★ FEATURED ARTICLE 从去年开始我一直在琢磨怎么把大模型真正塞进金融信贷业务流程里而不是只做一个能聊天的Demo。市面上客服机器人、智能问答一堆可真到了信贷进件、材料预审、额度试算、贷后提醒这些环节大多数模型应用就歇菜了。最近我把华为云智果 AgentArts 拉出来做了一轮深度实践发现这类AI智能体平台的价值在于它让大模型从一个“会说话的人”变成了“会干事的人”。这篇学习笔记会从业务痛点、智能体设计、平台实操、工程化排障四个维度展开适合正在做信贷系统集成的工程师也适合金融业务侧想了解智能体能解决什么问题的朋友。1. 信贷业务痛点与AI智能体的落地方向1.1 信贷全链路里到底哪里最痛信贷业务流程可以拆成获客、进件、审批、签约、放款、贷后几个阶段。每个阶段都有大量重复性、规则性的工作这些工作恰恰是智能体能发力的地方。先说最简单的咨询环节。我在银行项目里见过真实数据客服中心每天接进来的电话接近四成是重复问题“我能贷多少”“利率是多少”“需要准备什么材料”这些话术完全可以由智能体前置承接。再看进件环节客户提交的身份证、营业执照、银行流水样式五花八门人工录入和核对成本极高。审批环节更不用说客户经理要对着征信报告、财报、流水逐项看很多判断依赖个人经验容易漏掉风险点。贷后管理也有痛点还款提醒、逾期催收、结清证明这些事务性工作量大且紧急程度不高但占据了不少人力。这些痛点的共性是什么信息处理量大、规则相对明确、重复度高同时又需要结合上下文完成多步操作。传统自动化脚本只能处理固定表单纯大模型问答又不懂业务流程所以需要智能体来解决“既要理解语义又要执行动作”的问题。1.2 智能体和普通问答机器人不是一回事很多朋友会问我用大模型API接一个客服机器人不就行了为什么还要搞AgentArts这种智能体平台区别在于决策和行动。问答机器人本质是一个“检索生成”的封闭系统用户问一句它去知识库里找答案然后生成回复。但信贷场景里有大量任务是分步骤的比如“客户说想贷款智能体需要先确认贷款类型再判断需要哪些材料接着调用OCR识别证件校验材料是否齐全最后调用额度试算接口”。这不是一次问答能完成的需要智能体具备记忆、规划、工具调用和分支处理能力。我用一个类比问答机器人是给你递菜单的服务员智能体是能帮你点菜、协调后厨、处理结账的大堂经理。AgentArts这类平台把大模型、知识库、工作流、API工具组合在一起让智能体可以“想一下、查一下、调一个接口、再回答”这才是信贷场景真正需要的形态。1.3 平台核心能力快速画像四件套从我使用华为云智果AgentArts的体验来看智能体构建主要围绕四块能力展开能力模块平台提供的能力信贷场景对应用途知识库/RAG文档上传、切片、向量化检索信贷政策、产品手册、合规制度、FAQ工作流编排多节点流程、条件分支、人工审批进件流程、材料预审、风险标注、转人工大模型接入多种模型接入、提示词管理、多模态意图识别、信息抽取、报告生成、证件OCR后处理工具/API自定义插件、HTTP调用、鉴权配置行内系统查询、额度试算、OCR服务、风险评分这四个模块不是孤立的。知识库负责“知道”模型负责“理解”工作流负责“安排”工具负责“执行”。智能体的可靠性就来自于这四者之间的协同而不是某一个大模型单独有多强。我见过不少团队把大模型包装一下就当智能体用结果遇到需要调系统接口的环节就卡住。原因是没有把“工具调用”作为一等公民来设计。在AgentArts里工具是跟模型平级的存在模型只负责生成决策真正干活的是工具节点。这个设计理念我认为是智能体能落地的关键。2. 金融信贷智能体的核心设计拆解2.1 先想清楚意图再动手搭智能体信贷场景的对话看似自由其实可以大致划分成几个稳定的意图类别。我在搭建时习惯先列一张意图清单让后面所有配置都有依据。产品咨询询问额度、利率、期限、还款方式、申请条件等。进件申请想要申请贷款需要引导填写基础信息、上传材料。进度查询我的贷款批到哪一步了为什么还没通过。材料补充上传了什么材料、缺什么、格式不正确怎么办。贷后服务还款日查询、提前还款、结清证明、还款记录。每个意图背后对应不同的处理策略。产品咨询类意图走知识库检索回答时以产品手册为准进件申请类意图要启动一个工作流涉及多轮对话确认信息进度查询类意图要调用查询接口。如果一开始不划分意图把所有问题都丢给大模型自由发挥后面一定会出现“答非所问”和“乱承诺”的情况。划分意图还有一个衍生作用可以做流程分级。比如用户随便问一句“利率多少”不需要进入正式流程但用户说“我要借钱”就触发进件流程。这个分级可以通过每个意图节点的触发条件来实现不需要单独写代码。2.2 信贷知识库的构建不只是“扔文档进去”很多人以为把产品手册和规章制度上传到知识库就完事了实际上RAG的检索质量决定智能体的上限。信贷场景的知识库有几个特别要注意的地方。分片策略。我建议按文档原有的标题层级和段落边界来切片而不是简单按固定字数切。固定字数切片会把“贷款对象”和“贷款用途”切到两个片段里检索的时候容易丢上下文。AgentArts里可以选择“结构化切分”或“智能切分”我实际测试下来按标题层级切分的召回准确率明显更高。版本管理。信贷政策、产品利率变化频繁知识库里容易同时存在旧版和新版内容。我给知识文档强制加“生效日期”“版本号”字段在检索时把“生效日期”作为过滤条件。这个细节很重要不然客户问“现在的利率是多少”智能体可能检索到三个月前的旧政策。脱敏与权限。知识库里一定不要放包含真实客户身份证号、手机号的文档。即使内部测试环境也要用脱敏数据。同时不同角色看到的知识范围应该不同但这通常是知识库权限体系的事AgentArts可以通过“知识库归属”和“访问身份”来控制。再提一个容易被忽略的点知识库不是一劳永逸的。信贷产品调整后旧文档要归档新文档要重新向量化。我建议每次知识库更新后跑一遍“回归测试”用固定问题集检查智能体的回答是否跟着变了。这个习惯能避免很多上线事故。2.3 工具调用与外部系统集成是重中之重智能体真正值钱的地方在于能调用信贷系统里的接口。我在AgentArts里把这些能力封装成“工具”每个工具都有名字、描述、入参、出参。描述写得越清晰模型越知道什么时候该调用这个工具。典型工具有客户信息查询根据客户编号查基本信息。征信摘要解析解析脱敏后的征信报告提取逾期记录、负债率等。身份证OCR识别识别证件图片中的关键字段。额度试算根据客户收入、负债、抵押物等参数返回预授信区间。审批进度查询查当前节点和处理人。还款计划生成根据贷款金额、利率、期限生成还款计划表。工具调用设计有三个坑。第一个坑是接口超时。我在测试时发现额度试算接口偶尔会超过3秒导致智能体以为自己调用失败直接回复“暂时无法查询”。解决方案是在工具节点上设置超时时间超时后走“重试一次仍失败则转人工”的分支。第二个坑是参数校验。模型从对话中抽取“客户编号”“收入金额”时可能抽错工具入参缺失时不能盲目调用。可以在工具前加一个“参数补齐”节点缺哪个参数就问哪个。第三个坑是鉴权。金融系统接口通常需要token或签名千万不要让模型直接接触敏感密钥。AgentArts的鉴权配置可以做到密钥只存在服务端模型只传业务参数这个一定要用上。2.4 多模态能力怎么用进信贷预审信贷材料里有大量图片和PDF比如身份证照片、营业执照扫描件、银行流水截图、财报PDF。如果智能体只能读纯文本这些材料就只能走人工。好在现在的大模型很多支持多模态输入AgentArts里也可以接入多模态模型做材料初审。我试过的典型流程是用户上传一张身份证图片先调用专用OCR服务提取字段再用多模态大模型做“图像是否清晰、是否存在翻拍痕迹、证件是否过期”的简单判断。OCR负责高精度的字段识别多模态模型负责模糊判断两者配合比只用一种效果好很多。多模态模型也可以解析银行流水PDF。把流水PDF转成图片后让模型提取“月均收入”“主要支出”“异常大额进出账”等信息再结合额度试算规则给出预审结论。需要提醒的是多模态模型的解析结果不能作为最终审批依据只能作为预审参考必须保留人工复核环节。模型选择上不要盲目追求最新最大。信贷场景对延迟和稳定性敏感我更倾向于选择“中档模型规则校验”的组合。模型输出“月收入大概2万”这种带模糊性的结果规则引擎再根据“交易流水统计”修正为精确值这样既省成本又可靠。3. 实操过程从零搭建一个信贷资料预审智能体3.1 创建智能体先定人设和边界在AgentArts里创建一个智能体项目后第一步不是写提示词而是定“系统角色”。我给这个信贷智能体定义的角色是“信贷业务助手”强调它是“辅助客户完成申请和材料提交”的角色而不是“审批决策者”。系统提示词里我明确写了三条边界第一不承诺贷款结果所有额度、利率以系统试算或人工审批为准第二不收集与贷款无关的个人隐私信息第三遇到无法确定的问题主动建议转人工。这三条边界在后面的测试中帮我减少了很多合规风险。模型选择方面我配置了一个主模型用于日常对话又配置了一个审核模型用于对智能体的输出做敏感信息过滤。审核模型的职责不是理解业务而是检查回复里有没有“保过”“必批”“最低利率”这类敏感承诺一旦发现就拦截并改写。这种“生成审核”的双模型架构在金融场景里非常值得采用。3.2 配置知识库并调整检索参数我把信贷产品手册、常见问题FAQ、材料清单说明三类文档上传到知识库。产品手册按“贷款类型”分成不同文档每个文档内部保留原章节结构。FAQ文档我做了手工整理一个问题一条记录方便精确匹配。检索参数我做了几轮调试。topK初始是5但发现返回的片段太多模型容易把不相关的内容也组织进回答。后来调成3配合相似度阈值0.7效果明显稳定。这里说的阈值要根据实际测试调整不能照搬别人的数因为不同知识库的向量分布差异很大。有一个实用的调试动作每调整一次参数用同样20个问题去问智能体记录“回答正确”“回答正确但冗余”“错误引用”“无法回答”四类结果。反复几次后你会找到当前知识库的最优参数组合。这个回归测试集建议长期保留作为知识库更新后的验收标准。3.3 编排工作流以一个完整进件为例我选“信贷进件资料预审”作为第一个正式工作流因为它业务流程清晰、数据闭环好、效果容易度量。这个工作流在AgentArts里用可视化编排节点比代码更直观。流程设计如下入口意图判断用户表示想申请贷款后进入进件流程。信息收集智能体依次询问贷款类型、申请金额、贷款期限、收入情况。这里不要一次性问完所有字段信贷客户通常需要边问边解释所以采用一问一答。材料上传提示用户上传身份证、收入证明、银行流水。用户可能只传了一部分智能体需要检查文件类型和数量。OCR提取调用身份证OCR工具提取姓名、证件号、有效期等字段。流水解析调用多模态模型解析银行流水提取收入稳定性和异常交易。规则校验用规则节点判断必填项是否齐全、证件是否过期、收入是否满足准入门槛。分支输出材料齐全且规则通过生成“预审通过已转人工复核”的摘要材料缺失则列出缺失清单存在风险项则直接转人工并标注风险等级。这里最关键的是第6步。规则校验最好用固定代码或规则节点实现不要让模型自己判断“收入是否达标”。我在测试时发现让模型根据解析结果“认为”月收入2万就满足条件实际上不同产品的准入门槛完全不同所以必须把产品对应的规则表固化在规则节点里模型只负责抽取字段。提示词方面信息收集节点我给了一个模板“请先确认客户申请的贷款类型然后分步询问申请金额、期限、收入来源。每收到一个信息都做简短确认不要一次给出过长的清单。”这样对话节奏会更自然客户不容易反感。3.4 测试、调优与兜底话术工作流编排完我用真实脱敏数据做了一轮完整测试。开始暴露了不少问题最有代表性的有三个。第一个问题是模型会在材料不齐时“脑补”缺失信息。用户只上传了身份证模型却以为“收入证明也有”。解决方式是在OCR提取和流水解析节点后加一个“字段校验”节点显式检查所有必填字段是否为空为空就不允许进入下一节点。第二个问题是用户用口语提问比如“我这情况能贷多少”模型直接回复一个具体额度。这是典型的模型幻觉我通过提示词约束“没有完成进件流程前不得给出预估额度”同时在额度试算工具节点上增加了“必须提供贷款类型和收入数据”的前置条件两个手段一起才压住了。第三个问题是流程中途用户突然问“那你们周末上班吗”如果不做处理工作流会卡住。我在工作流外围接了一个“离题检测”节点检测到用户话题偏离当前流程时先回答他的问题再询问“我们继续刚才的贷款申请吗”这个交互细节对用户体验提升很大。4. 常见问题与工程化落地经验4.1 高频问题速查表我在实战中整理了一张问题排查表分享出来供参考现象可能原因解决方案回答包含知识库之外的信息检索命中率低或提示词太开放调高相似度阈值提示词限定“只能依据知识库回答”知识库刚更新但回答没变化新文档未向量化或版本过滤失效重建向量索引检查“生效日期”过滤条件工具调用超时外部接口性能不足设置超时和重试超时后降级转人工模型抽取参数错误用户表达模糊增加“参数补齐”节点缺哪个问哪个多轮对话记忆力变差会话上下文被截断打开长对话记忆或做历史摘要回答中出现敏感承诺提示词边界不足增加审核模型拦截强制改写话术并发高时延迟变大模型推理算力不足启用弹性资源配置或换轻量模型表格里的每一项我都在实际项目中踩过。尤其是“工具调用超时”这条往往不是智能体的问题而是上游系统慢。金融系统接口老化很正常所以一定要把超时视为“预期内情况”而不是异常情况在设计工作流时就预留降级分支。4.2 让智能体更可靠从ReAct模式到自主容错我在调研多模态智能体应用案例时看到不少团队都提到一个思路让智能体先思考再行动也就是ReAct模式。简单说就是模型在回答前先列出“我需要查什么、调用什么工具”执行完工具后再把结果整合成最终回答。AgentArts的工作流天然支持这种模式大模型节点可以输出“下一步动作”工作流根据动作路由到对应工具节点。可靠AI系统的工程实践里经常讲“自主容错控制”放到信贷智能体上就是当工具调用失败或数据异常时系统要能自行决定降级策略。我设计了一条容错路径第一次工具调用失败重试一次第二次失败不再重试而是回复“暂时无法获取数据请稍后重试或转人工”同时把失败信息记录到日志中。不要让智能体陷入反复重试的死循环那只会浪费资源、恶化体验。容错的另一个方向是输出校验。模型生成的回复在发给用户前先跑一遍规则引擎检查是否含有“逾期”“负面结果”等敏感词以及是否包含未经验证的额度数字。如果校验不通过就改为通用话术或转人工。把“校验”作为独立的工程节点而不是依赖模型自觉是我认为最值得推广的做法。4.3 上线前的合规自查与权限设计信贷场景的特殊性决定了我们不能只看效果还要看合规。我列了一个上线前自查清单每一次发布都按这个过是否使用脱敏数据完成所有测试没有真实客户信息残留。是否配置了人工接管机制用户能随时要求转人工系统不强制留AI。是否保留完整的交互日志包括用户提问、模型中间步骤、工具调用结果、最终回复。是否有敏感词和违规承诺的监控违规回答能够被拦截并告警。工具密钥是否只存在于服务端没有把密钥暴露在模型上下文里。其中人工接管机制尤其重要。就算智能体做得再好也要在界面上明显展示“转人工”入口而且转人工时要把当前对话上下文一并传给人工客服。这一条我在项目里反复强调因为缺少上下文的转人工等于让客户把信息重新说一遍体验非常差。权限设计上也值得注意。AgentArts里不同角色可以有不同的可见范围建议至少区分“管理员”“运营人员”“审计人员”三类角色。管理员能修改工作流和工具运营人员只能看运营数据审计人员只能读日志。职责分离在金融场景不是可选项是必选项。4.4 从资料预审扩展到更多金融场景跑通资料预审智能体之后后面的扩展路径就清晰了。我总结了一条经验先做“高重复、低决策权重”的场景再做“有一定决策支持”的场景最后才考虑辅助决策。比较稳妥的扩展顺序是智能客服与产品咨询替代重复问答。进件资料预审提高材料收集效率。审批辅助自动提取征信、财报关键信息生成摘要供人工参考。贷后提醒自动生成还款通知、催收话术。风险预警根据合同数据和外部信息快速生成风险信号工单。每一步都要保持“机器提效、人工决策”的原则。AI智能体可以做信息收集、提取、初步筛选但最终的风险判断和合规责任一定在人身上。这也是我在金融行业做智能化项目时的底线。如果你也正在做信贷智能化我的建议是别一上来就铺大图。找一个像资料预审这样数据闭环完整、业务边界清晰的场景用华为云智果AgentArts快速搭一个MVP跑通模型、知识、流程、工具四件套你就知道后面该往哪走了。很多工程问题只有真实跑起来才会暴露。
阅读完成 · 觉得有帮助？
