金融智能体应用现状 - 大模型更多解决长尾问题和小样本问题，而生产执行仍依赖经过多年打磨的小模型体系，大小模型融合是金融业主要解决方案 [3] - 智能体在数据洞察、尽调、投研投顾等场景已有应用，但受基座模型、工具不成熟等限制，基于工作流的智能体比自主规划型更适合金融生产环境 [3] - 投诉处理场景中，大模型将文本归类准确率从70%提升至87%，训练周期从冗长缩短至1-2周，显著提升效率 [11] 技术路径选择 - AI项目评估需关注场景适配性、技术路径可行性及ROI，重点考察数据合规、多源异构数据接入等条件 [5] - 对内服务场景已广泛应用Agent工作流（如文件处理），对外服务需重点评估合规性和ROI [6] - 信贷反欺诈场景中规则引擎覆盖80%案例，大模型用于增强分析长尾难题才能实现合理ROI [7] - 生成式大模型因输出不稳定已转向判别模型，策略团队更倾向概率类模型 [8] 智能体分类与实施 - 智能体分为反应型（固定输出）、目标型（场景驱动）和学习型（自我进化）三类，目前以目标型为主 [14][15] - 超级智能体是终极方向，需解决长时间记忆问题以避免幻觉和时空错位导致的决策失效 [16] - 投研、投顾、报告生成等场景已落地应用，但信审环节因决策级联风险尚未投入生产 [24] - 私有化部署导致性能下降、硬件成本高、提示词编写困难是三大实施痛点 [26] 未来发展方向 - 期待形成动态攻防能力智能体和全行业风控智能体联盟，突破数据壁垒实现协同防御 [33] - 需建立通用大模型与垂直领域协作机制，制定行业协议或操作规范 [34] - 合规、数据质量和算力是三大发展瓶颈，期待通过开源小参数模型实现端侧运行突破 [35] - 具身智能与金融结合（如营业厅服务机器人）是值得布局的方向 [35] 行业活动 - AICon全球人工智能大会将聚焦金融投研投顾、智能风控、合规审查等场景的大模型应用 [3] - 大会设置"大模型在金融领域的创新实践"专题，探讨技术方案与实际落地经验 [3]