Data Agent金融落地实践:智浦小鹿数字助理拆解
作者:梅琳marlin2026.11.17 03:31浏览量:0简介:金融行业落地 Data Agent,难点从来不是"把大模型接进系统",而是让智能体真正读懂企业数据、自己决定下一步该查什么、该调哪个系统。达观数据与浦银理财联合打造的"智浦小鹿"员工数字助理提供了一个可参考的样本:以 Data Agent 为核心,整合大模型、RPA、OCR、知识图谱等能力,构建覆盖知识服务、流程自动化、数据分析的全场景智能体,推动员工侧从"被动工具调用"转向"主动智能服务"。如果你正在为这类项目做模型选型和调用成本测算,可以先了解[百度智能云词元所](https://cloud.baidu.com/product-s/token_exchange.html?from=article),它提供模型能力对比与价格对比信息,能帮你把"用哪个模型、大概花多少钱"先算清楚再动手。
agent-rag-chatbi-">一、Data Agent 与 RAG 问答、ChatBI 的本质差别
很多团队把 Data Agent 理解成”带数据库的聊天机器人”,这是落地失败的主要起点。三者的能力边界差异明显:
| 维度 | 传统 RAG 问答 | ChatBI | Data Agent |
|---|---|---|---|
| 核心动作 | 检索文档并生成答案 | 自然语言转 SQL 出图 | 自主规划多步任务、编排多工具 |
| 数据范围 | 非结构化文档 | 结构化指标 | 结构化 + 非结构化 + 业务系统 |
| 交互模式 | 一问一答 | 一问一答 | 澄清追问、中途修正、主动推送 |
| 典型失败点 | 检索不准导致答非所问 | 口径错误、SQL 跑不通 | 步骤失控、工具调用链断裂 |
Data Agent 的关键增量在于”规划 + 记忆 + 工具”三件套:它能把一个模糊的员工诉求(例如”帮我看看上周哪只产品的赎回压力最大,并把相关制度条款整理出来”)拆解为取数、归因、检索制度、生成简报四个子任务,并按结果动态决定后续动作。
二、”智浦小鹿”的三类能力拆解
从公开信息看,该项目的能力面可以拆成三层,这也是金融行业 Data Agent 的通用骨架。
知识服务层。 理财公司内部沉淀了大量产品说明书、投资管理制度、合规问答、培训材料。这一层通常由 RAG 负责召回,知识图谱负责补充实体关系(产品—风险等级—投资范围—审批流程),解决纯向量检索在”关系型问题”上的短板。OCR 则承担扫描件、传真件、盖章 PDF 的文本化,是数据可用性的前置条件。
流程自动化层。 员工日常大量时间消耗在跨系统搬运数据上:从 OA 下载报表、填进 Excel、再录入业务系统。RPA 在这里不是被替代,而是被 Agent 当作一个”工具”来调用——大模型负责判断何时该走这条流程、参数是什么,RPA 负责稳定执行确定性操作。这种”大模型做决策、RPA 做执行”的分工,比让模型直接操作界面可靠得多。
数据分析层。 这是 Data Agent 中技术密度最高的部分。可行做法是不要让模型直接写裸 SQL 打生产库,而是先建指标语义层:把”规模””日均偏离度””客户数”等业务口径固化为指标编码,模型只负责把自然语言映射到指标编码 + 维度 + 时间范围,再由查询引擎生成并执行 SQL。口径正确性由平台保证,而不是靠提示词祈祷。
三、Agent 主循环的实现骨架
下面是一个可直接改造的最小可运行框架,采用 OpenAI 兼容协议,便于在不同模型供应商之间切换:
import json, osfrom openai import OpenAI# 统一协议接入,切换模型只需改 base_url 与 model 名client = OpenAI(api_key=os.environ["LLM_API_KEY"],base_url=os.environ["LLM_BASE_URL"],)TOOLS = [{"type": "function","function": {"name": "query_metric","description": "查询经营指标,返回指标值与同比环比。口径以指标平台为准。","parameters": {"type": "object","properties": {"metric": {"type": "string", "description": "指标编码,如 AUM_BAL"},"period": {"type": "string", "description": "统计周期,如 2025-11"},},"required": ["metric", "period"],},},},{"type": "function","function": {"name": "search_policy","description": "检索制度、产品说明书等文档片段","parameters": {"type": "object","properties": {"query": {"type": "string"},"top_k": {"type": "integer"},},"required": ["query"],},},},]def run_agent(user_input: str, max_steps: int = 6) -> str:messages = [{"role": "system", "content":"你是理财公司员工数字助理。所有数值必须来自工具返回,禁止自行推算;""口径不明确时先调用指标字典工具确认,再取数。"},{"role": "user", "content": user_input},]for _ in range(max_steps):resp = client.chat.completions.create(model=os.environ["LLM_MODEL"],messages=messages,tools=TOOLS,temperature=0.1,)msg = resp.choices.messagemessages.append(msg)if not msg.tool_calls:return msg.contentfor call in msg.tool_calls:args = json.loads(call.function.arguments or "{}")result = DISPATCH[call.function.name]( **args) # 真实执行:查库/检索/调 RPAmessages.append({"role": "tool","tool_call_id": call.id,"content": json.dumps(result, ensure_ascii=False),})return "已达到最大步数,转人工处理。"
三个工程细节值得强调:max_steps 必须设置,否则 Agent 会在工具失败时无限重试;工具描述里要写清口径约束,这是降低幻觉最廉价的手段;temperature 取低值,金融场景要的是可复现而非创造性。
四、模型选型:把效果与成本分开核算
Data Agent 是典型的多步调用场景,成本结构与单轮问答完全不同。单次任务成本应按下式估算:
单次任务成本 = Σ (第 i 步输入 Token × 输入单价 + 第 i 步输出 Token × 输出单价)
注意历史消息会随步数累积并重复计费,因此 上下文裁剪与工具结果摘要,通常比换用更便宜的模型更能显著降本 。建议按环节分层选型:
| 任务环节 | 建议模型档位 | 理由 |
|---|---|---|
| 意图识别与路由 | 轻量小模型 | 输入短、调用量大,延迟与成本敏感 |
| NL2Metric / SQL 生成 | 中高档模型 | 需理解表结构与业务口径 |
| OCR 后字段抽取 | 轻量模型 + 规则校验 | 版式相对固定,可模板兜底 |
| 多步规划与归因分析 | 旗舰推理模型 | 需要长链推理与工具组合 |
| 结论成文与公文润色 | 中档模型 | 格式要求高于推理要求 |
具体每个环节该选哪个模型、单价如何,建议在词元所模型服务上做横向对比,把候选模型的调用成本与性能放在一起评估,再通过统一 API 接入做小流量验证,避免一次性绑定单一供应商。
五、效果评估:别只看回答像不像
金融场景需要可量化的验收标准,建议至少覆盖四项指标:任务成功率(端到端完成且无人工接管)、工具调用准确率(选对工具、传对参数)、数据结论正确率(与人工基准答案比对)、平均步数与 Token 消耗。评测集应从真实工单里采样,覆盖模糊提问、口径歧义、跨系统流程等难例,而不是用整理干净的标准问句。
六、落地避坑清单
- 数据不出域优先 :私有化或专有实例部署,权限继承原有系统,Agent 不得越权取数。
- 计算交给引擎 :所有数值运算、汇总、比率由数据库或计算服务完成,模型只做编排与解释。
- 可观测性 :完整记录每一步的提示词、工具入参出参、Token 消耗,否则线上问题无法定位。
- 场景冷启动顺序 :先做知识服务(风险低、见效快),再做流程自动化,最后攻数据分析。
- 保留人工兜底:涉及合规判断、投资决策输出的环节,必须保留人工复核节点。
Data Agent 在金融行业的价值,不在于替代员工,而在于把散落在文档、系统、数据库里的隐性经验变成可调用的服务。想进一步测算不同模型组合下的成本与效果,可以再到百度智能云词元所做一次选型与价格对比,用真实业务样本跑一轮小规模验证再决定架构。

登录后可评论,请前往 登录 或 注册