金融领域对智能体应用的严谨性与合规性提出极高工程化标准。在金融大模型工程化落地中，需通过技术手段平衡效率与风险。通过专项训练金融垂类大模型并融入原则类合成数据，模型幻觉率显著降低；训练阶段实施语料净化与数据脱敏，推理阶段部署问答管控机制，敏感信息泄露风险大幅下降。采用高低代码混合开发模式实现业务与技术协同，开发效率显著提升。本次演讲我将分享这些工程化实战路径，提升金融大模型工程化的业务响应能力，更助于行业探索出一条金融 AI 生态可持续发展的技术路径。

演讲提纲

1. 金融严肃场景对大模型工程化的核心诉求

• 工程化视角下的 “严谨性” 落地要求：以财务报表智能分析为例，如何通过数据校验机制实现 “数值一致性”，某银行因数据校验缺失导致批量计算错误的工程化复盘
• 合规性工程化挑战：监管政策动态适配的技术架构，如禁止收益预判类输出的实时拦截规则迭代实践
• 金融业务主链路对智能体 “可信属性” 的工程化指标定义（准确率 / 合规率 / 响应时效等）

2. 大模型幻觉治理的工程化实践路径

• 金融垂类数据工程建设：专业语料清洗规则、领域知识图谱构建方法，原则类合成数据生成的技术标准与质量校验流程
• 强化学习工程化落地：专家经验量化建模方法，奖励函数动态调优系统的架构设计，模型决策路径可追溯方案实现
• 工程踩坑案例：训练数据分布偏移导致的幻觉反弹问题，通过动态采样策略优化的解决过程

3. 金融智能体全生命周期安全工程建设

• 训练阶段安全防护：数据投毒检测算法部署、训练环境供应链安全扫描流程，敏感数据脱敏的工程化标准
• 推理阶段安全管控：实时问答内容审计引擎架构，提示词注入防御算法优化，基于角色的权限粒度控制实现
• 安全事件响应机制：小规模数据泄露的溯源排查流程，应急止损的技术方案迭代

4. 混合开发模式的工程化效率提升实践

• 高低代码协同开发平台架构：业务规则可视化配置模块与底层技术接口的适配设计​
• 金融业务场景落地案例：财富智能管家开发中，业务人员通过低代码配置风控规则，技术团队通过高代码优化模型调用效率的协同过程
• 工程效率指标对比：需求迭代周期、代码复用率、线上问题修复时效的优化数据

5. 未来金融大模型工程化演进方向与挑战

• 实时交易场景的时延优化瓶颈（当前 P99 时延现状与技术攻坚方向），模型能力保鲜的自动化更新机制
• 技术演进路径：多模态金融智能体的工程化架构探索，监管沙盒环境下的技术验证流程设计​
• 行业协作方向：金融 AI 工程化标准共建的必要性与实践思路

您认为，这样的技术在实践过程中有哪些痛点？

• 幻觉治理与数据偏移问题、安全防护与数据泄露风险、业务与技术协同开发的挑战、实时交易场景的时延优化瓶颈、模型能力保鲜与自动化更新

演讲亮点

• 聚焦金融场景真实工程痛点解决：围绕金融大模型落地中最核心的严谨性、合规性、安全性问题，结合银行实际案例拆解工程化实践细节，如财务报表分析的数值一致性保障、监管规则实时适配等，直击从业者日常开发运维中的高频难题
• 提供可复用的技术实践方法论：详细分享幻觉治理的全流程技术路径，包括垂类数据工程建设标准、强化学习动态调优架构等，配套 “踩坑实录” 还原训练数据偏移等问题的解决过程，为同类场景提供可借鉴的技术方案​
• 解密全生命周期安全工程体系：从训练阶段的数据防护到推理阶段的实时管控，拆解数据投毒检测、提示词注入防御等关键技术的落地逻辑，以及安全事件应急响应的实操流程，帮助观众构建完整的安全工程认知
• 呈现效率提升的工程化实践成果：通过财富智能管家等具体场景，展示高低代码混合开发如何实现业务与技术协同，用需求迭代周期缩短、代码复用率提升等真实数据，直观呈现工程化优化带来的实际价值
• 前瞻技术演进与行业协作方向：深入分析实时交易时延优化、模型能力保鲜等核心挑战，探讨多模态架构、监管沙盒验证等技术路径，以及行业标准共建思路，为从业者提供长期技术规划参考

听众收益

• 技术实践方法论：获得一套完整的金融大模型工程化实践方法论，包括幻觉治理、数据工程建设、强化学习动态调优等技术路径，可以直接应用于同类场景
• 安全工程认知：了解金融智能体全生命周期的安全工程建设，包括训练阶段的数据防护和推理阶段的实时管控，掌握数据投毒检测、提示词注入防御等关键技术的落地逻辑
• 工程化效率提升：了解如何实现业务与技术的协同开发，提升开发效率，缩短需求迭代周期，提高代码复用率
• 行业协作与技术演进方向：获得关于金融大模型工程化未来演进方向的前瞻分析，包括实时交易时延优化、多模态架构探索、监管沙盒验证等技术路径，以及行业标准共建的思路，为长期技术规划提供参考
• 解决实际问题的能力：了解如何解决训练数据偏移、安全事件应急响应等问题，提升在实际工作中应对复杂问题的能力

风险控制是互联网金融领域的核心议题，也是高度依赖数据分析和机器学习的关键环节。随着 AI 技术的快速发展，传统风险控制领域迎来了新的机遇与挑战。本次演讲将分享我们团队在真实欺诈对抗场景中对 AI 和大模型技术的探索与实践，重点介绍如何通过学习已有的欺诈案例，举一反三主动防御以提升风控防御能力，并结合大模型的能力探索和提高识别效率，总结相关经验与成果。

演讲提纲

1. 背景与现状

• 互联网金融支付系统中的常见欺诈攻击类型与传统防御方法
• 当前防御体系中面临的主要挑战与局限性

2. 主动式防御的探索与实践

• 红蓝对抗：模拟真实攻击场景以提升防御能力
• 故障注入：通过构造极端场景测试系统韧性
• AI Agent 的引入：如何通过智能化技术实现效率与效果的双重提升

3. 未来展望

• 主动式欺诈防御的技术演进方向
• AI 在互联网金融安全领域的潜在应用与发展趋势

您认为，这样的技术在实践过程中有哪些痛点？

• 复杂系统出现与预期不相符合时难以 debug
• 多 Agent 系统的稳定性较难以保证

演讲亮点

• 业界一般为被动式防御，在互联网金融领域的主动式攻击鲜有报导。本次分享在该领域较为创新的实践经验

听众收益

• 启发风控同行在新的方向上进行探索
• 共同探讨对于技术难点的思考与可能解决方案

在金融业数字化加速的背景下，传统客服面临体验割裂、长尾需求难覆盖、人效瓶颈等核心挑战。本次分享将系统性解析如何通过大模型与多 Agent 协同技术，构建覆盖客户服务全生命周期的智能化跃迁方案：从进线前的意图预测与主动服务，到进线中的多 Agent 任务协同与复杂决策，直至人工坐席端的 Copilot 实时赋能，实现从“被动响应”到“主动关怀”、从“单点提效”到“全链路重构”的体验升级。

本次分享将深入解析大模型与多 Agent 协同技术驱动的全场景智能化跃迁实践，将结合金融机构的落地案例，揭示技术如何驱动服务效率、用户体验与业务价值的三重跃迁，为行业提供可复用的智能客服升级范式。

演讲提纲

1. 破局点：金融客服的体验困局与智能化机遇

• 传统金融客服的三大痛点：响应滞后、体验割裂、长尾需求无人覆盖
• 为什么单点引入大模型效果有限？从“问答机”到“服务伙伴”的认知转变
• 真正跳出困境的契机：多 Agent 协同 + 全流程重构

2. ​技术底座：大模型驱动的多 Agent 协同架构设计

• 整体架构：从用户进线到坐席辅助的智能调度中枢
• 核心 Agent 角色定义与分工：路由 Agent、业务处理 Agent、决策 Agent、合规校验 Agent
• 会话记忆与状态管理：如何实现跨轮次、多场景的连续对话？

3. 全场景跃迁实践：从预测到闭环的智能进化

• 进线前：意图预测与主动服务——如何提前拦截30%+高频咨询？
• 进线中：多Agent协作决策实战——用户同时问理财、贷款、投诉怎么办？
• 坐席端：Copilot实战剖析——实时话术推荐、工单生成与情绪预警
• 事后分析与强化学习：服务闭环与模型持续进化机制

4. 真实挑战与应对原则

• 内容合规性 vs. 个性化表达：怎样既“像人”又不“乱说话”？
• 幻觉控制与错误溯源：三道防线、实时校验与回退机制
• 持续学习与人工反馈：如何建立“模型-坐席-用户”三角优化循环？

5、未来展望：从能力构建到生态赋能

您认为，这样的技术在实践过程中有哪些痛点？

• 实时响应与生成质量之间的平衡：线上服务对响应速度有极高要求，而大模型在有限时间内生成的答案往往难以兼顾准确性与完整性
• 内容可控性与个性化需求之间的矛盾：生成内容既要符合企业规范、避免风险，又需灵活适应用户个性化语境，两者难以同时最大化满足
• 幻觉与错误信息的控制：大模型可能生成看似合理实则不准确或虚假的内容，尤其在开放域问答中，保障信息可靠性是一大挑战

演讲亮点

• 基于多智能体协作的精准任务处理：通过分解对话流程，采用专项智能体协同（如意图识别、知识检索、回复生成及质检等），显著提升了复杂场景下的响应准确率和可控性，与传统单体模型相比有效减少了幻觉与逻辑错误
• 全链路赋能的闭环优化机制：将大模型深度融入客服预处理、实时交互与事后分析全流程，不仅在对话中动态适配用户需求，还通过端到端学习持续优化服务策略，实现跨环节的系统性效能提升

听众收益

• 了解金融客服“预测-协同-赋能”三阶跃迁的完整技术路径，覆盖从用户未进线到人工服务的全链路闭环设计
• 掌握多 Agent 落地实战策略：获取可复用的 Agent 分工架构（路由/业务/决策 Agent 协同模式）及金融合规性保障方案，规避技术踩坑
• 效能提升量化证据：基于金融机构案例，验证主动服务降低进线量、Agent 中枢提升解决率、Copilot 缩短处理时长等核心指标