AIGC技术实战 | AI智能问答与财富管理业务结合实践探索

引言

随着我国居民财富的快速增长，证券行业的财富管理业务迎来了一个蓬勃发展的新时代。然而，机遇与挑战并存，用户量的急剧增加、琳琅满目的各类金融产品，还有繁琐复杂的业务流程以及分散独立的系统，给奋战在一线的财富业务展业人员带来了诸多新的挑战。此时AIGC技术的引入和应用，无疑为财富管理业务的发展提供了新的动能。AIGC技术通过其生成式人工智能的能力，可以对大量数据进行分析，并生成个性化的文本、音频、图像等内容。在财富管理行业中，这一技术的应用不仅能够实现对海量数据的智能化处理和精准分析，为投顾展业赋能提效，还可以通过智能投顾、精准营销等手段，为客户提供更加个性化、高质量的服务体验。

在此背景下，广发证券财富AI助理应运而生。这是一项创新的智能化解决方案，围绕财富管理业务全流程，为相关的总部和分支机构管理者、投资顾问、客户经理等各岗位提供全方位、高效能的支持，为AIGC技术在财富管理业务中的深度应用树立行业典范。

接下来，本文将通过财富AI助理与Agent平台对接以及工作流构建过程中的相关问题探索和应用研究，与大家分享和探讨AI智能问答与财富管理业务结合的心得与见解。

财富AI助理引入了广发证券引进的AskXBOT AI Agent平台作为核心架构组件。该平台立足于大模型基座，不仅支持单体LLM智能应用的快速构建，更致力于打造多智能体协作的复杂应用场景，能够自动化执行并处理各类专业且繁复的工作任务。作为一个面向金融领域的智能体平台，AskXBOT在数据积累和模型支撑方面形成了独特优势，为财富管理业务提供了强有力的技术支持。

平台提供了多种类型的Agent设计器，具有配置灵活、使用便捷、自由定制的特点：

在实际业务场景中，财富线面临着一个重要挑战：如何在统一的对话界面中，同时支持财富管理解决方案、金融产品、管理经营数据、投顾业务相关知识等多样化场景。针对这一挑战，广发证券基于AskXBOT平台设计了一套综合解决方案：

基于广发证券财富管理业务的实际需求，财富AI助理智能问答功能采用了多分支的工作流解决方案。当系统接收到用户提问后，首先会将问题送入总控意图识别分类器，对问题进行基本场景的划分，包括解决方案、金融产品问题、管理经营数据问题和投顾资讯问题等多个类别。接下来，系统会通过参数提取器从用户问题中提取隐含的参数信息，并通过参数分类器调用相应的接口进行更细致的分类。

对于需要采用工作流+API模式处理的问题，系统会通过财富管理平台的API接口调用过程获取问题所依赖的数据，随后将这些数据整合到Prompt中，通过大模型生成最终答案。而对于采用文档知识库模式的问题，系统则会先通过分类器定位到对应的知识库，然后进入知识库检索过程，获取与用户问题最相似的知识库内容片段，同样将这些内容放入Prompt中通过大模型生成答案。

在财富AI助理需要解决的智能问答场景中，有很大一部分问题并不依赖知识库文档作支撑，而是需要依托广发证券内部财富管理平台的API接口作为数据基座。这类问题需要采用工作流+API模式进行处理，但在实际操作过程中，我发现了以下几个关键难点：

在AIGC处理API接口调用的过程中，最常用的解决方案是Function Call模式。这种模式的核心在于通过API描述来建立大模型对接口的理解，包括API的功能说明、调用参数的含义以及返回数据的解释等。通过预先设置好这些API描述，大模型能够在接收到用户问题后，自主选择需要调用的API并配置相应参数，然后根据API返回的数据结合API描述来生成答案。

然而，在对接财富管理平台API的具体场景中，Function Call模式存在明显的局限性，难以有效解决上述两个关键难点：对于第一个难点，仅依靠API返回数据的描述很难处理复杂的JSON数据结构，也无法有效清理无效的冗余数据；对于第二个难点，根据我的实践经验，目前Function Call模式在处理需要多接口调用的场景时，支持效果并不理想。

为了解决Function Call模式的不足，我通过财富AI助理创新性地构建了API数据转义处理流程。在这一流程中，API接口的选择和参数配置不再依赖大模型对API描述的理解，而是通过专门设置的LLM分类器和参数提取器来实现，从而提高了系统的稳定性。在获取API数据后，系统会通过对话流Agent的Python代码执行节点，将API返回的原始数据转换为大模型更容易理解的自然语言表述。这一转义过程不仅能够处理返回数据中的冗余部分，还能有效处理JSON嵌套、JSON数组等复杂的数据格式。同时，针对涉及映射关系、日期转换等需要二次处理的特殊情况，转义处理工程也设置了专门的处理模块。与传统Function Call模式相比，这种API数据转义处理方式能够让大模型更准确地理解接口返回数据的实际含义，从而生成更加准确和高质量的回答。

此外，为了更好地解决第二个难点，财富AI助理对财富平台的API接口进行了分类整合，将相关性较强的接口归为一类，如将"金融产品业绩走势"的相关API归为一类，将"金融产品风格评价"的相关API归为另一类。当用户提出笼统性问题时，系统会首先判断问题可能涉及的API类别，然后整合相关API的转义文本，这样不仅扩充了大模型的知识储备，还实现了对多数据问题和笼统问题的有效支持，大大拓展了AI问答可支持的问题范围。

由于财富AI助理需要支持范围广泛、种类繁多的问题，同时在Agent工作流的具体问题解决过程中又需要细分到专门的场景进行"专事专办"式的处理，因此系统需要对用户的问题进行精确且细致的意图识别。为此，我专门设计了多种分类器和参数提取器来完成这一任务。

分类器分为两大类：基于LLM的意图识别分类器和基于具体参数的参数分类器。意图识别分类器通过对话流Agent的LLM节点构建，主要依靠大模型对用户问题进行具体的意图判断和场景划分。因此，分类器设计的关键在于精心设计的Prompt提示词。在构建意图识别分类器时，提示词工程遵循以下结构：

通过这种结构化的提示词工程设计，意图识别分类器能够准确理解自身角色并给出符合要求的格式化答案。在财富AI助理的工作流设计中，分类器采用"总分-细分"的层级结构。用户问题首先会进入总控意图识别分类器，对大的场景（如解决方案、金融产品问题、管理经营数据问题、投顾资讯问题等）进行分类。随后再对具体场景进行细分，例如在经营数据场景下，还需要进一步细分为销售天眼的数据、保有分析的数据等具体类别。

参数分类器则主要依靠通过API调用或参数提取器获取的参数，将这些参数传入指定的API接口，根据接口返回的特定字段数据，通过对话流Agent中的条件判断节点进行划分。参数分类器主要用于问题的进一步细分场景，例如在处理财富线金融产品的问题时，需要区分公募基金和私募基金等具体情况，这时就需要调用财富管理平台的产品查询接口，获取基金分类字段数据进行判断。

参数提取器在整个工作流中也发挥着重要作用，主要用于从用户问题中根据关键词提取特征点和具体意图，为后续的参数分类器使用或API接口调用提供必要参数。与意图识别分类器类似，参数提取器也是通过对话流Agent的LLM节点构建，主要依赖精心设计的提示词工程。参数提取器的提示词同样遵循结构化设计：角色定义、参数具体描述、回答格式说明、注意事项和参数提取举例。

在财富AI助理中，参数提取器的应用十分广泛且关键。例如，在解决方案和金融产品问题的场景中，需要依靠参数提取器从用户问题中提取金融主语（如解决方案名称、基金名称、基金代码等）。在管理经营数据场景的问答中，参数提取器更是准确识别用户真实询问意图的关键工具。因为经营数据问答中需要获取的参数种类繁多，包括问题中的日期信息、分公司、营业部、销售人员信息、基金种类、客户类型（个人/机构）等多个维度。只有准确获取这些用户问题中的关键参数，才能生成真正符合用户期望的答案。

为了优化用户体验，财富AI助理在工作流中对可能出现的异常情况也实现了多分支的处理机制。该机制能够根据识别到的问题所属具体场景和内容，采取相应的专门化处理策略。例如，当系统遇到无法准确识别用户意图、缺少必要数据支撑等异常情况时，会给出友好的提示信息，引导用户重新表述问题或转接到专门定制的聊天机器人服务。通过这种灵活的多分支设计，AI助理能够有效应对各种复杂的用户问题，确保用户在任何情况下都能获得准确和适当的回答，从而显著提升了系统的应对能力和整体用户体验。

在合规性方面，财富AI助理严格遵循金融行业监管要求，构建完善的数据保护与安全管理机制。智能问答模块依据财富管理平台角色与白名单权限控制机制，判断用户访问权限，有效保障敏感信息的安全性与隐私性，为财富管理业务智能化转型筑牢安全防线，推动广发证券在财富管理领域稳健前行。

财富AI助理最显著的优势在于其独特的数据基础。作为广发证券自主开发的智能助手，它可以深度对接财富管理业务条线的内部数据体系，比如广发证券财富管理解决方案产品的相关数据，分公司、营业部的管理经营数据等等，这些高价值的专有数据构成了财富AI助理的核心竞争力，是商业化AI助手无法获取和复制的重要资源。

即便是针对公募基金等公开的市场数据，财富AI助理也展现出了明显的数据质量优势，这主要得益于两个关键因素：

在数据分析类问题的处理上，比如易方达上证科创板50ETF从12月3日到今天的涨幅，财富AI助理表现出了显著的专业优势。这种优势主要体现在：

一是缺乏时效性，数据陈旧，无法反映当前情况；

二是未能紧扣用户实际需求，用户询问的是近一年的最大回撤，而商业化助手截取的却是资讯里面的“区间最大回撤”数据。