摘要：大模型在金融行业的落地总体可以分为已有产品的智能化，以及智能体驱动的产品架 构转型两大类。然而，无论是哪一类，都面临着由幻觉、不可控、不准确等通用大模型固有 特征所带来的困惑与障碍，这构成了金融大模型深化落地的主要难点与瓶颈。本文认为，通 用大模型与智能体工具无法从根本上解决这一问题，有必要发展与通用技术正交的金融垂域 技术体系，以驱动可控大模型与有界智能体的具象化与实际落地，这也正是数智金融科技的 核心竞争力所在。支撑垂域大模型技术体系的关键是有组织、有结构地管理与高质效地消费 企业应用知识资产上下文，本文提出的应用实体地图是落地这一目标的有效方法，进而构成 AI 时代新型的Agentic技术型业务资产：领域资源基础设施。实体地图增强的大模型与智 能体应用在相当程度上可以实现大模型输出的可控性与智能体行为的边界性约束，从而快速 推进金融AI应用的深化。AI应用深化与发展最重要的前景模式是入口智能体化、业务系统 物料化与AI中台化，而领域资源基础设施驱动的金融领域专有智能体平台--Agentic应用 开发平台是金融AI中台建设落地的核心与关键，也是金融垂域大模型技术体系的主体依托， 有望打破深需求高定制“业务模型到代码”的成本瓶颈，推动金融IT体系的再次升级重构、 产业AI红利的显性释放与行业增长第二曲线的到来。

1. 金融大模型落地局势与问题的提出

通用大模型技术迅猛发展，语言与代码大模型、多模态模型、智能体、端侧模型与算力乃至物理AI日新月异、快速迭代，OpenAI，Google，Anthropic，阿里、字节、DeepSeek的惊喜此起彼伏……，可以统一称之为通用大模型基础设施。在包括金融在内的产业界，也在基于这些基础设施，积极探索大模型的行业应用，至今已经取得相当多的可喜成果。金融领域大模型的落地方向大体可归为两类：一类是产品智能化，即利用大模型改进原有产品以提升其能力；另一类是以智能体入口对已有产品矩阵进行自主式重构。本文认为这种重构才是金融领域AI原生的真正涵义，而不是完全凭空新造一套。目前为止，金融领域大模型落地的局势是：产品智能化正在进行中，已有不少实际落地场景实例，包括RAG知识问答、文档智能、各类Copilot式的业务助手等，而自主式产品矩阵重构还在酝酿中，基本未见真正的落地案例。总体来讲，现阶段的形态是：虽然通用AI技术发展如火如荼、一日千里，而在产业界包括金融域还处于起步阶段，产业AI红利尚未到达真正规模化释放的阶段。

造成这一现象的原因有很多，包括场景不明确、需求不强烈，以及大模型能力尚不适用等等，但其中一个重要原因则是：通用大模型以及相关工具平台（如智能体）的幻觉、不可控、不准确，导致有很多场景中不敢也不能放手使用，只能大都使用在对话交互体验的提升、知识检索范围的扩大（非结构化文档广泛纳入）、文档抽取审核等金融业务的辅助或表层，从而出现“看上去什么都可以干，实际上哪里也不敢用”的尴尬局面。

许多有识之士提出：金融大模型应用不应只是对通用领域的照搬，而应该努力使大模型输出与智能体行为可控、可信。以智能体流程规划为例，金融领域的智能体不需要也不应该向通用工具那样随意发挥，而是需要将其限制在金融业务的有限范围内，即发展有界智能体。

然而本文要提出的问题却是：至今为止，还没有人给予大模型可控、智能体有界的具象解释或实现，究竟如何可控，怎样有界？业界除了提示词技巧与少数的模型微调尝试外，几乎显见明确地、系统化的方法与实现。

困扰行业的另一个问题是：标准化Scalable的产品服务不能覆盖企业深度的需求，新的市场增长可能又要求深挖、创生标准服务无法触及的深度需求，而深度需求的满足意味着高定制高成本的矛盾。有人认为大模型可以打破这一行业发展瓶颈，但究竟如何打破？目前尚少有具体清晰的答案。

这些正是本文要探讨的重点所在。

2. 金融大模型落地要素、智慧守恒律与垂域大模型技术体系

本文认为，通用大模型的幻觉、不可控、不准确是该项技术的本质特征，它只能随技术进步改善，不会消失，而在金融垂域，这就是需长期应对的常态。如何应对这一常态，正是垂域AI的重点攻关方向。就是说，需要发展与通用技术正交的金融垂域技术体系驱动可控大模型与有界智能体的具象化与实际落地，这也是数智金融科技的落地策略与核心竞争力。

2.1 金融大模型落地要素

在探讨垂域大模型技术体系建设之前，让我们先讨论下金融大模型的落地要素都有哪些？本文将除却通用大模型基础设施之外，在实践中金融机构大模型落地的关键要素总结为模型、提示词与上下文三项。

模型包括通用基础大模型与经过后训练（可以根据情况使用后训练的预训练、微调与强化学习等方法）的场景专属大模型（本文认为行业级场景通用大模型的适用程度仍有待讨论）；提示词则指需要大模型做什么的指令及相关的描述（包括角色设定、COT、示例、约束等）；而上下文则是指企业专属的业务知识资产，它包括业务实体、业务逻辑、规则、业务流程、接口等，它往往是金融应用产品专属的。

需要指出，本文特意将提示词与上下文划分为两类，而不像当前许多工程方法中将两者混为一谈，原因有二：第一，尽管企业业务知识资产类上下文在召回后仍需作为提示词的一部分送入大模型，但对这些“上下文”的管理与治理是垂域AI的内核，且无法被通用大模型覆盖或替代。当前将所有任务相关内容毫无章法地塞给大模型的工程做法，并非可持续深化的系统性方法；二是这些“上下文”中的部分内容也可能需要后训练到场景大模型中成为参数化要素。

​​​​​​​2.2 企业智慧守恒律

这里提出大模型时代企业智慧的概念，并且认为AI驱动的企业智慧由提示词与上下文两部分组成，即场景任务加上企业专属的业务知识资产：

AI时代的企业智慧 = 提示词 + 上下文

本文进一步指出，AI时代的企业智慧是守恒的，即提示词重些，上下文就轻些；上下文厚些，则提示词就可以薄些。

究竟什么意思呢？其实，现阶段的大模型应用工程中相当多的工作都是在提示词上显功夫，大模型应用工程人员大量的时间都花在调试提示词上，有各种技巧经验，并且相关应用效果也大都依赖于此。本文提出上述守恒公式，实际上就是指出：金融垂域的AI应用，与其在提示词上“见招拆招耍机灵”，不如在上下文上“高举高打练内功”，即系统化的探索与研究金融领域上下文的管理与治理方法，包括组织、存储、消费与召回。

这就是企业智慧守恒律的本质涵义。

​​​​​​​2.3 金融垂域大模型技术体系的提出

至此本文提出金融垂域大模型技术体系，即是指与通用大模型及相关平台正交的金融垂域技术方法、产品与设施，它建立在通用技术之上，却又不能也不会被通用技术所覆盖。在通用技术的基础上，并与之紧密结合，具像化与落地可控大模型与有界智能体的概念，有效、系统化地专项推进金融领域大模型应用的广化与深化，最终推动产业AI红利的显性释放阶段与行业增长第二曲线的到来。

而这一技术体系的关键与内核就是对代表企业专属业务知识资产的上下文“高举高打练内功”的管理与治理：工作的对象是业务资产，但采取的却是技术活，即形成AI Ready的技术型业务资产。

那么，这些企业专属业务知识资产位于何处？过去，这些资产也可能在文档中，也可能专家的大脑中，但其最权威、最准确、最全面的所在其实是在应用产品的程序代码中。换句话说，将产品代码的技术因素去掉，留下的就是权威准确全面的“业务知识资产”，即：

企业上下文 = 代码资产 - （if/else – switch/case – for/while）

      

       企业上下文管理与治理的本质就是要把原来以代码组织与管理的“业务资产“面向大模型与智能体的使用重新组织与管理，建设AI Ready的技术型业务资产：它是先进技术，它是基础设施，它支撑领域技术领先，从而形成金融垂域特有的、不可被覆盖的壁垒与优势。

3. 领域资源基础设施与应用实体地图

现在我们知道，面向AI应用落地，金融垂域将形成与通用大模型正交发展的大模型技术体系，其关键是企业上下文的管理与治理，这将改变过去大模型工程中上下文一盘散沙的状态，形成有组织、有结构的技术设施，属于通过Agentic技术型业务资产化打造行业领先优势，本文称之为领域资源基础设施，它是大模型时代产业科技的新事物，是金融垂域大模型技术体系的基础与内核。

结合与依托自身的产品与应用场景，本文对领域资源基础设施落地的具像形态进行了探索，设计与构建了应用实体地图，并在实践中得到了一定的成效：

        . 应用实体地图是领域本体方法论在金融垂域的实体落地体现

        . 应用实体地图是企业业务知识资产（实体、流程、规则、接口等）有组织、结构化的表达，就是企业上下文资源基础设施的核心引擎

        . 应用实体地图 = 代码资产 - （if/else – switch/case – for/while）

        . 一个应用一个产品拥有一组地图

        . 实体、静态流程、动态流程、接口、规则等业务知识资产的要素都可以统一挂接到应用实体地图中

        . 基于实体地图的（隐）意图识别。其本质是资源子图+指令约束的定位算法

图1 意图 = 资源子图 + 约束

        . 静态流程（Workflow）本质是基于实体地图的稀疏概率转移，因此灵活可按需而变；

        . 动态流程（ReAct）本质是基于实体地图的稠密概率转移，因此可控有界。

                仅依赖通用大模型 ReAct 机制的Agent 行为往往不可控：由于缺乏业务知识、上下文边界或规则约束，模型可能产生幻觉、编造不存在的流程、执行不允许的操作，甚至偏离企业真实业务逻辑。因此必须避免模型基于想象自行决定流程。业务场景中的 Agent 必须被严格约束在合规、可解释、可预测的业务行为轨道上。这个轨道就存在于应用实体地图中

        . 业务实体识别+Slot槽位沉淀形成Slot FAQ Box，实际场景中可以快速沉淀业务流程，越跑越快；再用历史任务对齐可以让金融业务越跑越准

                真实场景工具接口数量庞大、定义不统一且缺乏规范，容易出现功能重叠、调用顺序依赖复杂、参数描述模糊等问题。通用 ReAct 代理依赖模型自主规划与选择工具，涉及多步工具调用链路时，往往因接口过多、依赖关系不明确或入参冗余而无法正确推理每一步的调用顺序与参数配置，导致任务失败或工具调用不稳定，即使经过MCP或工具治理，模型随机性，仍无法保证根除。实体地图的Slot Box则是解决这一问题的有效手段。

图2 应用实体地图的资源子图与约束示意

       在领域资源基础设施中，与应用实体地图一起，需要金融垂域沉淀的重要技术型业务资产还有标准化的MCP模型集合，类似于数据平台体系中的标准数据模型，不规范的、繁杂交织的各种接口都需要通过专门的技术组件映射到标准模型上（包括描述、输入/输出参数命名、定义、错误处理、跨工具、日志等等），以保证建立在地图之上的业务运行与进化的健壮性。而实现这种映射的技术组件其实就是遵循MCP编织（MCP Fabric）的设计思想。可以指出，标准MCP模型集合也是和应用产品一一对应的，它与应用实体地图集合一起，都是面向AI大模型的重要资产。

4. 实体地图增强的金融智能体平台

在应用实体地图的加持下，大模型的各项落地能力得到极大的增强，包括RAG、文档与各类业务助手等已有的产品智能化应用。除了实际落地可控大模型与有界智能体的垂域AI应用原则，有效控制与约束幻觉外，应用开发与运行的效率也得到了相应程度的提升，有望打破深度需求高定制满足必经“业务模型到代码”的高成本瓶颈，实现“模型即产品”应用构建新模式。

然而，本文需要特别指出的是，应用实体地图最重要的领域是驱动完全不同于通用工具的金融垂域智能体平台的产生。实体地图增强的金融智能体平台，首先将与业务产品一一对应的应用实体地图集合及标准MCP接口模型集合沉淀为平台与生俱来的高价值资产；同时在这些资产的支持下，实现了金融领域复杂、精准的隐式意图识别、有界可信的ReAct动态流程、灵活可变的Workflow，以及任务固化的Slot Box集合等能力，这些金融智能体平台的特有能力形成了通用工具无法覆盖的数智金融科技核心竞争力。

由于上述金融智能体平台的核心能力完全不同于通用工具，并且将用于支撑大模型时代智能体模式的金融应用开发，因此，也将其称为Agentic应用开发平台。

图3 实体地图增强的金融智能体平台

5. AI中台与新一代金融应用模式展望

回到前文所述金融领域AI应用的两大类别：产品智能化与智能体驱动的产品矩阵重构，产品智能化需要不断深化大模型对原有产品的能力提升，包括对话、推理、生成、FC、多模态等，以达到降本增效的目的，属于原有模式的改进。

在产品矩阵重构领域，将以上述金融智能体平台为主体驱动AI中台的诞生，相当于是大模型驱动的金融大脑，它将支撑业务系统物料化后的多个产品域，面向个性化需求，通过智能入口自主、动态编排各项原子物料能力（可以是普遍理解的MCP集合），达到产品重构的目标，从而推动金融业务应用从以系统为主体、联接为辅助的传统模式，向以系统为辅助、联接为主体的新一代数智金融模式改造式演进。

具体来讲，以现阶段跨业务域产品矩阵重构最重要的场景买方投顾为例，现在，投顾需求以统一的智能入口接入，通过金融智能体平台驱动的AI中台大脑（AI中控），根据意图识别的结果自主对接投顾投研、账户运营、配置观点、产品分析、持仓分析、资产配置、知识问答以及客户服务等多个不同业务域的Agent与MCP化的原子能力，以满足不断变化、千人千面的个性化需求。在这种新的应用模式下，原有多个业务系统的界限被打破，原有的多系统三级菜单使用模式进化为嵌入在智能对话入口中的交互卡片。这不但大幅提升敏态需求被满足的效率与能力，同时也大大降低了专业系统使用的复杂度，从而进一步驱动业务模式的改变，例如真正驱动金融网点/营业厅从业务办理终端向智能营销与展业终端转型的进程。

6. 结语

通用大模型基础设施无法覆盖企业上下文，金融垂域的大模型技术体系与通用技术是正交发展的，其核心是高质效管理与治理业务知识资产的领域资源基础设施，从而驱动金融垂域智能体平台—Agentic应用开发平台的诞生，进一步催生以AI中台大脑为核心的新一代智慧金融应用模式的诞生：即以统一智能入口（对话+意图卡片）替代传统复杂的三级交互菜单，以智能体自主集成重构已经MCP原子物料化的原有业务产品矩阵，支撑以智能联接为主体、以孤立系统为辅助的新型数智金融体系真正落地，有希望打破深需求高定制的成本瓶颈，从而推动新技术驱动的行业增长第二曲线的到来。