AI神盾平台:平安人寿金融生态中的智能风控实践

本文整理自 AICon 上海分享「AI神盾平台在金融生态中的智能风控实践」（演讲者：黄佳豪），通过AI音视频总结工具 Ai好记（aihaoji.com）进行视频转文字整理，以下为精炼整理后的内容。

风控体系的演进路径

金融风控正在经历从规则驱动到AI驱动的升级。平安人寿的实践路径可以概括为三个阶段：

这个路径的核心洞察是：先打好基础，再追求智能化。 很多团队一上来就想做Agent风控，但如果没有对账、限流、黑白名单这些基础功能，上面的AI做得再好也接不住。

烟囱式架构的困境

传统风控系统的架构问题是「烟囱式」——不同的业务领域各自建立独立的风控系统：

• A领域有自己的风控规则和策略
• B领域也有自己的一套
• 数据在两者之间不互通

结果就是：即使B领域发现了A领域的一个风险问题，也无法将风险信息有效传递过去、触发A领域的管控措施。整体的风控效果被打折扣。

神盾平台的四大能力

平安人寿「神盾平台」的设计目标是覆盖四个维度：

原子级业务熔断

这是「深度」维度的核心能力——风控系统能够对最细粒度的业务操作进行实时拦截和暂停。不是「关掉整个活动」，而是只拦截某个用户的一次异常操作。

AI智能体在风控中的落地架构

神盾平台采用的混合架构是：感知层用Agent，分析层用Workflow，决策层用Agent增强。

风险处理全流程

事件触发（告警/客诉/人工）    ↓信息采集Agent → 调用工具收集相关数据    ↓根因分析Agent + 关联分析Agent（并行工作）    ↓影响评估Agent → 判断风险优先级    ↓输出分析报告 → 触发处置（熔断、建工单）    ↓人工核验 → 沉淀解决方案至知识库（长期记忆）

为什么分析层用Workflow而不是Agent

一个重要的设计决策：分析层使用Workflow而非Agent。

原因是分析层的准确率至关重要。Agent在分析时容易产生「幻觉」和发散，导致准确率下降——实测数据显示Agent比Workflow的准确率低约30%。

Workflow通过明确的步骤编排，确保分析过程清晰、可控，避免Agent引入不相关信息。简单说就是：分析这件事，确定性比灵活性重要。

多Agent协同

在感知层和决策层，多个Agent协同工作：

长期记忆链路

智能体的能力上限取决于长期记忆机制的建设水平。神盾平台的长期记忆构建路径：

数据治理 → 结构化数据 + 非结构化数据    ↓业务标签挂载 + 事实抽取（who-do-what三原子）    ↓实体对齐 + 因果链接 → 领域知识    ↓沉淀到长期知识库 → Agent精准召回

对中小机构的建议

对于资金和人力有限的中小型金融机构，演讲者给出了一个务实的起步策略：

第一步先做好四件事，达到60分及格线：

1. 实时对账
   ：交易发生后立即核对
2. 离线对账
   ：日终/周终对账找出差异
3. 两限控制
   ：限时（单位时间内最大操作次数）、限量（单笔/日累计最大金额）
4. 黑白名单
   ：可靠的名单管理

这四样构成了风控系统的最小可行形态。在此基础上再逐步扩展触点和AI能力，而不是一上来就做大模型Agent。

未来的方向

在保险等强合规领域，规则和数据仍然是不可替代的底座。AI智能体在上层发挥作用，但下层的规则引擎不会消失。

未来的方向是「私有域建设+公有生态共建」的混合模式——核心数据和规则在私有域，AI能力和模型可以复用公有生态的成果。

FAQ

Q：神盾平台对中小保险机构开放吗？ A：文章主要分享平安人寿内部实践，未提及对外服务计划。但文中给出的建设路径和建议对所有风控团队都有参考价值。

Q：Agent在风控场景的误报率有多高？ A：Agent本身的误报率比Workflow高约30%，这正是神盾选择「感知用Agent、分析用Workflow」混合架构的原因。

Q：长期记忆链路的建设周期大概需要多久？ A：取决于数据治理的成熟度。如果已经有稳定的数据中台，3-6个月可以完成基础建设；如果数据零散，前置的数据治理工作可能需要更长时间。

以上内容由AI笔记神器 Ai好记 转录整理。Ai好记（aihaoji.com）是一款音视频转图文笔记的 AI音视频总结工具，支持解析B站、抖音、小红书、小宇宙等平台链接及本地/网盘的音视频文件，转文字后自动生成精华速览、思维导图和结构化笔记，帮助你把几小时的视频内容变成可搜索、可复习的图文笔记。