中国外汇 | AI赋能金融的机遇与挑战·专题报道：智能体重塑数字金融发展范式

智能体凭借环境感知、自主规划、工具调用与持续进化能力，从服务模式、业务流程、组织形态与风险防控四个维度重塑数字金融发展范式。未来的政策设计需要构建分层治理、可信基础设施与新型风险防范机制，以实现创新与风险的平衡。

作者 |  朱太辉    京东科技数字金融研究院院长

来源 |《中国外汇》2026年第12期

相对于大模型，智能体显著升级了系统架构、能力边界、交互方式和价值逻辑，极大扩展了人工智能（AI）的能力，应用范围也随之打开。在金融领域，智能体正从概念验证走向规模化落地，系统性重塑数字金融的发展范式，从服务模式的主动化到业务流程的并行化，从组织形态的协同化到风险治理的实时化，变革正在不断展开。未来，在智能体技术突破、场景深化与政策完善的共同加持下，“人工智能+金融”的跨越式发展值得期待。

智能体的核心能力与技术属性  

大模型是“超级大脑”，但局限是没有环境交互能力，无法主动调用外部工具；没有长期记忆，默认不保存个人偏好；更没有任务闭环意识，只负责输出信息，不会跟进结果是否符合需求。而智能体是“数字员工”，是给“超级大脑”配备了“眼睛、手脚、记忆和执行系统”的完整个体，具备了“感知环境→规划任务→决策行动→执行反馈”的闭环能力。

环境感知是智能体的“眼睛”和“耳朵”。它通过多模态接口实时获取文本、图像、语音、传感器数据等外部信息，并进行主动筛选与理解，在动态环境中保持决策聚焦。不同于传统系统被动接收数据，智能体能够根据当前任务目标判断信息的相关性，过滤噪声，在海量信息中提取有价值的内容。

自主规划是智能体的“大脑”。面对高层次目标，智能体能自动拆解为可执行的子任务序列，确定依赖关系与执行顺序，并在遇到障碍时动态调整。这种规划能力不仅依赖于大模型的推理，更依赖于智能体对任务结构的深层理解。

工具调用是智能体的“手”和“脚”。智能体可调用应用程序编程接口（API）、数据库、计算引擎等外部工具完成实际操作，将“语义空间”与“行动空间”连接起来。工具调用使智能体从“知道做什么”进化到“真正去做”，能够查询实时数据、执行交易指令、生成可视化图表。

持续进化是智能体的“成长能力”。凭借短期记忆（维护当前任务上下文）与长期记忆（存储历史交互、用户偏好），智能体能从经验中学习，不断优化决策策略。通过检索增强生成、在线强化学习等技术，智能体每次交互后都能更新知识储备，实现从“一次性执行”到“持续优化”的跃迁。

在这些能力升级的背后，是智能体在多个关键技术属性上实现了对大模型的实质性超越，更强的感知为规划提供了更丰富的信息，更深入的交互支持了多智能体的协作，持续的适应性让智能体在变化中始终保持高效能。

感知性上实现从被动输入到主动感知。大模型依赖用户明确给出的提示词，是被动的、单次的文本输入，无法主动获取环境信息。智能体则通过多模态传感器和持续监听机制，实时捕捉环境、系统、用户行为等的动态变化，并主动纳入决策上下文。从“用户告诉它”到“它自己发现”，感知性的跃迁使智能体具备环境响应能力。

自主性上实现从响应指令到自主规划。大模型是“输入—输出”式的指令响应，用户问什么就回答什么，没有自身目标，也不会主动分解任务。智能体被赋予目标驱动的自主性：理解高层目标后，自主完成“拆解—规划—调度—执行—反馈”的全链路闭环。用户只需给出目标，智能体自行规划路径，从被动工具升级为主动伙伴。

交互性上实现从单轮对话到多轮协作。 大模型的交互本质上是“一问一答”， 虽然支持多轮对话，但缺乏长期状态记忆。智能体维护长期对话状态，理解跨轮次指代，在多轮交互中持续推进任务。更重要的是，其支持多智能体协作——多个专业智能体相互通信、分工配合，形成解决超复杂问题的智能体集群，效率远超单个智能体。

适应性上实现从静态模型到持续进化。大模型训练后参数与知识固定，虽可以通过微调或检索增强生成引入新信息，但更新是非实时的。智能体具备在线学习能力，通过每次交互积累的反馈动态调整策略，记住哪些行动取得了好效果，哪些导致了失败，并在未来任务中加以利用。这种适应性使其在快速变化的环境中保持敏锐。

 智能体改变数字金融发展范式

数字金融改变了金融服务的“收益—成本—风险”关系，而智能体的技术能力进化，从服务模式、业务流程、组织形态到风险治理四个维度改变了金融业务的运行逻辑。

一是服务模式从“人找服务”到“服务找人”。传统数字金融服务是“人找服务”—— 用户打开金融应用程序（APP），在层层菜单中翻找功能入口，主动发起转账、理财、查询等请求，系统以标准化方式回应。这种模式的隐含假设是：金融需求由用户主动触发，金融机构只需要被动响应。但在现实中，大量用户需求是隐性的、模糊的、甚至用户自己尚未意识到的。

智能体的主动感知与持续交互能力打破了这一模式，能够从用户的交易行为、浏览轨迹中洞察潜在需求，在用户开口前做好预案。当智能体监测到大额资金到账时，主动推送个性化理财建议；当市场波动影响持仓时，主动发出预警并提供调仓方案。部分银行推出的AI手机银行以“对话即服务”为核心，用户通过自然语言处理（NLP）即可办理转账、理财咨询等业务。概括而言，智能体重新定义了金融服务模式——从“渠道数字化”迈向“场景智能化”，将服务融入用户场景，从被动应答者进化为主动的金融管家。

二是业务流程从线性审批到智能并行闭环。传统金融业务流程以“线性审批”为核心特征。以信贷审批为例，客户提交申请材料，客户经理进行初审和材料补录，风险部门进行信用评估和反欺诈核查，审批委员会决策，放款部门执行放款，每个环节串行推进，上一环节完成后才能进入下一环节。这种串行模式导致一些金融服务的周期长、效率低，且易受主观因素影响。

智能体将金融服务流程重构为智能化、自动化的并行闭环。在信贷审批领域，部分银行将模糊的思维判断转化为清晰的流程控制，通过智能体自动从多个数据源采集信息、交叉验证、生成评估报告，客户经理转变为“人机协同”模式。一些金融机构也在利用智能体重构投研服务链路：数据采集、财务分析、行业研究、合规审核、报告生成等智能体同时工作，大幅压缩信用报告撰写时间，明显提升风险监测效率。串行审批转为并行处理，效率大幅提升，决策的一致性和可追溯性也显著增强。

三是展业模式从人机分工到人机协同。智能体的出现，让金融业中的AI从“工作助手”转为“协作者”，展业模式从人机分工转为人机协同。在传统的“人机分工”模式下，人和机器的任务是清晰划分的：机器负责标准化、重复性、计算密集型的工作（如批量数据处理、报表生成），人类负责非标准化、需要判断和沟通的工作（如客户关系维护、复杂决策）。人和机器各干各的，交集有限。而在“人机协同”模式下，人和智能体共同处理同一项任务，互相补充、实时交互。人类提供经验判断、情感沟通、异常处理和价值选择，智能体提供数据支持、模型推理、效率执行和标准化输出。

随着智能体应用的深入，未来金融机构的核心竞争力将不再取决于员工数量或网点规模，而取决于金融机构能够多有效地将人类智慧与机器智能融合为统一的决策执行体系。智能体大幅降低了信息传递和决策协调的成本，中间大量的事务性工作可以被替代，金融机构的组织结构也将从传统的科层制向更加扁平化、网络化的方向演进。

四是风险防控从事后处置到实时预警。金融业作为经营资金和风险的行业，智能体在风险治理领域的核心价值在于实时性与主动性，将风险防控从事后处置前置到事前预警、事中干预。例如，在反洗钱领域，智能体对每笔交易进行实时风险评估，自动调取背景信息、历史行为、关联网络，低风险自动放行、高风险立即阻断；在反欺诈领域，多模态智能体同时分析人脸纹理、视频光流、声音频谱，大大提升对AI生成攻击的防御成功率。

但值得注意的是，多个自主决策的智能体在市场中交互，可能催生难以预测的“涌现行为”；当众多金融机构使用相似的技术架构和训练数据时，算法“同质化”可能在极端条件下放大市场波动，引发新的系统性风险防控难题；智能体“黑箱”特性引发监管问责难题，当智能体做出错误决策导致损失时，难以实施追溯和监管问责。因此，智能体时代的金融风险防控，不仅要防范传统的信用风险、市场风险、操作风险，还要防范由AI驱动的新型技术风险。

推动智能金融发展的政策建议  

智能体技术仍在快速演进迭代，金融业又是一个高杠杆、高风险、信息密集型行业，智能体在金融业的应用是一个循序渐进的过程，未来的政策设计需在鼓励创新和防范风险之间找到恰当平衡点。

一是构建金融智能体的分层治理体系。借鉴前期金融管理部门发布的“金融科技发展规划”和“数字金融发展指导意见”，在国家层面制定金融智能体发展规划，细化应用路径，明确发展目标、重点领域与时间表。同时，制定金融智能体的技术要求与评估方案标准，针对不同风险等级的业务场景实施差异化监管：低风险场景采取备案制或沙盒试点，中等风险场景建立技术认证和定期评估，高风险场景（涉及资金划转、信用审批等）建立严格的备案准入、持续监控和强制人工复核。此外，构建责任穿透与人在链路相结合的原则：金融机构作为智能体的部署者和管理者，承担最终的主体责任；在智能体的设计、训练和部署环节，建立决策链路的可追溯机制，确保每项关键决策能够追溯到具体的模型版本、输入数据和推理路径；在涉及重大利益或高风险的操作中，必须保留人工复核和确认节点。

二是构建可信的智能体技术基础设施。由金融管理部门或者金融行业协会牵头，联合多方制定金融智能体的技术标准、评测规范和安全要求，涵盖模型可解释性、决策可追溯性、数据隐私保护、算法公平性等关键维度，并做好技术标准与监管政策的衔接。建设金融行业高质量语料库和训练数据集，在保障安全隐私前提下推动非敏感数据汇聚开放，建立数据要素流通的安全合规机制。此外，推动“通用基础大模型+金融行业大模型+机构专用大模型”的共生模式：通用模型提供基础能力，行业模型注入领域知识作为公共基础设施，机构模型使用私域数据微调形成差异化优势。中小机构可通过金融云调用行业模型，缩小与大型机构之间的“智能鸿沟”。

三是引导金融机构理性推进业技融合。一方面，建立科学的智能体应用效果评估体系，引导金融机构优先选择客户服务、信贷审批、风险管理、营销获客等高价值场景部署智能体，避免盲目追逐技术热点。从效率维度（审批时长压缩率、人力成本节省率）、风险维度（欺诈识别准确率提升、信贷违约率降低）、客户维度（问题一次性解决率、客户满意度提升）构建量化指标体系。另一方面，鼓励跨机构合作与生态共建，支持成立行业联盟、开源社区、联合实验室等合作平台，推动技术成果的共享与复用。对于向行业开放关键技术的机构，可给予税收优惠或项目补贴，降低全行业的重复开发成本。

四是防范智能体时代的新型金融风险。建立覆盖智能体设计、开发、部署、运行全生命周期的风险管理体系。设计阶段进行风险评估；开发阶段建立代码审查、模型测试、对抗性验证；部署阶段进行小范围试点和灰度发布；运行阶段建立持续监测和预警机制；对高敏感场景设置强制的人工复核节点和熔断机制。建立算法备案与风险隔离机制，要求金融机构备案核心业务智能体的模型、数据来源、决策逻辑，建立跨机构算法集中度监测体系，识别市场中的算法集中度风险。构建“人机融合”治理框架，明确哪些决策必须由人类做出、哪些可以授权给智能体、哪些需要联合判断，防止模型自动化偏见导致的模型伦理问题。建立审计和问责机制，确保每项AI决策的关键环节可追溯到具体的人和具体的模型版本。