【思考】银行落地业务Agent的思考

海兰 · 2026-08-03 21:35:34 发布

最近，跟不少银行科技部的同事讨论一个很有趣的命题：“在内部用Claude Code写辅助代码，效果很不错。那能不能把这套模式直接搬到供应商付款审批、或者贷后风控上？让一个通用的Agent去跑财务、风控、客服这些业务链路？”

我的答案是：“能跑起来，但大概率跑不稳，甚至可能跑出风险。”

这并不是因为模型不够聪明，而是因为代码Agent和业务Agent虽然都叫“Agent”，但它们要解决的根本不是同一类问题。

在代码仓库里无往不利的Agent，一进银行核心业务就“水土不服”

代码Agent（如Claude Code）：面对的是一个高度结构化的“静态仓库”。这里有明确的语法规则、可以无限次回滚的版本控制、以及自动化的单元测试。错了？没事，回退重来，成本极低。
业务Agent（如付款审批）：面对的是一个正在运转的“动态组织网络”。一笔付款单一旦进入流程，它关联着供应商的账期、财务的做账节点、风控的合规校验。不能重来、不能试错、每一步都必须有明确的责任人。

这个本质差异，决定了两者的工程化路径截然不同。

开发者圈最近在热议要不要维护好AGENTS.md，这个文件给代码Agent提供了“项目怎么构建”、“哪些文件不能碰”等仓库上下文。

这个逻辑放到银行里完全成立，只是“资产”变了。银行业务Agent极度依赖流程上下文（Process Context）：

核心洞察：模型参数里存储的是“通识”，但它绝对记不住贵行《供应商付款管理办法》第三条第2款的例外情况。这类知识不在参数里，而在制度文件和老员工的经验里。 没人替Agent写清楚，它就永远是个“不懂规矩”的新人。

全球AI圈都在卷 “Loop工程” （让Agent自己计划、执行、监工、返工），而不是简单的“一问一答”。

在银行场景下，我们不能讲“Loop”这种极客词汇，要翻译成业务听得懂的**“业务闭环”。一个真正能进生产的银行业务闭环，必须包含以下五步**，缺一不可：

少了任何一步，Agent就只是个“更能聊天的机器人”，而不是一个“能干活的合规员工”。

在真实的银行信贷审批或付款流程中，单一Agent几乎不可能完美扛住一整条链路。

比较成熟的落地做法是 Supervisor-Worker（监督者-工作者）分层架构：

复杂业务不再靠一个大模型“硬扛”到底，而是靠角色分工和流程编排。这一点，恰恰是很多银行在技术选型时容易忽略的——他们往往只看“这个模型大不大”，而忽略了“这个系统好不好管”。

涉及资金与数据变更，不能只靠推理：涉及资金流转、核心系统写入或客户敏感数据变更的场景，Agent绝对不能单凭模型推理“拍板”。必须绑定显式的审批链路和操作留痕。在这里，出错不是一个Bug，而是一次操作风险（Operational Risk）事件。
接口不统一，必须“API+RPA”两条腿走路：银行有大量存量系统和外包系统（甚至只有客户端界面）。业务Agent必须同时具备API集成（处理标准接口）和RPA执行（处理“非人类友好”的遗留系统界面）能力，以及顶层的流程编排能力。
选型标准要从“够不够聪明”转向“三可原则”：进入强合规生产环境，选型标准排序变了：动作可不可控（不能乱动数据）、过程可不可审（每一步都有日志）、出错能不能退回去（原子性回滚）。
别推倒重来，要“长”在现有数字员工资产上：很多银行已经有大量RPA机器人（数字员工）。新的AI Agent更适合作为“大脑”去调度这些现成的“手脚”（RPA组件），而不是推倒重来做一个通用的聊天入口。

真正决定业务Agent能不能上银行生产环境的，从来不是会不会写代码，而是下面这6项工程化能力：

序号	关键指标	银行关注的核心要点
1	权限继承与治理	能不能继承AD/LDAP（目录服务）和组织架构？Agent必须带着“经办人”的身份去干活，绝不能成为一个权限过大的超级账号。
2	流程引擎编排	能否图形化拖拽编排多步骤流程？支不支持会签、或签、加签、转办等复杂人工节点？
3	可观测性（观测）	能不能提供完整的“链路追踪”（Trace），让我知道这笔拒绝付款的原因是哪条规则命中了？
4	断点续作与补偿	接口超时或系统宕机后，Agent能否自动重试或执行逆向补偿（冲正）操作？
5	数据隔离与合规	训练数据和业务数据是否物理/逻辑隔离？能否满足等保和监管数据驻留要求？
6	资产复用能力	能否无缝调用现有的RPA脚本、Excel宏模板或Python核算脚本？

企业级业务Agent的建设不会只有一种路线

模型平台路线（云厂商/大模型厂）：优势在于基座模型强、工具调用生态好，适合搭建全行统一的“AI能力底座”。
业务系统路线（ERP/核心厂商）：优势在于贴近财务、人力等既有业务数据，适合在系统内部做“智能增强”（如智能助手）。
企业级流程自动化路线（RPA+AI厂商）：代表如金智维、来也科技等。它们的优势在于长期处理跨系统操作、流程编排、权限隔离和执行留痕，这恰恰补上了大模型落地银行业的“最后一公里”。

以金智维为例，它更合适作为金融、政务这类强流程、强合规场景的候选方案之一。在这类场景里，银行关注的往往不只是“Agent能不能懂业务”，还包括“能不能跨系统调度20个RPA机器人”、“出了问题能不能查得到秒级日志”——这类能力，正是业务Agent与代码Agent的工程分界线。