玩家辅助神器“天天爱二十三张辅助器”开挂下载安装 - 最新辅助工具教程

专题：第28届北京科博会-未来产业推介会

　　第28届北京科博会-未来产业推介会于2026年5月8日在北京举行。神州信息AI创新中心高级业务总监叶超出席并演讲
。

　　以下为演讲实录：

　　叶超：大家好 ，下面给各位汇报一下我们最近这1年在银行业做AI智能体落地过程中我们的一些想法和落地的思考。

　　首先给各位看一个数字，5%
，这是我们最近这半年和很多银行交流，包括在一些共创落地过程中我们得到的一个数字 ，很多银行
，包括中小行启动AI智能体的落地和探索，真正在建设过程当中让业务部门使用起来的 ，我们自己的内部统计大概是不到5%
，这个数字在我们的预期之内，但是同时又超出了我们的预期 ，我们也在想说
，大家都在探讨我要建设智能体，建设业务能用起来的智能体 。为什么这个数字是不到5% ，瓶颈在哪里？我们的思考是这样的
，这个问题不在于AI，整个AI的能力已经很强了真正的瓶颈在什么地方呢？AI对于业务的理解 ，我们怎么把业务经验，怎么把我们银行特有的业务经验翻译成AI能够听得懂的语言
。

　　下面我们会给大家展示一下我们两个业务场景里面在落地过程中怎么把业务的语言转化成AI能听得懂的语言
，两个场景：

　　一是财富营销。

　　刚才杨涛主任也提到在智能体应用过程中，财富管理和信贷是主要的应用场景 ，这也是能够产生价值的几个地方 。

　　首先我们来看一下财富管理
，我们今年在合作和讨论和共创的银行里面分成了两个路线，先给大家分享一下 ，左边大家可以看到
，这个是产品驱动的路线和传统过往的做产品营销
、产品投顾的逻辑和思想是差不多一致的，每个月总行选2-3款产品 ，这些产品推送到分行
，由支行的一线理财经理向客户进行转化和营销，AI在这个过程中起到的是通过这个产品形成不同客群千人千面的营销话术 ，更好帮助客户经理进行营销和转化
，这是我们看到的一个方式，这个方式在大模型这里面 ，我们能够看到本质的作用，它虽然说是千人千面
，但是它更多的是围绕着产品去驱动，产品的优先级是最高的 ，客户的需求并不是最高优先级
。

　　右边这个是我们等会儿会给各位分享的
，是我们目前正在跟某家城商行共创了5个月的，已经在做开发落地的一个方向 ，叫做客户驱动
，所谓的客户驱动是跟传统的正好相反，找到客户的偏好、画像 ，在我们所有的产品池里面
，能够通过AI的能力找到最适合它的这一款产品，围绕这些向客户进行推广和推荐 ，在这个过程中
，最高优先级是客户的需求，而不是我们去营销的产品。

　　另外一块是下面的这个 ，为什么说现在两个路线，我们坚持右边的路线
，有一个很重要的原因是，我们看到前一段时间OpenAI刚刚收购了一家公司叫Hiro Finance ，是做个人财富管理的公司
，收购之后把这家公司对2C消费者的财富管理能力，正在融合到自己的GPT背后的能力方面 。大家可以想象一个画面 ，未来像这些大模型它不单单提供的是公开的宽敞型的能力更多的是在垂直场景具备了一些能力
，当我们用产品驱动的模式来思考的时候，很可能我们准备的以产品为中心的千人千面的银行话术 ，当客户把这些问GPT
，或者说在国内问DeepSeeK的时候，我们这种话术的反应能力会被AI在三秒以内识破 ，这种大模型的能力
，我们相信它的迭代速度会非常快，对于我们银行而言 ，我们认为选择本身以客户画像为驱动，能够更好的服务客户
，能够更好的把银行的服务能力和大模型厂商的服务能力进行区分开
。

　　下面是我们在某家城商行，从去年10月份开始共创了接近5个月了 ，我们整体的思路
，我们最开始在产品研发的时候是在自己本地，银行在做落地过程中我们发现翻译 ，把我们理解的银行业务经验和业务逻辑翻译成AI之后
，我们在落地过程中发现不是想象中的那么简单，过程中有各种各样的问题 ，我们发现在第一次上线做体验的过程中
，有60%的总行 、分行和一线的客户经理在问了2轮到3轮之后就不在做这个体验了。他们为什么不做体验了呢？我们在做设计的过程中是希望以客户画像为中心，用客户进行驱动 ，我们希望能够更好的获得更多的客户画像 。前面一到两轮我们设计了一些问题
，比如说搜集了客户的偏好，或者说在银行目前的标签体系里面没有的信息 ，我们通过两轮或者三轮的搜集能够更好的帮助我们去理解
。

　　但是体验下来发现理财经理对这个是不买账的，他在一两轮使用之后
，觉得没有拿到他想要的结果就不Pass掉了，就不再体验了 ，这个是在体验过程中发现的一个现象。根据这个之后我们做了很多的迭代
，比如说像合规，在我们过往的过程中 ，和银行合作的过程中
，有一些合规的条款，我们在城商行里面发现有的一些合规特别细节的处理的标准是不太一样的 ，每家银行都有自己的标准
，这个过程我们都会发现，每一条合规的细节
、合规的逻辑 ，在我们内置到智能体的时候是需要和业务和合规的部门一条一条过的
，每一条要经过合规的审查和检查 。

　　效果的话，右边是一个小的案例 ，我们发现一个很有意思的事情是，当我们给这个Agent发送我们非常具像的要求
，比如说里面有三个条件，传统的决策引擎给出来的是符合条件的产品清单。可能只有一个 ，智能体不是的
，智能体不单单是一个检索更多的是思考和判断经过我们的配置之后，会主动思考出目前只有一个产品 ，我们的智能体会自主的去思考
，我为了能够更好的服务客户，我在后台会找到和这个客户画像偏好比较接近 ，同时这些条件稍微的放宽一点
，有可能是赛道，相似的赛道 ，有更符合客户产品选择的
，我们会把这个智能体给客户经理反馈
。从这个条件里面我们能够感受到，智能体的思考逻辑不是传统决策引擎的逻辑 ，更像是一个理财经理，像一个人的思考
，我收到客户的需求并不仅仅是满足客户的需求，同时基于我们的理解给客户提供更多的选择 ，这是智能体的结果。下面是数据
，就不给大家展开了 。

　　这个是我们在财富营销智能体的案例，在这个过程中 ，我们和总行的产品经理和FA
，和一线的理财经理都做了很多前期的沟通，包括把他们的相关一些经验做一些总结放到智能体里面 ，翻译成AI能够听得懂的语言
，包括进行不断的测试和挑战，这个是财富营销的场景
。

　　二是对公信贷。

　　这个也很有意思 ，目前我们了解到绝大多数银行对于这个是更为感兴趣
，我们做的一个动作是蒸馏，干什么呢？把有经验的风控专家 ，老风控人，他的过往对于案件
，对于对公的客户判断的逻辑、依据进行蒸馏，蒸馏成一个可复用的能力资产 。我们再理解一下是怎么做蒸馏的？蒸馏过程是这样的 ，左边是蒸馏过程
，我们会把过往历史的审批意见 、审查报告的描述，会把它整理出来 ，让大模型进行反向的蒸馏
，从里面找的不是大家判断的依据，而是背后的一些思考逻辑 ，思考的链路和它自己可能没有在任何报告里面体现出来
，但是它背后思考的过程，把它重建成Skill ，这些Skill就能够让新手更快的用起来
。

　　我们上线之后在右边对于新的案件
，新进来的对公案件一方面是会在原有的授信报告的基础上形成双轨的报告，这个报告只从蒸馏的经验里面产出 ，比如说我们蒸馏了10条经验，大家不用觉得说这个可能会蒸馏特别多
，我们会把这些经验在每一个对公授信的报告里面根据客户的实际情况进行匹配，假设说在某一条里面 ，或者是某个像财务分析的板块里面命中了
，我们会把这条规则放在这个地方展示出来，同时这条规则背后关联是哪个案例 ，当时这个案例是什么情况？当时的指标是什么样的？当时的经验是什么样的？我们都会展示出来
，帮助新的风控的经理更好的去做对公授信的审批。同时我们在新的审批的案件里面发现新的案件里面沉淀出来的这些经验能够反向的蒸馏到蒸馏池里面，形成一个互动的场面 ，蒸馏喂养整个审批
，同时我们通过审批来反哺蒸馏池，这是第二个在对公的授信里面做得更直接 ，直接把过往的经验作为蒸馏去做复用 。

　　大家可以从这两个案例里面体会出来
，第一，不管是财富管理还是对公授信 ，不同的业务场景我们的逻辑其实本质是一样的，用同样的一套方法论把过往银行自己特有的银行经验总结出来
，和大模型形成互动
、整合更好的去帮助我们做业务的赋能
。由这两个场景，我们想到了更多的体系 ，我们叫做翻译的方法论
，不同的三个柱子是代表我们公司成熟的情况，左边是财富营销 ，我们已经有落地的情况
，整体来讲从业务经验如何获取，如何蒸馏 ，到如何复用
，整个有一些比较成熟的落地经验，从长尾客群的批量营销 ，到相对来讲高净值客群1对1的服务
，整个来讲是比较成熟的。

　　第二块是客户经营，过往几年是跟北京的几家银行和城商银行的总行有零售的经验 ，我们在这里面也把过往运营的经验，经营经验蒸馏出来
，相当于我们自己蒸馏自己，做成适用的Skill、经验复用给银行 。

　　最后一块是对公授信和更多的场景 ，这块是刚刚启动
，对公授信我们在五一节前刚刚上线的，我们把它放到一起 ，因为是底层
，整体的体系和方法论是一致的，我们无论从业务的经验提取 、梳理 ，蒸馏到Skill
，以及Skill怎么在智能体里面去结合，到智能体怎么去服务 ，服务之后怎么去做反向数据迭代
，这个是一个整体的方法论以及我们落地的分享
。

　　最后是给各位领导汇报一下，我们在过去1年 ，我们从业务到底层整个的沉淀，上面是业务侧
，从对公的金融到零售金融，再到属地银行数字金融是业务侧 ，中间侧是中台
，包括刚才提到的客户经营，底下是几个后台 ，包括我们自己研发的智能体开发平台
，我们自己研发的 AICoding平台。

　　刚才提到我们有做翻译的底气，一方面是我们过去几年在零售
、对公有很多的业务经验 ，和很多银行在业务侧有很多的合作
，这一块是我们沉淀业务经验 。第二，对于AI智能体技术的理解和技术沉淀 ，我们能够做翻译的底气
，在这里我单独说一下我们的人员结构，50%是业务 ，50%是技术，刚才提到的各个业务场景里面的智能体落地
，都是50%对50%比例的架构，我们和我们的合作银行 ，做得比较深入的银行的模式就是这样的。

　　刚才提到这种落地
，我们为什么要把落地经验转化成AI能够听得懂的语言，单纯靠技术这个是行不通的 ，单独靠业务也行不通
，我们的逻辑就是业务+技术，大家各自50%同比例的投入 ，才能够更好的让智能体用起来
，让业务人员愿意用，愿意用才能够产生效果
。

　　最后是总结 ，我们认为AI在最终的金融场景的竞争
，最终看的是谁能够更好的把自己过往的银行自身的特色的经验转化成AI能够听得懂的语言，把它能够落地 ，这件事情急不得，但是也晚不得。

　　新浪声明：所有会议实录均为现场速记整理
，未经演讲者审阅，新浪网登载此文出于传递更多信息之目的 ，并不意味着赞同其观点或证实其描述 。