在金融行業數字化向智能化轉型的關鍵時期，生成式人工智能與大模型技術成為核心驅動力。螞蟻數科以 “大模型 + 智能體” 為雙輪引擎，構建起覆蓋金融全場景的智能體矩陣Agentar ，推動金融服務從單點智能向流程智能、決策智能躍遷。從技術架構到行業實踐，Agentar 的探索為金融智能化轉型提供了可復制的范式。

人工智能演進與金融智能體崛起

人工智能發展歷經三次浪潮，從 1956 年達特茅斯會議提出 AI 概念，到 20 世紀 80 年代專家系統應用，再到 2006 年深度學習算法突破，直至 2023 年以 GPT-4 為代表的大模型掀起第三次浪潮，AI 正邁向通用智能(AGI)時代。大模型在金融領域滲透率快速提升，英偉達調研顯示，52% 的國際金融機構已應用生成式 AI，98% 計劃在 2025 年加大 AI 基礎設施投入，核心業務場景如交易與投資組合優化、風險管理等滲透率超 30%。

國內金融行業是大模型落地的先行者，2024 年大模型落地案例占比達 36.7%，銀行業憑借數字化轉型基礎成為落地占比最高的行業。然而，大模型在金融應用中存在局限性，如缺乏自主感知與決策執行能力、“幻覺” 問題、專業認知不足等，金融智能體應運而生。它通過 “感知 - 推理 - 規劃 - 執行 - 進化” 的閉環機制，將大模型認知能力轉化為業務行動，打破流程壁壘，實現端到端自動化和實時響應。

Agentar 技術架構與核心能力

螞蟻數科構建了以金融大模型為智能中樞的全棧技術體系，通過五大支撐推動金融新質生產力可信躍遷。其金融大模型通過二次訓練(SFT/DPO/GRPO/PPO 等)形成機構專有模型，在語言、知識、推理、數學等通用能力上優于同尺寸通用基模，關鍵在于基于專業知識工程的高質量訓練數據集，包括精標長 COT 數據、金融標簽體系，通過 6 大知識庫、20 + 類知識、8 條知識挖掘鏈路，解決 RAG 鏈路中時間匹配度、內容相關性、安全合規和客觀數據幻覺等問題。

企業級全棧智能體平臺Agentar整合了 1000 + 安全合規水位標準和 500 + 金融能力模塊，MCP服務廣場聚合百種企業級能力，包括 20 + 螞蟻自研 MCP 服務(如基金特色、投顧、企業風控等)和三方生態共建服務(如金融資訊、投教等)。安全合規圍欄貫穿模型全生命周期，從語料來源合規性到模型上線后的業務防御，通過語料去毒、供應鏈漏洞檢測、AI 仿真復測等流程確保安全。雙軌制評測標準(基礎分 + 提高分)和標注歸因體系，以效果驅動智能體精準調優，覆蓋基金、保險、轉賬等多業務場景。

螞蟻數科提出 “三車間” 范式的全鏈路實踐方法論，策劃車間通過意圖識別模型、猜問生成模型拆解用戶需求;執行車間基于需求召回相關供給，調用工具;表達車間通過提示詞配合表達模型確保答案質量，實現算法與工程優化的雙向結合，輸出符合金融嚴謹性、合規性要求的內容。

在 2025 年 6 月 19 日的中國國際金融展上，螞蟻數科更是傳來捷報，其金融行業大模型在上財 Fineval、東方財富 OpenFinData 等權威金融評測集中，全面超越 Qwen2.5、Xuanyuan3 等主流模型，勇奪第一名。此類測評覆蓋問答、推理、財報分析等多元真實金融任務，對模型的金融知識儲備、業務邏輯理解能力要求近乎苛刻，Agentar 能夠脫穎而出，彰顯了其深厚的技術底蘊與對金融場景的精準把握。

此外，Agentar 沉淀了億級規模的金融專業數據，涵蓋市場行情、行業研報、政策法規等關鍵信息，均源自日常真實業務場景，數據的真實性與價值極高。同時，十萬級推理鏈標注數據的投入，讓模型具備了資深金融從業者般的邏輯推理與分析判斷能力，面對復雜問題能夠層層拆解、理清脈絡，給出令人信服的解答。

Agentar深度應用場景與行業實踐

財富管理：重塑客戶體驗與業務范式

財富管理智能體通過自主動態規劃、任務調用和答案生成，重塑客戶體驗。以 “持倉合理性分析” 為例，Agentar 基于用戶畫像和市場研判，調用資配模型生成調整建議，輸出包含思維鏈展示的結構化答案，經嚴謹性、合規性等出廠檢驗后交付客戶。這種模式不僅提升了服務專業性，還實現了從被動問答到主動規劃的轉變，讓客戶獲得個性化的資產配置建議。

智能營銷：精準觸達提升轉化效率

營銷智能體針對高凈值客戶群體，如 500 萬高凈值白戶，通過人貨匹配、營銷敏感時機捕捉、權益偏好出價等流程，生成智能化營銷方案。例如，在申購滿額活動中，Agentar 規劃早中晚不同時段的觸達策略，搭配加油卡、超市卡等權益，較傳統營銷效果提升 20%，成本降低 10%，實現了從 “大海撈針” 到 “精準滴灌” 的營銷升級。

風控建模：智能化全流程提升效率與精度

風控建模智能體實現了從建模流程規劃到模型評估的全流程自動化。它能在 20 秒內針對人行征信場景生成 24 大類 1.2 萬維特征，利用遷移學習、多任務學習等前沿算法，在小樣本量場景下提升建模效果。實踐數據顯示，銀行 A 通過 Agentar 建模，KS 值從 0.2670 提升至 0.6148，AUC 從 0.1795 提升至 0.6291，建模效率提升 30%，達到行業專家水平以上。

全行級 智能體平臺：端到端智能化升級

螞蟻數科為銀行構建的全行級智能體平臺，涵蓋 ToC(面向客戶)和 ToP(面向行員)兩大方向。ToC 端的 AI 智能助理提供個性化理財推薦、智能投顧等服務，覆蓋理財、基金、信用卡等 30 + 場景，預計服務超數千萬客戶，客戶體驗提升 8-10 倍;ToP 端的 AI 行員助手為客戶經理提供客戶洞察、業務推薦等支持，擴大服務半徑 2-10 倍，提升投研投顧專業度。平臺打破業務條線壁壘，實現從 “單點支撐” 向 “全域協同” 演進。

AI 原生手機銀行：交互模式與服務體驗革新

AI 原生手機銀行采用 “對話即服務” 理念，將傳統 GUI 模式轉變為 LUI(語言交互)模式，用戶通過語音或文字即可完成賬戶查詢、轉賬匯款等操作。通過構建金融垂類多模態語料庫、知識圖譜事實約束和標準化服務單元組合，解決了自然語言理解精準性、金融級嚴謹性等挑戰，實現高頻業務 “零點擊辦理”，老年客戶滿意度顯著提升，推動手機銀行從工具屬性向智能體驗升級。

100 + 深度業務場景全景與行業影響

Agentar聯合合作伙伴推動落地100 + 深度業務場景，形成覆蓋銀行、證券、保險及通用板塊的全方位解決方案。銀行板塊占比 52.38%(55 個場景)，涵蓋零售業務助手、經營分析助手、信貸和風控等，如 AI 盡調報告生成、智能風控審核等;證券板塊聚焦投研、投顧、合規，如研報框架建議、理財產品問答預處理;保險板塊覆蓋產品服務、承保理賠、合規監管，如個性化保險方案推薦、智能定損反欺詐;通用板塊涉及安全合規、智能辦公、智能用數等，如內容安全審核、領導駕駛艙。

從業務鏈條看，客戶服務場景實現 7×24 小時智能響應，提升服務可得性;內部運營場景賦能員工，降低重復性工作成本;營銷銷售場景通過數據驅動實現精準觸達;風險管理場景從事后補救轉向事前預警;產品創新場景加速需求洞察與研發迭代;決策支持場景為管理層提供數據驅動的決策依據。這種 “廣度覆蓋” 與 “深度滲透” 的場景布局，推動金融機構從勞動密集型向智能驅動型組織轉型。

國際數據公司(IDC)發布的《中國零售信貸智能風控解決方案市場份額，2024》顯示，2024 年，中國零售信貸智能風控解決方案市場規模達到 65.41 億元，同比增長 20.1%，其中螞蟻數科以 15.7% 的市場份額排名第一。報告指出，在市場經濟低迷的背景下，信貸風險上升、監管要求趨嚴、客戶體驗提升需求等因素共同推動了市場對零售信貸智能風控解決方案需求的提升，Agentar 基于多源數據整合優勢和長期在數據隱私保護技術方面的沉淀，在該細分市場表現突出。

行業挑戰與未來展望

盡管金融智能體前景廣闊，但仍面臨諸多挑戰。技術層面，大模型 “幻覺” 問題需通過數據治理、模型優化和風險控制模塊解決;行業層面，數據孤島、流程固化等存量問題亟待突破;監管層面，數據合規、模型可解釋性等要求增加了落地難度。螞蟻數科通過安全合規圍欄、雙軌制評測等體系，在一定程度上應對了這些挑戰，但行業整體仍需在技術、監管、生態等方面協同推進。

未來，金融智能體將推動四大趨勢發展：個性化與嵌入式金融服務，通過實時動態推薦實現 “千人千面”，并嵌入生活場景;智能化產品設計，輔助市場分析和合同生成，加速產品迭代;實時智能風險管理，構建動態評估模型，提升風險預警能力;全新合規監管模式，輔助合規檢查和法規解讀，同時監管機構可利用金融智能體實現穿透式監管。螞蟻數科以 “場景驅動、價值創造” 為導向，其 Agentar 產品在銀行、保險、證券等行業的規模化應用，為金融行業智能化轉型提供了實踐范本，預示著智能驅動的金融新生態正在形成。