在银行数字化转型与风险防控要求提升的背景下，大模型技术在支撑银行高质量发展中的作用日益凸显。目前，以Dexter为代表的金融研究类AI Agent，通过任务规划、数据调用、自我校验和Skills扩展，降低模型幻觉影响，为银行探索大模型辅助财务风险识别提供了借鉴。在此基础上，结合信用风险管理中的财务粉饰识别问题，华夏银行依托AI原生研发平台，构建了财务粉饰识别智能体应用，整合财务分析规则、专家经验与大模型推理能力，具备报表勾稽校验、指标异常识别、横纵向比较分析、非财务信息预警及核查建议生成等功能，实现了对企业财务粉饰风险的识别、综合研判与可解释输出，有效提升了财务粉饰风险识别的科学性与透明度。

华夏银行围绕软件工程需求、设计、开发、测试、运维和安全六大环节展开深入研究，建设AI原生研发平台，应用于银行业全流程软件研发领域，推动研发范式革新，实现软件工程全面效率提升，达成降本增效与业务增值。

平台将AI原生研发工具与企业级容器云平台打通，支撑模型驱动研发与运维；通过构建文档解析、图生成、编码等“智能体+Skills”协同体系，搭载多智能体调度引擎并内置主流智能体框架，依托氛围式编程实现智能体按需快速生成；面向全行用户，开放Web前端门户与集成开发环境（IDE）双使用入口，搭载管理中枢、智能体中心和AI编程助手三大核心能力，支持多模态输入与工程化输出，满足全场景研发交付需求。

财务报表是商业银行评估企业经营状况、偿债能力及信用风险的核心依据，其真实性与准确性直接关系到信贷决策的科学性与有效性。在当前企业交易模式日趋复杂、融资渠道持续多元化的背景下，财务粉饰风险呈现出隐蔽化、链条化、复合化等特征，对商业银行风险识别能力提出了更高要求。

从商业银行的实践来看，财务粉饰风险识别面临四大挑战。

一是报表勾稽关系复杂，人工核验效率低下。资产负债表、利润表与现金流量表之间勾稽关系繁多，关键指标内在逻辑复杂。由于指标数量庞大、计算口径多样，人工核验耗时长、易遗漏误判，难以满足批量化、标准化风险管理要求。

二是异常信号隐蔽性强，单一指标判断难以奏效。财务粉饰多表现为多个会计科目联动背离，如收入增长但现金流不足、应收账款与存货同步异常上升等复合型信号。仅依赖单项指标阈值判断，往往难以发现深层次风险，导致识别滞后，错失处置时机。

三是行业差异显著，标准化阈值适用性受限。不同行业在毛利率、资金周转率、回款周期等财务特征上差异显著，同一指标在不同行业背景下经济含义迥异。标准化阈值难以适应多样化行业特征，导致误报率高、漏报风险大，制约识别准确性与有效性。

四是外部信息分散，多源整合成本高昂。审计意见、监管问询、媒体质疑、董监高变动等非财务信息对判断财务真实性具有重要参考价值，但信息分散于各类公告、报告、文书及舆情中，人工整合成本高，难以形成系统化研判依据，影响识别全面性与深度。

基于上述挑战，财务粉饰识别工作不仅需要深厚的财务专业能力，更需要强大的数据处理、规则推理与多源信息整合能力。传统人工操作模式已难以满足商业银行风险管理要求，亟须借助AI平台能力实现技术赋能与流程优化，打造智能化、标准化的财务粉饰风险识别解决方案。

财务粉饰识别智能体应用采用氛围式编程，先后生成一个技能与三个智能体，分别为：财务粉饰识别技能、企业年报数据解析智能体、财务粉饰风险分析智能体和报告生成智能体，支持多模态数据解析、财务粉饰智能分析及报告生成等功能。

技能生成器（Skill-creator）：快速智能构建专业领域技能

华夏银行AI原生研发平台内置技能生成器（Skill-creator），作为全局技能向所有用户开放使用。技能生成器依托标准化技能文档模板与脚本校验能力搭建而成，通过接收用户自然语言输入的技能名称、应用场景、业务逻辑与部署范围等信息，依托预设模板自动渲染生成规范的Skill.md文件、创建对应技能目录并配套测试用例，同时内置格式校验脚本完成合规性自检，旨在将复杂的业务规则、领域知识等经验快速转化为智能体可调用的技能，实现从业务需求到专业领域可用技能的自动化落地。

财务粉饰识别技能（Financial-fraud-detection Skill）构建

财务粉饰识别技能的核心内容为检查报表勾稽关系，对目标企业进行纵横向对比，检查关键指标，关注预警信息，通过多维度交叉验证，输出风险评估结论与调查建议。首先调用平台内置的全局头脑风暴（Brainstorming）技能，以多轮对话方式进行财务粉饰识别需求挖掘，明确需求边界、用户群体、输入输出要求等；而后上传一份通用财务粉饰识别手册作为参考经验，调用技能生成器（Skill-creator），以单选、多选及自主输入人机交互方式，确认勾稽关系校验规则、纵横向对比基准、核心指标异常阈值及非财务预警信号等参数；最终将上述知识封装为财务粉饰识别技能（Financial-fraud-detection Skill）。

企业年报数据智能解析

用户上传目标企业年报后，多模态数据解析智能体自动对年报内容进行处理，识别、提取、加工、汇总资产负债表、利润表、现金流量表和所有者权益变动表中的相关数据，将非标准结构的上市公司年报转化为结构化标准财务数据集，为财务粉饰风险分析奠定数据基础。

财务粉饰风险智能分析

依托平台智能体框架构建的财务粉饰风险分析智能体自动调用财务粉饰识别技能，开展财务指标计算、表间勾稽关系智能校验、历史趋势动态对比、异常波动自动识别及重点科目深度风险研判等。该智能体针对收入虚增、利润调节、资产虚增、现金流异常、成本费用异常等典型财务粉饰风险进行精准识别与综合评估，通过梳理异常信号清单，分析信号间的逻辑关联与严重程度，据此评定风险等级，形成分析结论。

分析报告智能生成

分析完成后，报告生成智能体对分析结论进行自动化整理，将风险点、支撑数据及建议等内容进行标准化输出，支持灵活输出PDF、Doc、Markdown等格式文件。

实证分析

当前上市公司财务信息质量监管持续从严，财务舞弊仍是资本市场重点整治的顽疾。“十四五”期间，证监会针对财务造假等重大证券违法出具行政处罚2214份，罚没总额达414亿元，较“十三五”分别增长58%和30%。资本市场财务粉饰、报表造假行为高发频发、手段日趋隐蔽，对商业银行信贷风险管理造成极大冲击。上市公司作为商业银行对公信贷、债券投资、投研合作的核心主体，其虚假财报会直接误导银行风险尽调、授信审批等，造成银行错判企业真实偿债能力、经营质量与现金流水平，进而引发授信投放过度、风险敞口虚增、信贷资产劣变等问题，最终催生逾期、不良、坏账等信用风险，大幅抬升银行信贷拨备压力与经营亏损风险，这是商业银行信用风险防控的重大外部隐患。在“智能体＋Skills”测试中选取100家A股上市公司财报作为样本，其中30家为经证监会公开披露存在财务粉饰行为的样本，剩余70家为财务指标稳定、无舞弊及审计异常记录的样本。财务粉饰识别智能体应用的召回率为96.67%，精确率为70.73%，准确率为87%。实证结果表明该应用具备实践可行性与判别稳定性，可为商业银行信贷准入审批、机构投研风险筛查等场景提供智能化财务风险识别支撑。

该实践依托AI原生研发平台实现大幅降本提效，仅耗时4小时便完成财务粉饰识别技能的构建，体现了Skill模式投入小、见效快、门槛低、产出高的突出优势。整套应用建设周期不足一周，相比传统冗长的研发模式，节省了至少两个月的研发周期，高效适配银行实时风控筛查场景，有效破解了传统人工风控分析效率不足、风险识别深度有限等痛点。

财务粉饰识别智能体应用定位于人机协同辅助决策工具，并由商业银行风控、审批等业务专家结合行业属性、经营实景与线下尽调信息综合完成最终判断，有效提升财务风险筛查效率、深挖报表异常线索并完整留存分析推演依据，形成人机互补的新型风控作业模式。当前智能风控落地仍面临技术适配与组织管理层面的双重约束，伴随AI技术持续迭代，人机协同已是企业财务风控的主流发展方向。对商业银行而言，一方面要依据业务风险等级、项目复杂程度合理划分机器识别与人为主观研判的权责权重；另一方面需同步培育人机协同企业文化，开展全员数字化能力培训，为智能体规模化落地筑牢组织保障。

【龚伟华为华夏银行首席信息官，王彦博为华夏银行科技开发与运行中心副总经理，姜慎威为华夏银行乌鲁木齐分行信息科技部总经理，关杏元为华夏银行科技开发与运行中心人工智能室负责人，李璧鲁为华夏银行科技开发与运行中心人工智能室专家，张月为华银数字科技（北京）有限公司专家。本文受北京市科技计划项目《基于 CoE 架构的银行信贷风控大模型系统关键技术研究与应用》（项目编号：Z241100001324024）支持。华夏银行杨雷，华银数字科技（北京）有限公司杨璇、徐奇、吴若菲对本文亦有贡献】