随着大模型技术的快速发展，智能体（AI Agent）正逐渐成为金融科技领域的重要力量。智能体通过自主学习、决策和交互能力，有望重塑金融行业的服务模式和业务流程。
金融机构对智能体的关注度持续上升，银行、保险、证券等在大模型探索方面走在前沿的金融机构已经开始将目光转向智能体。部分金融机构已经率先构建智能体平台，提供流程编排、插件开发、Agent部署等全方位功能支持，促进智能体应用的加速落地。
在此背景下，沙丘智库发布《2025年金融业智能体最佳实践报告》，深入分析智能体为金融行业带来的变革与挑战，金融业（包括银行、保险、证券等金融机构）智能体的建设进展与应用场景等，帮助金融机构了解这一新兴市场；同时，提供头部金融机构（包括银行、保险、证券等）在智能体技术方面的16个落地实践，为其他金融机构提供参考。
01
金融业智能体定义
智能体（AI Agent）是指具有自主性或半自主性的智能实体，能够利用人工智能技术在数字或物理环境中感知、决策、采取行动并实现目标。
智能体与传统AI解决方案核心区别在于，智能体的设计和行动是以实现特定目标为导向的，而不是遵循预先定义的规则完成单一或具体任务。通过感知环境并与之互动，智能体表现出一定程序的适应性和学习能力。
在金融行业，多智能体协作正成为主要趋势。开发人员可以利用那些已经在特定任务中经过测试并证明有效的单智能体，组合成多智能体系统，不仅可以提高开发效率，还可以增强系统的可靠性。
不同智能体之间的协作是多智能体系统的核心问题，涉及到如何在不同的智能体之间分配任务、共享信息以及确保能够有效合作从而实现共同的目标。多智能体之间的协作从静态到动态可分为编排智能体、半结构化编排和协作智能体。静态协作和动态协作需要在可靠性和灵活性之间进行平衡：
· 静态协作下，智能体之间的合作方式预先定义好，不随环境或任务的变化而变化，这种模式通常更加可靠，但不够灵活；
· 动态协作下，智能体可以根据环境或任务的需求灵活调整其行为和合作方式，提供了更好的灵活性，但也引入了更多的不确定性，使系统行动更难预测和控制，导致可靠性较低。
当前大多数成功的多智能体系统采用编排智能体或半结构化编排，兼顾一定程度的可靠性和灵活性。去中心化智能体对于大多数企业级应用场景来说可能可靠性过低。
02
金融业智能体应用进展
金融机构对智能体的采纳正在快速增长。总的来看，银行在大模型和智能体技术方面的探索最为领先，证券和保险紧随其后。
沙丘智库近期调研数据显示，25.0%的银行、22.2%的证券公司、13.6%的保险公司表示正在采用智能体技术。此外，37.5%的银行、40.7%的证券公司、31.8%的保险公司表示计划在未来12个月内采用智能体技术。
然而，金融机构在采纳智能体的过程中也面临着一些挑战，主要体现在可靠性、数据安全、调度协作、计算资源等方面。
03
金融业智能体应用场景
金融业智能体应用场景可分为通用场景和垂直场景：
· 通用场景是指在金融行业中广泛适用的智能体应用，不局限于特定的金融业务或领域，而是能够为各类金融机构提供基础性、共通性的功能支持；
· 垂直场景则更加聚焦于特定的金融领域或业务流程，针对这些领域的独特需求和复杂性进行深度定制，具有高度的针对性和专业性。
在报告中，沙丘智库深入分析了银行、证券、保险等细分金融业当前在垂直场景上的智能体应用进展。
· 银行业：信贷作为银行的核心业务，流程复杂且对风险管理要求极高。智能体可以在贷前、贷中、贷后三个阶段提供全面的智能化支持，从而将智能体打造成为具备大模型能力的AI虚拟专家。当前，已经有多家银行开始探索智能体在信贷业务中的应用，但主要是用于提效，而非作为核心决策逻辑。智能体应用需要符合金融合规底线，但银行对智能体的治理和监督仍然存在较大担忧。
· 证券业：出于对智能体可靠性的考虑，当前证券公司的智能体大多为优化工作流程，并在半监督环境中运行，具备有限的自主性和代理能力。从智能体的应用场景上看，证券公司在行业属性较强的前台业务场景中也在开始探索智能体。沙丘智库观察到，已有多家头部证券公司开始将智能体应用于智能投顾领域，旨在进一步提升投顾服务的智能化水平，为客户提供更加精准、高效的投资建议和服务。
· 保险业：智能体可以缓解保险公司在劳动力和知识留存方面的挑战，但对合规性和风险的担忧阻碍了保险公司对智能体的应用。沙丘智库观察到，核保和理赔是保险公司智能体应用的主要场景。
* 以上内容节选自沙丘智库《2025年金融业智能体最佳实践报告》
///
完整报告：沙丘智库《2025年金融业智能体最佳实践报告》（51页PDF）
报告目录
第一部分 金融业智能体应用指南
1.智能体市场分析
1.1 智能体定义与核心特征
1.2 智能体应用架构
1.3 智能体通信协议
1.4 多智能体协作方式
1.5 智能体开发平台
1.6 智能体未来发展趋势
2.金融业智能体建设进展
2.1 金融业智能体采纳率
2.2 金融业智能体应用挑战
2.3 金融业智能体平台建设进展
3.金融业智能体应用场景
3.1 智能体应用场景适用性
3.2 智能体通用应用场景
3.3 垂直行业应用场景
3.3.1 银行业智能体应用场景
3.3.2 证券业智能体应用场景
3.3.3 保险业智能体应用场景
4.金融业智能体应用建议
4.1 启动智能体项目试点
4.2 将智能体融入现有工作流
4.3 智能体供应商选型标准
4.4 智能体的局限性与应对措施
第二部分 金融业智能体典型案例
1.银行
案例1：中国工商银行工银智涌平台
案例2：蚂蚁数科企业级智能体平台实践
案例3：上海银行智能问数平台建设项目
案例4：平安银行AI Agent平台建设实践
案例5：兴业银行理财智能体应用
案例6：新网银行查冻扣文件识别智能体应用
2.证券
案例7：中信建投证券Agent驱动型智能分析实践
案例8：国泰海通证券AI Agent 平台
案例9：东吴证券基于多Agent系统的AI投资顾问
案例10：国金证券基于多智能体的股票交易分析
案例11：Smartbi AIChat赋能券商高效挖掘数据价值
案例12：摩根大通投研智能体“Ask David”
3.保险
案例13：太保产险人伤定责智能体
案例14：泰康人寿“慧运营核保智能体”
案例15：太平健康险AI理赔智能体
4.其他金融
案例16：穆迪风险分析多智能体系统
▎****更多研究
2025年中国“大模型+智能客服”主流厂商市场指南
2025年AI Agent应用最佳实践报告
AI Agent架构设计模式研究报告
2025年“大模型+数据分析”最佳实践报告
大模型应用跟踪调研（2025年7月）
2025年中国银行业大模型应用跟踪报告
2025年中国证券业大模型应用跟踪报告
…
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
