文章核心观点 - 金融行业AI Agent落地的核心壁垒并非算力成本或通用平台，而在于业务接口的“厚度”，即封装了丰富业务逻辑、能理解自然语言指令的原子化服务能力 [4][8][12] - 通用Agent编排平台的价值正在弱化，其市场份额被高估，真正的竞争力在于垂直领域深厚的资源积累与丰富的原子化服务 [4][14][17] - 金融Agent的发展将走向稳态与敏态业务分离的终局，由AI中台连接，其中敏态业务由Agent负责，这依赖于深厚且贴近业务的接口体系 [5][33] Agent发展的核心壁垒与价值判断 - 接口“厚度”是关键壁垒：构建Agent的核心挑战在于原有IT系统开放的业务接口“厚度”不足，无法让Agent理解用业务语言表达的复杂意图，导致技术与业务之间存在鸿沟 [8][10] - “厚度”体现为丰富的原子化服务：判断厂商接口开放“厚度”的标准，在于其能提供多少种封装良好、可通过自然语言方便调用和发现的“菜谱”式服务，而非底层的标准化编排框架 [12] - 需重视领域“黑话”治理：垂直领域存在大量行业术语，需进行大模型友好的数据治理，使垂域数据与通用AI技术能有效对接 [9] - 预算构成中算力仍是大头：在预算构成中，算力成本仍占主要部分，但行业对算力价格持续下降抱有信心，例如DeepSeek等模型正在冲击算力下限 [13] - 开源模型已成主流：在以私有化部署为主的金融领域，开源大模型（如千问）已广泛应用，付费私有化部署模型竞争力不强，Llama等模型的时代已经过去 [13] 金融Agent的发展路径与现状 - 发展历经三阶段：从硬编码自动化，到通过“拖拉拽”图形界面配置流程的半自动化，再到当前利用自然语言描述步骤并自动映射资源能力的阶段 [19][20] - 当前阶段依赖ReAct模式调试：当前AI无法保证流程拆解完全正确，需通过ReAct模式进行动态修改和回滚，确保系统操作可逆，避免不可逆的错误改变 [21] - 金融机构需求从单域走向平台化：2023-2024年，金融机构的Agent构建多集中在单一业务域；2025年，开始出现平台化需求，旨在共享底层算力与模型资源，实现跨系统数据拉通与业务创新 [22][23] - 实施采用“边用边备”策略：业务适配的“厚度”积累是长线任务，金融机构倾向于从简单场景入手，通过实现短期目标来逐步推进接口开放与优化，而非一次性大量投入 [24] - 多Agent应用有其特定场景：在一个法人机构内部，多Agent的必要性较弱，简单的串联流程可合并为一个大Agent；多Agent更适用于需要长期运行、持续探测并通知的跨机构或性质不同的任务 [29] 行业终局与厂商实践 - 终局是稳态与敏态业务分离：未来的系统架构可能是敏态业务由Agent负责，稳态业务转变为后台的工具、资源或物料，中间由必须与垂域资源配套的AI中台进行连接 [5][33] - 通用Agent平台被高估：脱离垂直领域深厚积累的通用Agent开发平台只是一个“空架子”，市场价值不高，其市场份额被夸大到几万亿的说法完全不正确 [4][17][35] - 幻觉问题在金融场景可控：在用于实际“干事”的金融Agent场景中，幻觉问题（如编造接口）能够被控制，因为不存在的接口调用会失败，规划错误可通过ReAct模式修正 [25] - 恒生电子的AI落地实践：公司AI落地包括客户侧与自身内部应用 [30] - 客户侧：与国内头部金融机构合作，在投研、投顾、运营等场景落地专业Agent；研发基于实体地图增强的金融垂域智能体开发平台；子公司通过“语控万数”平台为Agent提供精准数据物料 [30] - 内部应用：升级客服系统为AI自助平台「U+」；为工程实施人员提供AI知识库工具赋能；内部研发AI编程能力工具以提升效率 [30][31] - Agent的本质是“智能地干事”：与以往聊天或嵌入系统的copilot不同，Agent是独立存在，能够将自然语言指令作为复杂意图拆解，并调用后台不同系统、资源和数据源完成一系列动作 [32]