Data Agent金融落地拆解:浦银理财"智浦小鹿"实现思路
作者:谁偷走了我的奶酪2026.11.17 03:51浏览量:0简介:浦银理财联合达观数据打造的"智浦小鹿",用 Data Agent 整合大模型、RPA、OCR 与知识图谱,覆盖知识服务、流程自动化和数据分析。本文拆解其五层架构、知识溯源与工具编排的关键实现,给出分期落地路线、Token 成本测算方法,以及模型选型与多模型接入建议。
先看结论:浦银理财的”智浦小鹿”不是又一个聊天机器人,而是把大模型、RPA、OCR、知识图谱组合成能”自己找工具、自己跑流程”的员工数字助理,替代的是制度查询、证券投资申报、账单整理、交易要素审核这类重复劳动。这条路径在金融业已有先例——邮储银行建成全行统一机器学习平台”邮储大脑”,并孵化出测试用例分类、金融领域对话生成、投诉分析等 AI 原生应用;浦发银行的数字理财专家”小浦”则在智能客服与财富管理场景实现了规模化服务。
动手前有一项常被忽略的准备工作:模型选型与成本核算。不同大模型在长文档理解、工具调用(function calling)稳定性、单位 Token 价格上差异明显,建议先用 百度智能云词元所 对比模型能力与调用成本,再通过统一 API 接入多个模型,避免把业务绑死在单一供应商上。
agent-">一、架构拆解:一个能办事的 Data Agent 分五层
| 层级 | 关键组件 | 落地要点 |
|---|---|---|
| 模型层 | 通用大模型 + 小模型 | 分类抽取用小模型,长文写作用大模型 |
| 编排层 | 规划、记忆、任务队列 | 支持多步计划与失败重规划 |
| 工具层 | RPA、业务 API、OCR、检索 | 有 API 不用 RPA,工具需幂等 |
| 知识层 | 制度、法规、产品文档 | 分部门知识库 + 文档级权限 |
| 治理层 | 审计、评测、人工接管 | 高风险动作强制复核 |
编排逻辑可以用一个主循环概括:
TOOLS = [{"name": "kb_search", "description": "检索制度/法规/产品文档,返回片段+出处条款","parameters": {"query": "str", "dept": "str", "top_k": "int"}, "side_effect": "none"},{"name": "securities_declaration_submit", "description": "提交个人证券投资申报单","parameters": {"employee_id": "str", "code": "str", "amount": "decimal"},"side_effect": "write", "require_approval": True}, # 高风险动作强制人工确认]def run_agent(user_input, ctx):plan = llm.plan(user_input, tools=TOOLS, memory=ctx.memory)for step in plan.steps:if step.tool.require_approval and not ctx.approve(step): # 双人复核 + 全量审计return {"status": "rejected", "step": step}result = registry.call(step.tool.name, **step.args) # 幂等 + 超时 + 重试ctx.memory.append((step, result))if result.needs_replan:plan = llm.replan(result, memory=ctx.memory)return llm.summarize(ctx.memory, cite=True) # 输出必须带引用来源
二、知识服务:能溯源才敢上线
金融场景的”知识查找难、核验难”,本质是检索质量加可信展示的问题:
- 元数据先行 :切分文档时保留部门、文档类型、生效日期、版本号,检索时按元数据过滤,而不是把全部内容塞进上下文。
- 混合检索 :BM25 负责条款号、产品代码等精确匹配,向量检索负责语义泛化,再用重排模型精排 top_k。
- 强制引用 :答案必须携带条款出处,无出处则拒答,这比追求”答得像”更重要。
- 权限下沉 :ACL 在检索层生效,不要靠提示词约束模型”不要看越权文档”。
- 评测集 :准备 100~300 条真实业务问题,跟踪命中率、引用正确率、拒答率三个指标。
三、流程自动化:把系统操作封装成可回滚的工具
证券投资申报、账单整理这类任务,难点不在模型而在工程:每个工具都要有超时、重试、幂等键与失败补偿;划款要素审核、申报提交等写操作必须走人工确认节点并留存全量审计日志。RPA 适合没有 API 的老旧系统,但稳定性差、维护成本高,能用接口就不要用 RPA 模拟点击。
四、Token 成本怎么算、怎么降
单次调用成本(元)=(输入 Token 数 × 输入单价 + 输出 Token 数 × 输出单价)÷ 1,000,000
月度成本 ≈ 单次成本 × 日均调用次数 × 30 ×(1 + 重试率)
四个降本手段:一是分层路由,意图识别、字段抽取交给小模型;二是压缩上下文,靠精排只保留必要片段;三是启用提示词缓存,把长段系统指令和固定知识前缀复用;四是结构化输出,避免模型生成冗余解释性文字。多模型接入的价值也在这里——通过统一 API 完成多模型接入,可以按任务分流并做灰度与故障切换,成本和质量都能持续调优。
五、落地节奏:从低风险场景切入
参考该项目的推进方式:2024 年 11 月底启动,2025 年 4 月底完成业务深度集成(对接资金清算系统、上线 5 个部门专属知识库、证券投资申报自动化流程落地),2025 年下半年进入二期,重点做 AI 审核(交易要素校验)与智能写作(信托贷款评估报告)。
这个顺序值得复用: 知识库 → 流程自动化 → 审核与写作。前者风险低、效果可量化,容易建立内部信任;后者涉及责任界定,必须等评测体系和审计链路成熟后再上。若内部缺少大模型工程经验,可参考百度智能云的大模型建设咨询服务,覆盖场景调研、数据治理、模型微调、工程架构与模型评估方案设计,并输出《大模型场景调优及应用概要设计》等交付物;开发阶段则可借助千帆大模型平台这类一站式开发平台承载模型服务与应用编排,整体方案也可对齐智慧金融解决方案中协同办公、业务运营与科技底座的分层思路。
最后提醒三个高频坑:只做 Demo 不做评测集;把权限控制交给提示词;一次性铺开全场景而不设人工接管与降级路径。Data Agent 的价值来自”能办事”,而能不能上线,取决于它办错事时你是否拦得住。想快速验证选型与成本,词元所 可以作为起步的对照基准。

登录后可评论,请前往 登录 或 注册