63场景全覆盖:金融AI Skill全景实战

简介: --- title: "我用AI搭建了63个金融场景:从对公开户到跨境出海的完整智能体生态" description: "分享63个金融AI场景的完整开发实录——覆盖银行、证券、基金、保险四大行业,从对公开户到跨境出海,从ESG研究到量化回测" tags: ["金融AI", "开源", "智能体", "企业微信", "场景覆盖"] --- 我用AI搭建了63个金融场景:从对公开户到跨

title: "我用AI搭建了63个金融场景:从对公开户到跨境出海的完整智能体生态"
description: "分享63个金融AI场景的完整开发实录——覆盖银行、证券、基金、保险四大行业,从对公开户到跨境出海,从ESG研究到量化回测"

tags: ["金融AI", "开源", "智能体", "企业微信", "场景覆盖"]

我用AI搭建了63个金融场景:从对公开户到跨境出海的完整智能体生态

两个月,63个场景,31个开源Skill,覆盖金融业的每一个角落

前言

两个月前,我在知乎写下第一篇文章:《零API费用!我用Python写了一套银行财务AI智能体》。那时只有6个场景。

今天,这个数字变成了63。

从大堂经理的客户分流到基金经理的业绩归因,从对公开户材料清单到企业跨境出海方案,从反洗钱可疑交易报告到ESG可持续发展研究——这63个场景构成了一个完整的金融AI智能体生态。

63个场景全景图

银行业(33个场景)

零售业务

  • 客户画像、营销话术、零售营销、财富管理
  • 产品手册问答、进件材料核对

对公业务

  • 企业尽调、对公开户、贸易融资、现金管理
  • 供应链金融、跨境业务

风控合规

  • 压力测试、反欺诈预警、合规培训、操作风险识别
  • 可疑交易报告、客户风险评级

运营支持

  • 智能客户分流、厅堂营销话术、客户情绪识别、排队时长预警
  • 运营日报、网点经营分析、客户经理绩效考核、监管报送

数据处理

  • 财报数据提取、代码智能审查、智能审计抽样

证券业(10个场景)

  • 投研报告生成、调研纪要、市场观点输出、路演材料
  • 智能投顾、ESG研究、量化策略回测

基金业(8个场景)

  • 基金研究报告、组合优化、业绩归因
  • 基金经理画像、定投计算器、基金对比

保险业(4个场景)

  • 智能核保、理赔审核、保险产品推荐、客户续保

通用工具(8个场景)

  • 发票查验、预算管控、财报速读、税务筹划
  • 费用报销、资金预测、客户旅程、帮助系统

技术架构:统一设计模式

所有63个场景遵循相同的四层架构:

┌─────────────────────────────────────────┐
│  Layer 1: 自然语言输入层                │
│  用户通过企微/CLI输入指令               │
└─────────────────────────────────────────┘
                   ↓
┌─────────────────────────────────────────┐
│  Layer 2: 场景路由引擎                  │
│  关键词匹配 → 参数提取 → 场景确认       │
│  统一由scenario_registry.py管理         │
└─────────────────────────────────────────┘
                   ↓
┌─────────────────────────────────────────┐
│  Layer 3: 核心引擎层                    │
│  31个独立Skill,每个场景一个引擎        │
│  模板 + 规则 + 轻量LLM                  │
└─────────────────────────────────────────┘
                   ↓
┌─────────────────────────────────────────┐
│  Layer 4: 输出格式化层                  │
│  Markdown报告 / 企微卡片 / PPT大纲      │
└─────────────────────────────────────────┘

关键设计原则

  1. 零API费用:纯Python实现,不依赖外部LLM API
  2. 模板驱动:80%固定模板 + 20%动态填充
  3. 可解释性:每个结论都有依据和计算过程
  4. 可扩展性:新增场景只需3步:开发引擎 → 注册场景 → 添加handler

31个开源Skill

所有场景代码已开源在 GitHub:

报告生成(7个)

  • meeting_minutes、market_view、roadshow_material
  • fund_research、ops_daily_report、family_trust、global_asset_allocation

银行业务(13个)

  • financial-intelligence、risk-compliance、wealth-management
  • customer-persona、customer-marketing、corp_account_opening
  • trade_finance、cash_management、supply_chain_finance
  • cross_border_biz、branch_analysis、kpi_performance、regulatory_reporting

证券基金(8个)

  • research-report、robo_advisor、esg_research、quant_backtest
  • fund_manager_profile、dca_calculator、fund_compare、portfolio_optimize

其他(3个)

  • product-manual-rag、application-material-checker、regulatory-policy-rag

企微端体验

在企业微信中,用户可以通过以下方式使用:

  1. 自然语言输入:ESG研究 某新能源企业
  2. 快捷指令:/研报、/画像、/话术
  3. 菜单导航:选择行业 → 岗位 → 场景

实际使用示例:

用户: 对公开户 科技有限公司 注册资本1000万
Bot: 🏢 **对公开户辅助**

     企业类型: 有限责任公司
     注册资本: 1000万元

     📋 **所需材料清单:**
     1. 营业执照正副本
     2. 法定代表人身份证
     3. 公司章程
     4. 股东会决议
     5. 公章、财务章、法人章
     ...

开发历程

阶段 时间 场景数 关键里程碑
Phase 0 5月初 6 财务AI智能体基础版
Phase 1 5月中 25 四大行业全覆盖
Phase 2 6月初 47 企微端上线,7×24服务
Phase 3 6月中 63 AlphaAgent加入,14个新场景

写在最后

63个场景不是终点,而是起点。

我们还在继续:

  • 接入真实数据源(Wind、同花顺iFinD)
  • 增强LLM能力(DeepSeek、Kimi深度分析)
  • 扩展更多前沿场景(数字人民币、区块链金融、AI合规)

AI不会取代金融从业者,但会用AI的金融从业者会取代不会用的。


全部63个场景代码已开源,欢迎Star和PR。关注更新,不错过每一个新场景。

相关文章
|
3月前
|
人工智能 监控 测试技术
银行业AI架构:从裸调API到六层技能体系
# 银行AI智能体架构实战:从单体到Skill协同的技术演进 ## 痛点:银行IT架构的三重困境 走在任何一家银行的科技部走廊里,你都能听到同样的叹息:系统又慢了、需求又排不上、监管又来查了。这不是某一家银行的困境,而是整个银行业IT架构的共性问题。我们把它拆解为三重困境。 **困境一:单体系
|
3月前
|
人工智能 监控 C++
技能架构设计:208个金融AI Skill的分类体系
银行智能体架构:7个Skill如何协同工作 实战代码:基于 financial-ai-skills 项目 | 架构设计 | Skill协同 | 数据流 单体架构 vs 微服务架构 银行系统常见的两种架构: `` 单体架构: 微服务架构: ┌─────────────┐ ┌─────┐ ┌─────┐ ┌─────┐ │ 核心系统 │ │信贷 │ │风控 │ │营销 │ │ ├─信贷
|
人工智能 开发工具 网络架构
魔哈:Grok国内镜像
xAI 宣布正式开源 3140 亿参数的混合专家(MoE)模型「Grok-1」,以及该模型的权重和网络架构。这也使得Grok-1成为当前参数量最大的开源大语言模型。
2557 0
 魔哈:Grok国内镜像
|
3月前
|
人工智能 JSON 文字识别
金融AI技能库:104个开源Skill即插即用
零API费用的金融AI技能库:104个场景纯Python实现,毫秒级响应 当金融AI遇上"账单焦虑" 金融行业的AI落地,存在一个被长期忽视的悖论:业务方要的是"即时可用",技术方给的是"先接API再说"。 一个发票查验场景,接入第三方OCR服务,单次调用0.3元,日均10万笔,月账单9万。一个财报分析需求,调用大模型API,单次Token消耗折合0.8元,季报期间批量处理500份,
|
3月前
|
人工智能 监控 测试技术
银行业AI架构:从裸调API到六层技能体系
银行IT架构正从单体系统走向智能体协同。本文剖析银行IT三重困境,提出六层Skill架构体系,详解Hybrid决策引擎(规则兜底+模型增强+仲裁决策),并以对公信贷为例展示7个Skill的依赖编排与并行调度。附带五维评估框架和56个真实Skill落地案例。
|
3月前
|
存储 监控 安全
基于YOLO11的溺水检测模型训练:从数据集构建到云上工程化实践
本文介绍基于YOLO11的溺水检测模型全流程实践:涵盖9984张多场景水域图像的数据构建、三类别(溺水/游泳/出水)标注、云上存储与版本管理、训练配置与调优,以及模型评估与工程化部署,助力公共水域智能安全监控。
|
3月前
|
人工智能 监控 数据库
贷前尽调AI助手:7步流水线实战
对公客户尽职调查智能化:从7天到7分钟的企业风险扫描 开源Skill:due-diligence | 企业风险画像 | 舆情监控 | 担��链分析 痛点:对公开户的"马拉松" 银行对公客户经理最怕什么?新开户尽调。 传统流程: 1. 收集企业资料(营业执照、财报、征信)→ 1天 2. 工商信息查询 → 1天 3. 舆情风险搜索 → 2天 4. 关联企业排查 → 2天 5. 撰写尽调报告
|
3月前
|
消息中间件 SQL JSON
5层通信栈:多Agent集群为什么不能用一种方式通信
多Agent集群通信的5层架构设计:传输层、会话层、路由层、协作层、语义层。像TCP/IP那样分层,让Agent协作从prompt艺术变成工程问题。完整实现见GitHub开源仓库agent-cluster-comm。
|
3月前
|
人工智能 JSON 搜索推荐
企业尽调智能体实战:60+真实企业的AI尽调报告
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
|
3月前
Tushare接口文档:指数基本信息(index_basic)
本文旨在对Tushare的指数基本信息`index_basic`数据接口进行介绍,提供更多参考示例和使用说明。 通过本接口可获取指数的基础信息,例如指数代码、全称简称、发布方、基期、加权方式等。在指数行情等多个需要依赖`ts_code`而不清楚后缀的情况下,可以使用该接口获取指数代码`symbol`与`ts_code`的对应关系。本文还介绍了如何通过传递`market`和`category`字段分别指定发布指数的交易所或服务商以及指数分类。
347 1

热门文章

最新文章