modern Approach，1995）中出现：智能体是任何可以被视为通过传感器感知其环境、并通过执行器作用于该环境的事物。Russell和Norvig将智能体总结为一个公式：智能体=架构+程序。今天，业界普遍认为一个AI智能体应该具备环境感知、自主规划、工具使用、记忆持久化和行动执行能力，通过多步骤推理并与外部环境交互，自主完成复杂的目标导向任务。

几乎是在2022年底OpenAI发布ChatGPT的同一时间，LangChain以开源项目的形式在Github上发布，LangChain可以将大模型同其他工具连接，当时GPT3的能力还不足以覆盖很多特定行业，LangChain最常用的做法就是通过其连接本地的文本知识库，从而解决大模型无法覆盖特定行业知识的弊端。数月后，OpenAI官方发布了ChatGPT插件（Plugins）支持，其中最主要的两个插件是浏览和代码解释器，浏览可以使模型具备联网能力，从而获得最新的实时信息，而代码解释器主要让模型具备数据分析和代码生成能力，解决模型数据和代码能力不足的弊病。同时，OpenAI还开放了插件商店，意图吸引其他应用或是个人开发者在基于ChatGPT构建各类插件，打造属于自己的“苹果应用商店”。其中阅读PDF文档、获取实时票务信息的插件在社区中使用较多。在2023年11月，OpenAI又发布了插件的升级版——GPTs，允许个人用户创建特定用途的定制版本GPT，用户可以通过简单的提示词预输入和创建个人知识库打造自己的“专属智能体”。随着中国的大模型在这一阶段开始逐渐进入市场，中国的模型厂商也开始跟进智能体开发，智谱推出了对标GPTs的GLMs，2024年2月字节跳动上线扣子（Coze）低代码的AI智能体开发平台，扣子支持可视化的工作流编排，同时可以集成知识库、飞书、抖音、剪映等工具，在对模型支持上，支持不同厂商的模型部署。

这一时期，虽然开源社区中的各类智能体“百花齐放”，然而却鲜少有可以投入实际应用的智能。香港大学发表的论文显示，这一时期主流开源Agent框架实际上都是“流水线”，规划、工具调用和记忆均由人类预设好的逻辑编排，模型本身仅作为被动的文本生成器，智能体实际的任务完成率不到50%。如果让智能体自主执行，智能体缺乏选择调用哪个外部工具的能力。同时，智能体依靠在提示词中重复引入上下文的机制，上下文窗口和记忆管理能力匮乏，使得智能体自身并不具备长思考、多步骤执行任务的能力。

随着大语言模型能力的提升以及各家厂商开始发力人工智能应用，智能体开始迎来爆发时期。2024年11月，Anthropic开源了上下文协定（Model Context Protocol,MCP），MCP是让大语言模型访问和交互外部工具、环境和记忆的标准化协议，类似于计算机领域的USB标准——它不关心连接的是什么设备，只提供统一的接口协议。2025年3月，由中国团队开发的“通用型自主AI智能体”Manus发布，在发布会上Manus首次实现了在单一提示词下完成“复杂调研+网页抓取+代码编写+PPT生成”的工作流程，一度引发“一码难求”的测试热潮。

OpenClaw的创新之处

OpenClaw是一个开源AI智能体框架，最初在2025年11月以“Clawdbot”名称在GitHub上发布，后更名为OpenClaw。与Chatgpt等传统聊天机器人应用不同，OpenClaw本质上可以在设备上运行的AI操作系统。OpenClaw可以通过连接已有应用，实现与真实世界交互的能力，在社区案例中，OpenClaw可以连接WhatsApp、Telegram、飞书、企业微信、QQ（机器人）等即时通讯工具，以及个人知识库、IDE开发、智能家居、邮箱等生产力工具，用户可以通过聊天软件与其交互，OpenClaw调用在本地部署或通过调用云端的大模型API实现在本地电脑上执行真实的操作——例如写代码、发邮件、管理文件、控制浏览器搜索等。

在OpenClaw发布前，智能体依旧面临着以下几个问题。一是大部分智能体仍然是“特定工作流”，缺乏跨端跨场景通用性。主流厂商推出的智能体都是在云上运行的闭源服务，用户很难根据自身的特定需求改变智能体的工作流程，更无法跨应用调度智能体，比如使用谷歌的智能体调用谷歌邮箱之外的邮箱应用。二是记忆缺失和有限的上下文窗口。甲骨文的技术文章中提到：“今天的智能体在对话之间遗忘一切，每次交互都从零开始，完全不记得你是谁或之前讨论过什么。”在生产环境中，一个简单的服务中断事件响应历史数据就在300万token以上，远超模型一次吞吐的最大窗口（200K）。三是智能体只能被动依靠人类指令推动，缺乏主动执行机制。智能体缺乏自主调度能力，不能在无人干预的情况下执行定时检查邮件、监控服务器状态或执行定期任务。（除非经过已经预设好的程序）

OpenClaw的创新之处在于不试图通过提示词工程让LLM记住上下文，而是围绕模型构建了一个标准化的执行环境——拥有完整的会话管理、记忆系统消息路由。用大模型提供智能决策，用OpenClaw提供操作系统。例如，OpenClaw通过编辑不同类型的Markdown文件，包括核心指令、个性化人格、使用工具和长期记忆，而这些文件均支持随时编辑。此外OpenClaw的“心跳”机制定期会读取工作区中的任务清单，自主判断是否有项目需要执行。“心跳”机制让智能体可以从被动接受人类指令响应，变成主动行动检查是否有未完成工作的“员工助手”。在此基础上，OpenClaw通过“技能”（SKILL）——一组已经注入好的提示词，标明了需要的所有工具，每一个技能文件可能只有几十行提示词，但可以执行完整的工作流操作。

OpenClaw可以实现在不用人类干涉的情况下可以自主操控浏览器、邮箱、聊天工具等软件，也可以构建完整构建一个可运行、功能完善的网站、应用，乃至软件，这种通用性和不需要干涉的执行性是先前所有智能体框架均未具备的能力。因此OpenClaw的发布也引发了资本市场软件行业“地震”。2026年伊始美股软件板块经历了自2000年互联网泡沫以来最剧烈的结构性抛售，Shopify、Salesforce、Adobe等知名软件开发商股票下挫在20%—50%，美股软件行业市值蒸发超1万亿美元。当智能体具备了替代“软件功能+软件操作者”的能力时，对传统“按需付费”的SaaS生态产生了巨大冲击，资本市场在此基础上进一步炒作“人工智能对人类替代”概念，研究机构Citrini发表的虚拟研究报告《2028全球智能危机》是这一轮“AI替代”情绪的顶点，在报告中，作者描绘了一个智能体全面接管白领工作，失业率上升、全球经济陷入购买力归零的恶性负反馈，知识密集型岗位全部失灵的经济危机图景，进一步引发了各行各业对人工智能劳动替代的关注。

OpenClaw发布后，腾讯云、阿里云、火山引擎等国内主流云服务厂商第一时间在云平台上推出了OpenClaw部署服务。3月，OpenClaw在国内引发应用热潮，主流科技公司先后推出了集成自家工具（如腾讯集成企业微信和QQ，字节集成飞书等）的不同“Claw”。

OpenClaw能否帮助金融行业实现AI应用破局？

大语言模型的兴起首先冲击的就是传统意义上“知识密集型”的行业，这其中金融、法律这类依靠“经验”的行业最为明显。本轮生成式人工智能浪潮兴起之初，金融行业就对人工智能展现出浓厚兴趣。起初，头部金融机构都发力投入预训练或微调“专有大模型”的方式投入，尝试后发现在“规模法则”体系下，金融机构在模型训练上完全无法于科技公司竞争，随着模型规模和能力的不断提升，在2024年主流大模型的知识能力就可以覆盖金融行业需要的绝大部分知识，因此各金融机构纷纷转向智能体开发。

起初，各家金融机构主要专注于“大模型+向量知识库”的模式，即将自身的数据、制度文件、投研等知识文件构建本地的向量知识库，用户提出问题后首先由大模型分析用户意图转入搜索，搜索后相关性较高的结果再交给大模型判断并生成完整答案。摩根士丹利在2023年推出的“摩根士丹利助手”就是通过检索数十万份投研报告生成具体信息的投研助手。

而随着大模型能力的进步，模型能力已经可以逐渐覆盖金融机构自身的知识库体系，金融机构则转向将大模型嵌入自身现有的业务流程，对一些重复性、标准化程度高的工作流程进行人工智能改造，开发针对特定工作场景或流程的AI智能体。

摩根大通在2024年6月推出了LLM suite平台，LLM Suite是一个大型的人工智能平台，平台上提供了多种针对不同业务板块和流程的智能体，如为投资银行部门提供自动生成投资银行方案设计和营销PPT的智能体、为法务人员提供提取指定信息自动生成合同的智能体以及为普通员工提供邮件内容总结和自动回复的智能体，根据摩根大通官方发布的数据，已有20万名员工每天其专有的LLM Suite平台。中国银行业应用智能体的场景则更加丰富，除了传统的客服、内部知识助手，工商银行、建设银行等国有大型商业银行都推出了授信审批领域的智能体，支持无需人工干涉自动生成公司客户调查报告。智能体通过内部数据抽取指定公司财务报告后，通过设定好的计算程序分析企业财务状况，再由大模型结合具体行业生成报告内容及决策建议。瑞士银行推出了AI Co-pilot平台，支持分析公司数据并生成目标企业名单。投行人员可要求智能体列出特定类型客户名单，如“符合客户扩张战略的欧洲中型科技公司”。贝莱德也在其知名的阿拉丁平台上部署了财富顾问智能体，通过分析数据点，将投资组合公式转化为易于理解和营销的个性化客户营销报告。智能投顾方面，此外，各家金融机构在内部的科技研发流程中也已广泛使用各类编程智能体摩根士丹利、工商银行、建设银行、招商银行、花旗集团、摩根士丹利等多家金融机构均在年报中有所提及。

智能体开发属于新兴领域，且需要与大模型适配。公开信息显示，多家金融机构在智能体开发中采用了与上游大模型厂商深度合作的方式进行。如工商银行与智谱、华为开展合作、建设银行与阿里云基于千问代码模型共同开发编码助手。高盛与Anthropic共同研发自动化交易与对账智能体、KYC反洗钱智能体，Anthropic工程师直接与高盛团队驻场6个月完成相应智能体开发。

框架的发布是否会对金融行业的人工智能应用产生“颠覆”影响？笔者认为，从目前的应用效果OpenClaw在金融行业应用仍面临诸多挑战。一是智能体框架无法解决大模型自身的弊端。今天所有的智能体框架，如果拆解其代码，都是较为简单的“工程逻辑”。回顾智能体的发展历程，从早期的GPTs到现在的SKILL，智能体的出现更多是为了弥补大模型“没有手和脚”的问题，而对“大脑”层面则没有任何办法。金融行业对准确性要求极高，在笔者的案例测试中，OpenClaw+Claude组合完成的研究报告，虽然已经要求其联网进行了事实性核验，但报告中仍出现了错误的引用与数据，且智能体还为其标注了虚构来源。二是智能体自身执行存在着较大的不确定和不可控性。在已经报告的测试案例中，出现了多起智能体未按指令操作，错误删除文件或是错误发送文件，且人类指令无法停止操作的报告出现。三是OpenClaw的多智能体协作框架亦存在诸多问题，在研究机构的安全审计中就发现了512个安全漏洞。实际上，Anthropic、Google等大模型厂商已有近似于OpenClaw的智能体工具，而且技能体系也是Anthropic创建的，但各家的智能体生态较为封闭，OpenClaw作为一个开源框架，可以做到连接多个模型和应用。

尽管面临挑战，但是OpenClaw为代表的新一代智能体框架所呈现的技术路线已为业界所广泛接受，在大模型自身能力面临技术曲线放缓的背景下，通过智能体嵌入乃至改造业务流程仍将成为未来金融行业人工智能应用主线与趋势。

金融行业智能体从“被动响应”转向“主动决策”。目前的金融行业智能体，仍主要是基于“人工指定规则+大模型执行输出”的“流水线模式”。相较于基于脚本和固定规则的执行模式，OpenClaw框架内的智能体采用目标驱动的决策方式，用户只需定义目标而非步骤，智能体自主决定选用哪些工具、采用何种流程实现目标（也支持用户自主规定流程）。相较于规则驱动，目标驱动的智能体决策可以在智能投顾、客户分析筛选、主动风险管控等市场变化更强的业务场景中发挥更大作用。例如可构建智能体，接入新闻、招标等实时数据，判断公司客户重点营销机会后生成定制化服务方案并实时推送给对公营销部门。

加速金融业务能力的"技能化"封装与敏捷迭代。技能（SKILL）已成为各大模型厂商支持的智能体核心组件与新标准。技能的定义与执行代码完全解耦。开发者不再需要编写大量重复代码，而只需用自然语言和基本的执行逻辑程序描述执行路径。笔者实测，上文中提到的财务分析智能体核心功能只需要不到100行代码即可实现。金融行业的内控合规、风控规则、客服流程等都可以被封装为独立的技能模块，并可以通过组合模式（直接复制技能文件）封装到其他场景的智能体应用之中，提升复用率和产品迭代效率。例如当银行为新的信贷产品开发线上系统时，即可通过引入已有的合规、风控技能模块，由员工注入新的业务规则后由智能体完成新产品线上系统的代码编程。

推动金融智能体走向复杂业务流程“深水区”。在现阶段的智能体应用中大模型的“通才”局限和“工作流”串行执行使得智能体无法处理跨工作流、跨业务线的复杂业务场景。OpenClaw原生支持多智能体协同，不同智能体可拥有独立的工作空间、差异化的技能集与隔离记忆，可以通过主智能体决策任务，子智能体执行工作流任务，检查智能体核对任务完成进度的模式，开发更多跨业务条线的金融智能体。

金融行业AI智能体应用的对策路径

加速流程再造，对业务流程进行人工智能原生化改造。当前智能体应用主流实践仍停留在工作任务替代，在现有流程节点嵌入智能辅助，而非从业务逻辑源头重塑，长期将形新瓶旧酒的局面，难以释放人工智能的系统性价值。金融机构应当建立适配于人工智能环境的业务流程，以智能体可执行为前提，反向设计流程结构。凡是人工智能可直接生成输出的环节，均应视为可改造节点，围绕“人机协同决策”而非“人工逐层审批”重新设计流程链条。

完善数据治理，打造人工智能时代的数据核心竞争力。大模型公开训练数据已接近饱和，私域数据的战略价值已从生产要素跃升为核心竞争壁垒。金融机构人工智能应用的差异化竞争优势，根本上源于对机构内部私域数据的深度挖掘与利用，尤其是客户行为数据、知识数据等非结构化数据。金融机构应当建立企业级数据仓库，以统一客户视图重新建立数据目录，降低智能体数据获取摩擦。同时要深化知识型数据应用，系统沉淀业务规则、专家经验、操作逻辑等隐性知识，构建智能体知识图谱与向量数据库。

前瞻布局算力基础设施，加强算力调度部署灵活性。金融机构的自有算力建设普遍采取线性增长规划设计算力冗余。随着人工智能技术应用的逐渐普及，用户使用的增加以及更加复杂的推理链任务的增加，算力消耗将呈现指数级增长。同等任务情况下，OpenClaw框架下多智能体协作所需要的token是金融行业智能体“流式”对话的50-150倍。在前瞻规划算力建设，增加算力冗余的同时，金融机构也应当思考更灵活的算力调度与部署方式。因为金融机构的数据保护需求，大部分金融机构的敏感数据信息均在私有环境部署，但巨大的算力投资并非所有金融机构都可以自身负担，可通过智能体协同或模型协同的方式，建立跨算力资源的AI智能体，如由私有环境上运行的智能体处理数据信息，去除敏感标签后，交由公有云上的智能体处理，形成“算力杠杆”。

积极拥抱开源，共建行业人工智能公用基础设施。当前人工智能技术仍处在技术曲线的加速阶段，金融机构在模型选择和算力硬件投入上均面临着“技术折旧”风险。在技术路线选择上，应当积极拥抱开源生态，利用中国作为全球最大的人工智能开源贡献方的本土优势，在智能体建设上打造敏捷、灵活、开放的技术底座。当前，金融机构间重复低效建设人工智能应用形成了一定程度上的资源浪费，应在顶层设计上，积极推动金融行业公共人工智能基础设施建设，构建开放、共享的技术底座。可以由大型金融机构的金融科技子公司共同提供资源打造金融行业人工智能公共基础设施，并探索建立智能体技能交易市场，将各机构沉淀的通用智能体能力组件化、产品化，面向中小金融机构开放赋能，从根本上破解行业人工智能能力马太效应。

来源 | 经作者授权发布

编辑 | 丁开艳

审核丨秦婷

责编 | 兰银帆