从5天到10分钟：AI如何重构企业尽调
企业贷前尽调，银行和金融机构最头疼的环节。一位信贷经理曾这样描述他的工作：打开天眼查查工商信息，切到Wind拉行情，再打开百度搜新闻，最后把散落在七八个系统里的数据拼进Word模板。一家企业，至少5天。如果碰上集团客户、关联方众多的，两周起步。
一家支行行长曾无奈地说："25个客户经理，每个人做的尽调报告格式都不一样。同样的企业，A经理评'低风险'，B经理评'中等风险'，谁对谁错无从判断。"问题的根源不是人的能力差异，而是工具链的碎片化——数据散落在不同系统里，没有统一入口，也没有标准化的采集流程。
我们调研了12家金融机构的尽调流程，发现三个共性痛点：信息散落（数据分布在6-10个系统中）、耗时漫长（单家企业5-10个工作日）、质量参差（依赖个人经验，无标准化流程）。
本文记录的，是一个用AI Agent解决这个问题的实战项目——企业尽调引擎v5.0。它不是概念验证，不是Demo，而是在60+家真实企业上跑通的生产级系统。
技术架构：多源数据整合的数据流
尽调的核心难题不是"分析"，而是"采集"。一家上市公司的完整画像，需要从至少6个异构数据源拉取信息。传统方式是人肉Copy-Paste，我们的方案是用Agent自动编排数据流：
用户输入 "美的集团"
│
▼
┌─────────────────────────────────┐
│ Step 1: 股票代码查询 │
│ 联网搜索 → 000333.SZ │
└──────────────┬──────────────────┘
│
┌──────────┴──────────┐
▼ ▼
┌─────────┐ ┌──────────┐
│ Step 2a │ │ Step 2b │
│ 实时行情 │ │ 新闻舆情 │
│ ifind │ │ 联网搜索 │
└────┬────┘ └─────┬────┘
│ │
└─────────┬──────────┘
│
┌──────────┼──────────┐
▼ ▼ ▼
┌────────┐ ┌────────┐ ┌────────┐
│Step 3a │ │Step 3b │ │Step 3c │
│工商信息 │ │风险扫描 │ │估值指标 │
│ MCP │ │ MCP │ │ MCP │
└───┬────┘ └───┬────┘ └───┬────┘
│ │ │
└──────────┼──────────┘
│
▼
┌─────────────────────────────────┐
│ Step 4: 舆情分析 + 综合评分 │
│ 多源交叉验证 → 生成尽调报告 │
│ 输出: JSON(5KB) + Markdown(4KB) │
└─────────────────────────────────┘
这个数据流的核心设计原则是并行采集、串行推理。Step 2的行情和舆情可以并行获取，Step 3的三个MCP调用也可以并行，但Step 4的综合评分必须等所有数据到齐后才能做交叉验证。这种设计把端到端耗时压到了10分钟以内。
另一个关键设计是渐进式降级：如果MCP工具不可用（比如企业是非上市公司），引擎会跳过行情和估值模块，仅返回工商+风险+新闻的"基础版"报告，而不是直接报错退出。这一设计在实际使用中至关重要——我们的60+企业样本中，有11家是非上市企业，如果要求所有数据源齐备才能出报告，这11家就会被拒之门外。
五大能力详解
1. 股票代码查询
输入企业名称，自动搜索匹配股票代码。比如输入"美的集团"，引擎通过联网搜索拿到000333.SZ。这个步骤看似简单，却是后续所有数据获取的前提——行情、估值、历史走势全部依赖股票代码。对于非上市企业，引擎会标记stock_code: null并跳过相关模块。在实际测试中，股票代码查询的成功率超过98%，少数失败案例主要是名称变更（如"格力地产"更名为"珠免集团"）尚未被搜索引擎索引。
2. 实时行情数据
通过ifind接口获取实时股价、涨跌幅、成交量、换手率等指标。这些数据直接写入报告的"行情数据"章节，避免分析师手动从交易软件抄录。更重要的是，行情数据与后续的估值指标做交叉验证——如果PE_TTM显示14倍但股价异常波动，报告会标注"数据一致性待确认"。
3. 企业新闻舆情
联网搜索获取企业最新新闻，引擎对新闻做情感分析后输出舆情等级（正面/中性/负面）和舆情得分（0-100）。这不是简单的关键词匹配，而是基于上下文的语义判断。当正面信号和风险信号同时出现时，报告会分别列出，而非简单抵消。一条"美的集团海外营收创新高"和一条"美的集团遭反倾销调查"同时出现时，舆情得分不会因为一正一负就打平，而是会标注"增长信号与政策风险并存"。
4. 工商信息检索
通过MCP工具company_business_info获取法人、注册资本、股东结构、高管团队、行业分类等工商登记信息。这些数据来自官方工商数据库，比人工在天眼查上截图更准确，也有结构化优势——股东持股比例可以直接用于关联方分析。美的集团的工商信息返回显示，第一大股东美的控股有限公司持股30.94%，这种结构化数据可以直接输入关联方分析模型。
5. 风险扫描
通过MCP工具company_risk_info扫描被执行信息、行政处罚、欠税记录、经营异常名录。这是尽调中最关键的环节，也是最容易遗漏的——传统尽调中，信贷经理往往只查一两个维度就交差。引擎把四类风险全部扫一遍，任何一项有记录就直接标红。在60+企业的实测中，我们捕获了3家存在行政处罚记录的企业和1家曾有经营异常标记的企业——这些信息如果用人肉搜索，大概率被遗漏。
实战案例：美的集团尽调报告生成
以美的集团为例，展示完整的尽调流程：
输入："美的集团"（仅企业名称，无其他预设信息）
引擎运行过程：
| 步骤 | 动作 | 耗时 | 结果 |
|---|---|---|---|
| Step 1 | 联网搜索股票代码 | ~3s | 000333.SZ |
| Step 2a | ifind获取实时行情 | ~5s | 收盘81.81，涨1.78% |
| Step 2b | 搜索企业新闻 | ~4s | 3条正面，0条风险 |
| Step 3a | MCP获取工商信息 | ~2s | 法人方洪波，注册资本7010万 |
| Step 3b | MCP风险扫描 | ~2s | 风险等级：低，0条执行记录 |
| Step 3c | MCP获取估值指标 | ~2s | PE 14.08，PB 2.68，市值6224亿 |
| Step 4 | 综合评分+报告生成 | ~3s | 综合评分65.0，中等风险 |
总耗时：约20秒（含网络延迟。批量60+企业时，并行处理平均每家不到2分钟）
JSON报告关键字段：
{
"basic_info": {
"company_name": "美的集团",
"stock_code": "000333.SZ",
"legal_person": "方洪波",
"registered_capital": "7010万人民币",
"industry": "电气机械和器材制造业",
"status": "存续"
},
"market_data": {
"close": 81.81,
"pct_change": 1.78,
"turnover_rate": 0.57,
"volume": 38926688
},
"risk_scan": {
"risk_level": "低",
"executed_cases": 0,
"penalties": 0,
"tax_arrears": 0,
"abnormal_operations": 0,
"risk_summary": "企业经营正常，无重大风险信号"
},
"assessment": {
"overall_score": 65.0,
"risk_level": "中等风险",
"recommendation": "建议补充材料"
}
}
注意一个细节：风险扫描显示"低"，但综合评估却是"中等风险"。这是因为舆情得分65拉低了综合评分——市场层面的不确定性被引擎捕获并反映在最终结论中。这种"多源数据交叉验证，取最严结论"的策略，是避免AI幻觉的关键设计。单一数据源说"没问题"不够，必须在多个维度交叉确认后才
