最近，我们关注到浦银理财在这方面的最新实践，他们推出的“员工数字助理浦小鹿”正是AI+Agent技术在金融领域的典型应用。今天，就让我们一同走进这个案例，深入了解“浦小鹿”如何成为浦银理财员工的得力助手，赋能金融新未来。
AI+Agent应用构建简介
“浦小鹿”的成功并非偶然，而是基于一套严谨且前瞻性的技术架构。这套构建体系是实现其“智能助理”功能的基石，它可能包括：
数据层： 整合来自浦银理财内部各个核心系统的数据，如CRM、产品管理、直销系统等，形成一个统一的数据湖，为AI提供“燃料”。 模型层： 采用先进的AI大模型作为底层技术，赋予“浦小鹿”强大的自然语言理解、推理和生成能力。 Agent层： 核心部分，负责将员工的指令分解为可执行的子任务，并调度不同的模型和工具，自主完成任务。 应用层： 员工与“浦小鹿”交互的界面，可能是即时通讯工具、内部办公平台，或是一个独立的应用程序。
浦银理财的AI+agent应用
浦银理财的数字化之旅，始于夯实基础。这第一步的目标是实现“线上化”，即打通全业务、全流程、全客群的线上通道。
业务层面： 实现了“全业务、全流程、全客群”的线上化覆盖，确保所有业务都能在数字环境中高效流转。 科技层面： 建立了“全栈、自主、敏捷”的IT架构，为上层应用提供了坚实的技术支撑，保障了系统的稳定性和快速迭代能力。
“员工数字助理浦小鹿”深度解析
“员工数字助理浦小鹿”的定位非常清晰：一位能够理解员工意图，并自主提供服务的“全能数字助理”。它通过以下几个维度，将智能服务渗透到员工的日常工作中：
办公小助理： 它能够处理流程提交、会议安排、代办处理等基础行政工作。想象一下，员工只需通过自然语言指令，就能让“浦小鹿”自动发起流程审批，安排会议并同步给所有与会者，极大地节省了时间。 运营小秘书： 在运营层面，“浦小鹿”的能力同样出色。它可以帮助员工整理繁杂的账单、自动回复邮件，甚至进行自动审核。这不仅提升了效率，也降低了人工操作可能带来的失误风险。 知识小管家： “浦小鹿”是员工的专属知识库。无论是合同问答、制度问询还是复杂的业务问题，它都能即时给出准确的答案。员工无需在海量文档中手动检索，只需向“浦小鹿”提问即可。 分析小顾问： 在数据分析领域，“浦小鹿”同样扮演着重要角色。它可以进行数据分析、文档编写和信息提取，为员工提供决策支持，让员工能够专注于更高价值的思考和创造性工作。
“浦小鹿”之所以能够具备如此全面的能力，得益于其背后强大的“AI服务中台”。这个中台是整个数智化平台的“发动机”，它提供了可复用、可调用的AI能力，支撑着“浦小鹿”的各项功能。
知识服务智能化： 中台提供了文本识别和提取、问答库构建、外挂知识库等能力，这是“知识小管家”功能的基础。它使得“浦小鹿”能够理解和利用浦银理财内部的专业知识，确保回答的专业性和准确性。 员工服务自动化： 通过对接和调用各类API（应用程序编程接口），中台实现了对业务系统的自动化控制，这正是“办公小助理”和“运营小秘书”能够执行复杂操作的关键。 模型服务本地化： 中台将核心模型服务部署在本地，确保了数据安全和隐私保护，同时降低了对外部网络的依赖，提高了系统稳定性。 辅助不决策： 这是浦银理财对AI应用的一个重要原则。AI中台的能力是“对内不对外”，旨在辅助员工完成任务，提供决策支持，但最终的决策权仍然在人。这确保了AI作为工具的定位，既能提升效率，又能避免潜在的风险。
AI应用的演进：从工具到智能体
AI技术的应用并非一蹴而就，它经历了从简单到复杂、从被动到主动的演进过程。根据图片所示，AI应用可以分为三种典型类型：
传统AI应用： 这一阶段的AI是“工具”，其特点是“被动响应”。例如，一个简单的规则引擎或一个分类模型，它只能根据预设的规则或训练好的模型，对输入进行单一的、确定的处理。它无法进行多步骤的复杂操作，也无法主动感知和决策。 Copilot模式： AI在这里扮演“合作伙伴”和“智能辅助”的角色。它能够根据用户的指令，生成文本、代码或其他内容，但整个过程仍然需要用户的持续引导和干预。例如，大家熟悉的AI写作助手，它能为你生成草稿，但文章的结构、逻辑和最终呈现形式仍由人来主导。 Agent模式： 这是AI发展的最新形态，AI在这里是“智能体”，实现了“双向互动”。一个Agent能够独立地感知环境、进行推理决策，并自主执行多步骤的任务。它不再是被动地等待指令，而是能够理解用户的目标，并主动规划、执行一系列行动来达成目标。
那么，一个Agent是如何工作的呢？图片为我们揭示了智能体的最小单元，它由三个核心部分构成：
感知（Perception）： 这是Agent与外界互动的第一步，它需要能够“看”、“听”、“读”，来理解环境。这依赖于强大的感知中台，包括语音识别、图像识别、以及大语言模型对文本的理解能力。 记忆（Memory）： 这是Agent的“大脑”。它需要存储和检索信息，包括短期记忆（如当前对话）和长期记忆（如知识库）。这依赖于向量数据库等技术，使得Agent能够快速高效地访问和利用海量信息。 行动（Action）： 这是Agent将“想法”转化为“现实”的能力。它需要能够调用外部工具、执行任务。这依赖于书写中枢、对话中枢等，将Agent的决策转化为具体的行动指令，例如生成文档、调用API等。
这三者紧密协作，形成了一个完整的闭环：Agent首先通过“感知”理解环境和用户的指令，然后通过“记忆”检索相关知识和信息，最终通过“行动”来执行任务，并将结果反馈给用户。
AI智能体应用构建五步法
要构建一个AI智能体应用，并非简单地调用一个大模型API那么简单。它需要一个系统化的、严谨的工程化流程。图片为我们展示了清晰的五步法：
明确需求场景： 这是所有项目的起点。需要清晰、准确地定义项目的目标和需求场景。对于“浦小鹿”而言，其需求是解决员工日常工作中遇到的信息获取、流程处理、数据分析等痛点，最终目标是提升效率。 大模型选型： 选择合适的大模型是成功的关键。这需要平衡性能和成本效益，并考虑模型的理解能力、安全合规性以及技术生态的成熟度。浦银理财可能是在这个阶段，对多个大模型进行了全面的评估和测试，以找到最适合金融场景的基座模型。 大模型部署： 选定模型后，需要将其部署到合适的框架和服务器中。对于金融机构而言，这通常是本地化部署，以确保数据安全和合规性。 大模型增强： 基础的大模型通常无法直接满足复杂的业务需求，需要进行增强。这里提到了两种关键技术：
提示词工程（Prompt Engineering）： 通过优化给大模型的提示词，使其更好地理解意图并生成符合预期的结果。 RAG（Retrieval-Augmented Generation）： 检索增强生成，这是一种将外部知识库与大模型结合的技术。通过RAG，大模型可以访问浦银理财内部的专有知识（如制度文件、产品信息），确保回答的准确性和权威性。这正是“浦小鹿”能够成为“知识小管家”的核心技术之一。
应用集成： 这是项目的最后一步，也是至关重要的一步。需要将大模型的能力，以“传统AI应用”、“Copilot模式”或“Agent模式”集成到业务系统中。浦银理财选择了最前沿的“Agent模式”，使得“浦小鹿”能够自主完成复杂任务，实现双向互动。 服务网络层： 这是最顶层，面向用户和开发者。它提供了各类服务接口，包括服务网关、服务注册、访问控制等，确保系统的安全和稳定。 应用中心层： 这是直接面向业务的层面。它将各类智能能力和业务工作流进行封装，形成了具体的应用模块。 智能问答： 提供了基于知识源的自由问答和知识库问答功能，这是“浦小鹿”核心的交互能力。 大模型能力： 包括n2l API（可能是自然语言到任务执行的接口）、智能摘要、智能生成等，这是支持“浦小鹿”进行复杂任务处理的底层能力。 业务工作流： 封装了各类业务流程，如证券投资审批、证件提报、邮件处理、PPT自动生成等，使得“浦小鹿”能够自主执行这些任务。 系统中心层： 这是整个系统的“大脑”和“心脏”。它包含了以下关键模块： 知识库数据管理： 负责对结构化和非结构化数据进行数据管理、数据标注等，为知识库构建提供高质量的数据源。 大模型管理： 负责大模型的微调、评估、RLHF（人类反馈强化学习）训练等，确保模型的持续优化和迭代。 指令管理： 负责管理和调度Prompt（提示词），并进行服务监控和管理。 应用管理： 负责应用的集成、监控、运维等，确保应用的稳定运行。 基础设施层： 这是最底层，为整个系统提供算力支持。它包括了各种硬件设备（CPU、GPU等）、存储（数据库）、容器化技术（Docker）以及一体机设备等，为上层应用提供了稳定高效的运行环境。 创建不同部门知识库： 浦银理财没有采用一个大而全的知识库，而是根据不同的部门或业务条线，创建了多个独立的知识库。这使得知识的组织更加清晰，也方便了不同团队的管理和维护。 为知识库配置标准问答对： 这确保了知识库能够提供准确、一致的回答。对于高频、核心的业务问题，通过预设的标准问答对，可以有效提高回答的效率和质量。 不同知识库可配置不同文件解析策略： 这意味着系统能够根据知识库中文件的类型（如PDF、Word、Excel等），采用不同的解析和处理方法，确保信息的完整性。 后续计划增加自动接入数据配置： 这是一项重要的技术规划。通过自动化接入，可以减少人工录入和维护的工作量，确保知识库的实时性和最新性。 知识库问答场景：让知识触手可及 大模型Agent——NL2API：让自然语言指挥系统 自动化执行：让AI成为业务流程的一部分
技术中台架构全景
浦银理财的智能应用技术中台，是一个分层、模块化的复杂系统。从图片来看，其架构可以大致分为四层：
在上述强大的技术架构之上，“浦小鹿”在知识库管理方面进行了精细化的实践。这部分展示了“浦小鹿”如何将分散在公司各处的知识，系统化地组织和利用起来。
典型应用场景
