0
| 本文作者： 周蕾 | 2025-12-23 14:45 |
阻礙金融機構把Agent從演示PPT推向核心業務場景的，究竟是什么？是算力成本，是模型能力，抑或是一個萬能的開發平臺？
在與恒生電子首席科學家白碩的深度對話中，我們得到了一個不太常見的答案：以上都不是最要緊的。
白碩早年間在中科院計算所從事前沿研究，后長期擔任上海證券交易所總工程師，主導核心交易系統升級，如今作為恒生電子首席科學家，推動AI技術落地。在經過學術前沿、行業監管核心與產業實踐這一完整路徑之后，他對當下最熱門的Agent話題，給出了具有歷史縱深感的、頗具穿透力的洞察。
他指出，缺乏足夠“厚度”的業務接口——這里并非指底層技術的API，而是指封裝了業務邏輯、能“聽懂”業務人員自然語言指令的能力單元——直接導致現在許多Agent項目陷入“讀不懂”真實業務需求當中的復雜意圖，無法解讀有業務語義的自然語言的指令，或者只能對原有系統做簡單粗暴的封裝。他風趣地提到：你會關心一個電飯鍋能支持多少種花式菜譜，至于底下加熱組件好不好用，會是你關注的重點嗎？
而目前通用型Agent平臺的價值，其在整體解決方案中的價值占比有所下降——脫離垂直領域深厚積累的平臺，只能是一個“空架子”。他認為花錢做Agent，錢除了花在算力上，更要花在構建和豐富原子化的服務能力上。
在白碩眼中，金融Agent已經走過了“硬編碼”“拖拉拽”的階段，抵達目前人們所熟知的自然語言驅動的階段，但眼下并非他所認為的技術終局。他告訴雷峰網，未來的架構很可能會是這樣：敏態業務都歸Agent負責，穩態業務轉變為后臺的工具、資源或物料，當中會有AI中臺進行承接。
這個技術終局聽起來或許不夠賽博朋克，但它在金融這個極其“苛刻”的世界當中，指明了一條AI Agent落地的生存之路。
以下是雷峰網與白碩的對話，有不改變原意的編輯：
雷峰網：構建Agent過程中，真正有壁壘的是哪個環節？
白碩：接口的“厚度”，這是我認為構建Agent的核心壁壘所在。也就是說，我需求里的復雜意圖是用業務語言表達的，但它跟原有應用系統開放出來的接口能不能對得上，是一個問題。
原有的IT系統及應用系統，還沒成功轉化為Agent可用的工具、資源或物料，原有系統也沒有把所有具體業務含義的接口都開放出來。部分開放的接口與業務緊密程度不一，有些接口距離業務較遠，以至于自然語言的指令“夠不著”業務。Agent也好，開發框架也好，平臺或者大模型也好，要讓它們充分理解業務意圖，現在的接口形式很可能是不合適的。
原來的交互方式下，業務人員能懂我的意圖，但這切換到AI時代的交互方式下，讓大模型同樣懂我，那要看企業上下文的這個“厚度”。“厚度”決定了還有多少技術上的“欠賬”，補不上這筆欠賬，那業務和技術之間就是一道鴻溝了，這樣開發出來的Agent，要么無法滿足業務需求，要么帶有濃厚的技術痕跡，又或者只是對原有系統的簡單遷移，AI組合應用的靈活性也就體現不出來了。
其次要注意“黑話”的存在。垂直領域大量的行話、術語，行業人士懂，但大模型不一定懂。你直接把含有“黑話”的資料交給大模型，它很難充分理解，所以說這里有一個大模型友好的數據治理工作，讓垂域數據和資源能與通用AI技術友好對接，讀懂彼此之后，那就是如虎添翼了。
雷峰網：可以說，接口開放的“厚度”是Agent發展的“生門”。
白碩：對，只有具備足夠的厚度，才能100%容納并理解用技術或業務語言表達的復雜意圖。否則，系統理解不了業務表達，根本不知道怎么做。意圖理解是接口開放厚度的關鍵體現，也是實現技術與業務對接的基礎。
業務文件中通常包含大量宏觀的業務語言描述，如開戶需滿足前提條件、檢查事項等。這些要求需要用具體的工具和操作來實現，但怎么將業務文件中的字眼落到實際操作？是一個難題。
同時，要充分利用Agent，原有的IT系統需要具備一定的健康度和健壯性，以及較為完備的接口。接口開放得越多，提供的服務就越多；接口越貼近業務，表明在業務層面提供的服務越豐富。
過去也有類似的做法：AI興起之前，SOA（面向服務的體系架構）是一種新潮的技術架構。SOA要求服務描述和服務發現必須遵循特定協議，但那時自然語言理解技術還不過關，這些協議只能設計得非常死板，很容易導致“即便供給方發布了服務，但需求方并不知道如何描述才能夠找到服務”，那就等于是白做了。但現在供給方只要擁有大模型，只要系統真正具備并封裝了這些服務，并用自然語言進行描述，需求方就能用語義相近的自然語言找到并利用這些服務。
雷峰網：怎么判斷技術廠商的接口開放“厚度”，判斷標準是什么？
白碩：我打個比方：做飯一定要爐子加熱，但爐子只是個基礎工具，就像Agent的編排框架，它是標準化的，沒有太多領域相關的技術含量，這些底層技術組件未來可能會變成“白菜價”，非常普及。
真正有價值的，是廠商能提供多少種“菜譜”，也就是他們能支持多少種服務。這些服務才是廠商的看家本領，最終要通過MCP等以標準上下文接口的形式暴露出來。
你會關心一個電飯鍋能做多少種不同的飯菜，而不是單純關注爐子的好壞。如果一個廠商只能提供基本的、通用的功能，就像只會用爐子煮白米飯，那它的競爭力就很有限。但它要是除了煮飯還會煲湯、燉肉，競爭力就會更強。如果這些服務能夠通過自然語言被方便地發現和使用，那就說明廠商具備更高的接口開放厚度。
所以，當我們去評判一個廠商在做Agent時的接口開放厚度時，關鍵在于看他們能提供多少種服務，這些服務是否封裝良好，是否能被方便地調用。
雷峰網：講到底層技術組件的“白菜價”，Agent現在除了算力以外的成本構成是否有很大變化？
白碩：預算構成上，算力還是占大頭的，或者說在客戶的接受程度范圍之內，其他因素和算力相比，都還沒法成為決定性因素。這一點我們是無能為力的，它需要大模型算法本身有足夠的創新。不過Deepseek不斷沖擊大模型需要的算力下限，我個人對這件事是覺得很欽佩的，也很有信心算力（價格）一定還可以再降。
在以私部署為主的金融領域，付費的大模型打不過開源的大模型。付費的私有化部署已經很少了，競爭力也不強。開源大模型尤其是千問，在金融機構應用較多。恒生落地案例也是從千問開始的，在這之前開源（效果）最好的有說是Llama，但它本地化之后我們還要做大量的繼續訓練，這里成本也蠻高的。現在可以說Llama的時代已經過去了。
通用Agent編排平臺，我覺得它的價值是在弱化的，至少在整體解決方案中的成本占比正在下降。
還應有一部分錢花在構建和豐富原子化的服務能力上，這是決定Agent是否有用、能否滿足多樣化需求的關鍵。
雷峰網：所以您覺得，行業高估了通用Agent編排平臺的價值。
白碩：現在一些過于夸大通用Agent編排平臺作用，把未來市場份額夸大到幾萬億的說法，我是覺得完全不對的。實際上，你只是為場景提供了一個標準化的基礎工具而已。
通用的開發平臺、編排框架或工具，市場價值并不高，也沒有那么大市場份額，兩個原因：一是它可能很快標準化，很多廠商都能提供，缺乏門檻；二是垂域僅靠它不夠，真正的競爭力不在這方面。
如果你提供一個編排平臺，讓用戶能夠自行搭建Agent，這很快就能實現。但關鍵在于搭建時所使用的“積木塊”，即那些已經原子化的服務能力是什么、在哪里。只有將這些能力封裝好且足夠豐富，才能構建出有用的Agent。
廠商是要基于自己熟悉的資源，去通用平臺開發出貼合需求的解決方案，不熟悉的資源，很難有效整合利用。就像恒生自己在金融科技領域有積累有覆蓋面，自然有相應資源去開發契合金融Agent。有人覺得通用技術可以顛覆這個路徑，可以不通過場景的積累，我覺得這個想法有點一廂情愿了。
雷峰網：金融科技領域其實一直在提數字化、智能化、自動化等等概念，您眼中的Agent是怎樣的發展路徑？
白碩：金融AI Agent發展應該是有三個不同階段。
最初的時候，流程性的工作都是通過硬編碼的方式寫死在程序里。那些內部沒有寫死的部分，出現臨時情況又沒有相應的流程來應對，就無法繼續操作，必須有人在流程中間手動去銜接。這就很像高速公路上有一些土路或者斷頭路，得用點“土辦法”來連接，離全程自動化還很遠。
AI出現之后，我們就進入了一個中間階段，也就是半自動化階段。在這個階段，流程性的銜接不再需要編寫代碼。像是步驟的先后順序、條件滿足后執行的操作等，這些純粹流程性的工作，都可以通過拖拉拽的方式在圖形界面上配置流程，將具體的步驟設置到中間的具體位置。這個階段里，節點之間的順序和業務控制邏輯是清晰的，但節點內部的具體操作過去需要寫程序來實現。
現在，我們可以利用自然語言去描述單一步驟的動作，AI能夠自動映射到具體的資源和能力。這一步涉及到具體的原子能力，我們需要編寫能夠映射成這樣的能力。同時，有些操作會調用已知的能力，比如可執行的方法或函數，這就需要輸入參數和輸出參數。這些參數是一些數據要素，我們需要用自然語言來指定使用什么樣的數據要素以及取什么樣的值。
我們目前所處的階段還不是最先進的形態，仍然有發展的空間。實際上，我們對于接口和流程的知識并非一片空白，我們擁有大量的文檔和描述。這些文檔和描述提供了自動化用AI的可能性，如果AI足夠強大，我們可以利用它來自動化地拆解流程。這樣一來，那些拖拉拽的配置方式也都可以免了。
目前的AI達不到百發百中、一拆解就是對的情況，但我們可以識別到拆解出來不對的部分，動態地去修改它，讓它再執行一遍。但要注意，存在前后依賴關系時，一旦中間有一步出錯，可能會引發后續一系列的錯誤。要修改的話，系統必須是未經破壞的，系統操作是可回滾、可重演的，不能出現不可逆的、永久性的不符合預期的改變，或者數據是只讀的，避免出現不可逆的、永久性的不符合預期的改變。在大模型調試過程中，調整步驟順序或修正數據讀取權限等問題，這就是ReAct模式，在新型Agent開發工具中很常見。
雷峰網：金融機構對Agent的需求今年以來發生了什么變化？他們“繞開”技術廠商，自建Agent的概率大嗎？
白碩：一些金融機構對自己整體資源把控程度和接口暴露程度，是心里有數的。那他們不借助廠商能力，直接采購通用平臺走自建，這種是存在的，但大多數還不具備這樣的能力。
機構首先還是面向業務需求，但要服務這個需求，我們會共同探討落地路徑和手頭的資源，所以構建Agent也并非唯一選擇，有時簡單的技術方案也能滿足需求。
過去兩年（2023-2024年）遇到的一種情況是，金融機構的Agent構建多集中在單業務域，資源掌控相對獨立，不太有各業務間的數據和底層資源交叉拉通的需求。很多場景，哪怕是同一家金融機構，不同業務背后的大模型、算力都是各自采購部署、各自支持自己的應用。
已經度過這個階段的機構，就會開始思考：怎么讓采購的算力和大模型資源能夠交叉支持不同業務，減少重復采購？于是平臺化的需求在2025年就被提出來了。
平臺化的出現，使得金融機構能夠共享底層共性資源，實現跨系統的數據要素統一和業務創新。在AI時代，如果金融機構的接口開放程度足夠高，結合Agent開發框架、編排平臺或大模型，就可以更輕松地實現這種拉通和創新。這也是我們在與金融機構合作過程中觀察到的，比較具有代表性的一種需求。
雷峰網：金融機構應用Agent時，除了算力以外，還可能面對什么比較大的障礙？
白碩：算力是一個問題，再一個是業務適配的“厚度”，也就是怎么讓Agent更貼近實際業務需求。這是個長線任務，不是說要全都處理好了才搭場景，可以看需要，逐步開放和搭建所需的接口，先從簡單的場景入手，實現短期目標。在這個過程中，接口的積累和業務適配的優化可以持續推進。會順其自然地通過若干個短線目標，去把長線任務帶起來。比起一次性大量投入“備而不用”，“邊用邊備”的做法在商業角度也比較合理，
雷峰網：Agent加入之后的金融科技解決方案，其付費模式相應地出現了什么變化？
白碩：如果方案中包含Agent的搭建和使用，大模型可能會按token收費。底層接口和物料的使用也可能成為計價單位，這也是可以去暢想的一件事。不過，目前大多數金融機構還是采用傳統的項目招投標形式進行合作。
雷峰網：幻覺這個問題，在恒生的金融科技解決方案里可以怎么被抑制？
白碩：幻覺實際上是生成式AI一個固有的缺陷，主要涉及編造數據或接口，但在金融場景里，這種情況是能夠一定程度上被控制的。因為不存在的接口是調不出來的，錯誤的接口也會調用失敗。我們的智能體要用來干活兒的，如果數據或接口是虛幻的，那么就會取不到數，接口不對而執行失敗。這個場景并不是在聊天，所以幻覺“幻不出來”。
不過，在規劃階段，有可能規劃步驟無法執行或執行結果錯誤，這時候就需要修正，需要ReAct。這就需要確保智能體所依賴的基礎能力，都是可逆和可恢復的。如果做不到可逆，這個接口就不能暴露出來給Agent自由規劃。
雷峰網：Agent在金融機構內部，從POC到實際上線是一個很難一概而論的過程。
白碩：對，有些機構會有平臺級的訴求，希望智能體具備通用能力，會關注智能體在具體場景中的端到端表現。有些機構會從平臺的交叉知識能力和跨域組合能力的角度進行評估。如果業務部門主導，他們通常看重智能體在特定場景中端到端的性能；如果是IT部門主導，他們可能更看重智能體的通用性和跨域組合能力，并且需要有真實的跨域場景來支撐這些能力的驗證。
雷峰網(公眾號：雷峰網)：能看到單Agent到多Agent是一個趨勢，相信金融場景也不例外，您覺得多Agent需要注意的是什么？
白碩：恒生的解決方案里也有應用多Agent的項目，但一個法人機構內部使用多Agent的必要性相對較弱，是否為不同法人機構之間的跨機構業務往來，是判斷是否使用多Agent的標準之一。
在一個法人機構內部，主要涉及的是分工和工作類型問題。有些Agent負責在線檢查數據是否滿足特定條件，滿足后發送信息，另一個Agent響應并采取行動。如果僅僅是簡單的上下游關系、串聯式的處理，即一件事完成后依次進行另一件事，那么完全可以將這些流程合并為一個Agent來處理。如果有一個統一的場景或口徑，即使流程再復雜，理論上也可以將多Agent合并為一個大Agent來完成任務。
然而，如果Agent具有不同的性質，例如需要長期運行、持續探測和判斷條件是否滿足，滿足后才通知其他Agent，那么這種Agent有必要單獨存在，并與其他Agent互通。
雷峰網：恒生電子這段時間主要有哪些AI方面的動作？
白碩：恒生電子的AI落地包括兩部分，一部分是市場端客戶側的落地，另外一部分就是恒生自身的落地，不單是Agent，是對內對外推進整體的解決方案。
在客戶側，恒生電子積極與國內頭部金融機構開展合作，面向投研、投顧、運營等場景打造專業Agent應用，并陸續實現落地。此外，恒生電子也在探索基于實體地圖增強的金融垂域智能體開發平臺的研發，助力金融機構打造垂域大模型技術體系，子公司恒生聚源也通過“語控萬數”數據智能體平臺，在厚實的金融數據底座基礎上，通過“數據地圖”的導航為Agent的搭建提供精準的數據物料供給。
對內方面，比如客服部分，恒生的客戶服務系統是七八年前建的，去年做了大升級，給接線的客服“武裝”AI能力，升級之后變成自助平臺「U+」，能回答業務、系統、運維相關問題，幫接線同事分擔壓力。
再比如工程，因為恒生面向市場提供的是產品，但從產品到實際落地的解決方案，中間還有相當一部分工作量是定制，這個工程實施也需要大量的知識上和工具上的賦能。工程實施的人員如果有不明白的地方，也不用具體的產品部門的員工來跟他們的對接了，很多問題都沉淀在相應的知識庫里。新手員工是非常需要這種工具的，現在AI幫他們擴寬了求助的通道路徑。
還有就是內部面向程序員的AI編程能力，這個技術不斷在進步，為編程效率的提升提供了很多空間，我們作為軟件公司是必須要去擁抱新技術，盡快地讓程序員轉到AI賦能編程的工作方式上來。因此有很多內部工具的研發來打造最佳實踐。隨著技術推廣，內部研發的流程和組織管理方式也在不斷發生變化。
雷峰網：恒生內部也是有上線相應的Agent來應對這些場景。
白碩：Agent簡單地說，就是兩種用法。其中一種是“干事”，之前的聊天是干事的低級形態，copilot嵌入系統，通過說話的方式來下指令指揮系統干事，但使用的還是原來的系統。Agent的出現，讓事情又發生了一個改變，即Agent并非嵌入原來系統，而是一種獨立的存在。大模型作為它的大腦，原來系統的各個接口就作為它的“手和眼”，它能感知情況、能取數，對數據分析加工處理，辦理業務等等。“聊天”和“干事”的區分，Agent和以往一些數字化應用方案的區分標準之一。
智能地干事的方式，是能夠把一些平凡的環節串起來，在這個過程里體現智能。只是告訴Agent一句話，它不會把這句話只對應一個動作，而是說它能夠把這個話作為一個復雜意圖，拆解成一些簡單的意圖組合，每一個簡單意圖對應一個簡單的動作，每一個動作有可能調用后臺的不同資源、不同系統、不同數據源。
雷峰網：比起“智能地干事”“自動化AI”，金融Agent還有沒有下一步發展形態？
白碩：有。我們先給業務做個區分：穩態業務，相對穩定，要求較高；敏態業務，變化頻繁、快速響應，多樣性、差異性也比較顯著。如果用傳統實現方式做敏態業務，需要大量定制開發。但AI出現后，對于敏態需求，如果接口是支持的，流程性的知識和資源完備，有業務規范文件和業務邏輯需求描述的話，AI可以處理這部分工作。
我們可能看到的終局，會是什么狀態呢？敏態業務都歸Agent負責，穩態業務轉變為后臺的工具、資源或物料。系統被切分為兩部分，中間由AI中臺或Agent開發平臺負責連接。但這絕對不是通用的Agent開發平臺，必須與垂域資源配套，否則只是一個空架子，沒有價值。
雷峰網：現在Agent還是屬于早期比較荒蕪的階段？
白碩：對，現在大家有一種錯覺，就是覺得通用智能體開發編排平臺會有很大需求。實際上，真正的需求是在接口體系足夠豐富、足夠深厚之后才會出現。
接口體系怎么積累？應該看機構或企業內部的知識，包括數據和流程等方面。知識分為兩個層面：一是硬件層面，即確保所有必要的接口都已具備；二是軟件層面，即對流程和接口進行詳細描述。這些描述構成了知識庫，硬件層面是接口體系的逐步積累。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
