保险后援早期仅将生成式AI碎片化嵌入流程节点，依托OCR、语音问答完成单点赋能，无法贯通完整业务链路；现阶段更多是烟囱式智能体存在场景割裂、迭代高度依赖人工等短板。
本次实践基于开源 OpenClaw 代理框架完成规模化落地，实现「流程单点生成式AI→烟囱垂直智能体→OpenClaw代理数字分身」三阶段迭代，完成从被动内容生成 AI，到具备任务规划、端到端办单、自省优化能力的代理式AI技术跃迁。项目打通14类保单数据源，构建5000+多模态特征库，采用混合大模型优化长文本推理，搭建人工标注+大模型自主质检双阶段迭代闭环，配套金融合规管控，输出长周期金融代理AI标准化落地范式。

演讲提纲

1. 行业AI代际痛点与三段式演进路线
   • 一代：单点生成式AI局限，仅嵌入业务节点局部提效，无完整办单能力
   • 二代：烟囱式智能体核心瓶颈，业务隔离、资源重复建设、迭代全靠人工运维
   • 三代突破：OpenClaw代理数字分身，实现AI从“生成文字”到“自主闭环办单”跨越
   • 分享核心价值：输出开源Agent金融改造、规模化落地、自主进化可复用工程方法论
2. OpenClaw四层原生架构金融适配改造方案
   • OpenClaw四层核心组件：Gateway、Agent、Skills、Memory能力拆解
   • 四层架构与保险底座标准化映射
     • Memory：打通14类保单数据，搭建客户时光轴、5000+维多模态特征体系
     • Agent：Qwen+DeepSeek混合分层推理，配套长上下文压缩检索方案
     • Skills：沉淀OCR、RAG、风险校验等通用原子技能池，全业务共享复用
     • Gateway：全局任务路由、多代理协同、执行日志统一归集
   • 金融定制加固：权限沙箱、规则熔断、全链路可审计，补齐开源合规短板
3. 五大后援代理分身规模化落地实践
   • 统一复用底座与技能资产，覆盖核保、理赔、保全、咨诉、续收全场景
     • 核保分身：医疗多模态识别、自动预核，压降线下人工审核量
     • 理赔分身：票据智能解析、风险自动挖掘，减少人工录入操作
     • 保全分身：规则解读、变更风险实时校验，提升线上自助办理占比
     • 咨诉分身：客户全周期轨迹整合、智能协谈，缩短案件处置周期
     • 续收分身：四维派工、催收策略、通话复盘，提升客户服务
     • 小结：烟囱Agent仅能执行固定流程；OpenClaw分身可动态组合技能、跨保单协同处理并持续自优化。
4. 核心创新：双阶段自主迭代自省闭环
   • 三代Agent迭代能力横向对比：单点AI无优化、烟囱Agent纯人工调参、OpenClaw分身人机协同自主迭代
   • 标准化迭代流水线
     • 阶段 1 冷启动：人工标注代理办单结果，构建基准样本库，守住业务合规底线
     • 阶段 2 规模化运行：大模型自动评判处置效果，反向更新技能、调度与业务策略
   • 数据回流链路：全量执行日志经Gateway汇入质检引擎，形成长效自进化闭环
5. 开源Agent落地工程痛点与成套解决方案
   • OpenClaw原生面向个人场景，缺失金融合规能力→三层校验沙箱改造方案
   • 长周期保单原生记忆不足，上下文丢失关键信息→滚动摘要+分层检索优化
   • 多代理并发算力开销与业务精度相互制约→大小模型动态分层调度
   • 5000维多源特征冗余波动→业务分层筛选+时序降维治理
   • 全AI自主执行风险高、纯人工复盘低效→双阶段渐进迭代落地体系
6. 落地价值、创新亮点与跨行业复用
   • 落地量化成效：底座能力共享削减重复研发算力投入，全业务自动化率提升，续收触达频次显著优化，整体运营成本下降
   • 三大独家核心创新
     • 完整落地开源OpenClaw金融级改造方案，实现生成式向代理式AI规模化转型
     • 标准化保险Skills技能资产池，彻底解决烟囱Agent重复建设问题
     • 人机协同双阶段迭代范式，兼顾业务安全与代理长期自治进化
   • 复用范围：架构、迭代流程可迁移至银行、产险、养老等长周期金融业务
7. 总结与中长期技术演进规划
   • 演进总结：完成「单点生成式AI→烟囱智能体→OpenClaw代理分身」三代升级，打通AI从内容生成到自主办单、持续自省优化完整链路
   • 短期：全业务分身接入迭代流水线，扩大大模型自主质检覆盖范围
   • 中长期：优化网关调度性能，打造标准化金融代理底座对外输出

技术落地的核心行业痛点

1. 开源Agent框架原生适配个人办公场景，缺少金融权限、多级审批、全链路审计等合规能力，企业二次改造成本高昂；
2. 长周期金融业务存在海量历史数据，原生框架记忆能力不足，上下文精简会损失关键业务信息，算力投入与处置精度难以平衡；
3. 智能代理持续优化落地两难：完全依赖人工复盘迭代效率低、覆盖有限；直接放开AI自主评估存在业务、合规双重风险，缺少平稳落地过渡方案。

核心亮点

1. 落地规模稀缺：国内少见万亿级保险后援全链路OpenClaw规模化落地案例，区别行业小型Demo与单场景试点，完整复现生成式到代理式AI全周期转型路径；
2. 工程方案通用可复制：输出OpenClaw四层架构金融企业标准化改造全流程，包含数据治理、混合算力调度、合规沙箱、技能池建设完整落地步骤，架构师可直接复用至各类长周期金融业务；
3. 迭代范式行业独创：依托代理自省能力搭建人工冷启动+大模型自主质检双阶段闭环，破解行业Agent上线后效果衰减、长期依赖人工调参的共性痛点，兼顾业务安全与持续自治。

听众收益

1. 架构负责人：掌握开源Agent框架金融场景改造设计思路，掌握四层底座搭建、多代理协同调度标准化方案；
2. Agent研发工程师：掌握高维特征治理、长上下文优化、人机协同自主迭代全套工程落地手段，规避开源框架落地高频问题；
3. 数字化负责人：理清生成式AI向代理数字分身演进完整技术路线，掌握兼顾业务效果、算力成本、监管合规三位一体落地方法论，支撑企业中长期AIAgent技术路线与预算规划。

大模型进入证券核心业务，最先撞上的不是模型能力，而是幻觉、口径与权限。

本演讲分享一家券商在 900 万客户、6,000+ 业务指标规模上的 AI Native 工程实践：从指标口径分裂的研发之痛出发，讲如何用“生成与执行分离”驯服大模型——数据计算交给规则引擎与知识库，模型专注理解与表达；如何构建本体语义层（指标五要素、7,000+ 同义词、组合引用结构），让 AI 的答案与经营报表同源对齐；如何用组织任职关系装配数据权限，行列正交、管控到属性级；以及 Agent 编排的生产细节——工具收敛、规则链与即席查询的递进固化、真实排障实录。最后给出四层能力阶梯：从“答得准”（架构级消除幻觉）、“看得透”（跨域自助分析）、“想得深”（从回答已知问题到发现未知关联），到“帮你盘算”（决策沙盘给出权衡框架而非武断最优解）——让知识资产从问答工具生长为决策基础设施。
 

演讲提纲

1. 现状与挑战：大模型进入证券核心业务的三堵墙
   • 业务现实：900 万客户、6,000+ 业务指标、多系统并存的券商数据环境；
   • 第一堵墙·口径分裂：同一业务概念多套口径，同一指标有全角/半角双版本——报表对不上，模型更对不上；
   • 第二堵墙·演示惊艳上线翻车：精心挑的问题都能答，生产问法一变就幻觉——提示词救不了架构问题；
   • 第三堵墙·权限与合规：权限靠按人特批、聚合结果可能定位到个人。
2. 两条歧路：传统 RAG 与裸 DataAgent 为什么走不通
   • 传统 RAG 的边界：答得了“制度怎么说”，答不了“数是多少”；同一指标文档里几种说法，命中哪段用哪段口径；
   • 裸 DataAgent 的陷阱：语义裸奔（裸表名裸编码进推理链）、口径分裂在生成 SQL 时重现、库级账号让用户级行列权限失守——本质是绕过语义层的后门；
   • 结论：企业数据场景需要第三条路。
3. 第三条路：生成与执行分离的确定性架构
   • 分工边界：大模型只做理解与表达，数据计算交给规则引擎与知识库（取数规则、查询执行器、四档控制）；
   • 判定链设计：从提问到结果的完整闭环——意图与实体解析、路由、行列校验、口径调制、审计留痕；
   • 效果：架构级消除幻觉，AI 的答案与经营报表同源对齐。
4. 架构的地基：本体语义层工程
   • 一句世界观：“表是实现视角，模型是推理视角”——三个退役判例（指标值顶点、万能组织类、任职承接）；
   • 语义层怎么建：指标五要素组合引用、7,000+ 同义词、一处修订全库同步的传播机制；
   • 语义层的红利：新业务线接入“结构零新增”。
5. 金融级权限工程与能力阶梯展望
   • 权限即计算：权限范围=组织任职关系并集，零按人特批；行列正交、属性级管控实现同岗不同权；
   • 聚合屏障：k-匿名桶+强制上卷——“给结果不给数据”，可分析不可查；
   • L1-L4 能力阶梯展望：答得准（消除幻觉）→看得透（自助分析）→想得深（洞察发现）→帮你盘算（决策推演）。

实践痛点：

1. 口径分裂：同一业务概念多套口径、“同名不同源”，连全角/半角括号都能分裂出两个指标——报表对不上，模型更对不上。
2. 表导实体的坑：厂商演示“数据库表一键转实体”，产出一堆影子实体——源表一变全错且无人知道；三个退役判例换来一句世界观：“表是实现视角，模型是推理视角”。
3. 演示惊艳、上线翻车：精心挑的问题都能答，生产环境问法一变就幻觉——提示词救不了架构问题。
4. 两条歧路——传统 RAG 与裸 DataAgent：传统 RAG 答得了“制度怎么说”，答不了“数是多少”，同一指标在文档里有几种说法、命中哪段用哪段口径；把数据集直接丢给 DataAgent 自由探索更危险——语义裸奔（裸表名裸编码进推理链）、口径分裂在生成 SQL 时重现（同一问题每次生成的查询不一样）、库级账号让用户级行列权限整体失守——本质是绕过语义层的后门。
5. 权限按人特批：权限页面配出来的每一条例外，都是模型设计不合理的证据；头衔超授、同岗不同权表达不了。
6. 聚合泄露：明细挡住了，聚合结果里的小桶依然能定位到个人——“给结果不给数据”比想象中难。

前沿亮点：

1. 生成与执行分离——RAG 与裸 DataAgent 之外的第三条路：大模型不检索文档片段凑答案、也不直接碰裸表写 SQL，而是经语义层路由到确定性取数；幻觉治理从提示词升级为架构（组合式 AI 系统的金融落地样本）。
2. 本体语义层——Semantic Layer 成为 Data×AI 融合的关键基础设施；本体对大模型的三层约束：查询层硬约束、推理层软约束、行为层治理。
3. 权限即计算——权限不再“配出来”，而是从组织事实“算出来”：行列正交、属性级管控、通道合规（讲思想不喂配方）。
4. 聚合屏障——k-匿名桶+强制上卷，“可分析不可查”成为独立授权位，隐私计算思想用在权限工程。
5. L1-L4 能力阶梯——答得准（消除幻觉）→看得透（自助分析）→想得深（洞察发现）→帮你盘算（决策推演）：大模型落地的发展路线图。

听众收益：

1. 一张技术路线选型图：传统 RAG、裸 DataAgent、语义层+确定性执行三条路线各自的边界与陷阱——以及“大模型+知识库”架构的完整参考。
2. 语义层建设的实操判据：什么进本体、什么留物理表、建错了怎么退役——附三个真实判例。
3. 金融级权限工程范式：组织关系装配+属性级管控+聚合屏障的设计要点。
4. 一张 L1-L4 演进路线图：判断自己的大模型项目处在哪一层，下一层的地基现在就要打什么。

B2B跨境贸易天然面临“多国别、多单据、多风险”挑战：营业执照、报关单等非标文档版式各异，传统OCR依赖人工录入；三流一致性验证依赖碎片化数据源，隐性关联关系难以识别；交易风险审核、客服运营等环节高度依赖人力，经验难沉淀。行业正从“AI工具”转向“AI数字员工”，模型能力越强，越需要工程驾驭。

为此团队构建“可控、可测、可进化”的三层AI工程飞轮：分钟级Agentic Coding Loop（CodeLynx）通过结构化规则+轻重推理引擎实现代码规范与红线卡点的高效覆盖；小时级Developer Feedback Loop（EvalHub）以评测集、评分器、评测任务构建数据飞轮，保障AI准出质量；天级External Feedback Loop（EagleEye）基于OpenTelemetry实现网关、模型、业务效果全链路观测，并通过Badcase智能分析回流迭代。

实践中沉淀出评测集资产化、成本可归集可解释、AI工程即组织工程等核心经验。落地后，多模态大模型使原本“不可自动化”的风控单据审核逐步实现自动化，人工审核成本持续下降，交易风险识别能力显著提升，客服范式也从“人用工具”迈向“人管Agent团队”，为AI深度嵌入金融风控业务提供了可复用的方法论。

演讲大纲

1. 风控 AI 工程与三层进化飞轮
   • 围绕三个Loop及四个动作，"驾驭（接入调度）、约束（规范门禁）、反馈（评测观测）、进化（回流迭代）"，构建全链路AI工程。
2. Agentic Coding Loop（分钟级）：CodeLynx
   • 从 Sonar 静态规则扫描，到基于知识库的Code Workflow Agent，再到Native Agent的持续演进。
   • 两种模式支持：
     • 1）增量变更（MR等片段及差异分析）
     • 2）全量分析（全仓库扫描治理）
   • 三类能力建设：
     • 1）编码类（需求一致性、架构设计、单元测试、代码规范、安全规范、资金安全规范等）
     • 2）Agent搭建类（Workflow DSL，工作流复杂度，异常处理等）
     • 3）技能类（安全性，正确性，扫描及动态试跑等）。
   • 四个关键决策：
     • 1）用好代码上下文及记忆
     • 2）结构化规则优于 LLM 自由推理
     • 3）基于标注评测，路由最优模型，准确率演进
     • 4）轻重引擎，轻推理引擎低成本广扫承载代码规范。重推理引擎驱动零漏判承载红线卡点
3. Developer Feedback Loop（小时级）：EvalHub
   • 一套基建支撑各类 AI 形态，包括大小模型、多模态模型、知识库、Agent等，通过分层建模构建数据飞轮。
     • 评测集（滚动/快照/基准，版本管理，内部数据增强，开源评测集扩展）
     • 评测场景（通过协议抽象，支撑多种技术形态的评测）
     • 评分器（LLM as Judge/自定义/指标集Ragas/Deepeval等）
     • 评测任务（调度/实验对比/指标/报告/分析回流）
4. External Feedback Loop（天级）：EagleEye
   • 基于标准OpenTelemetry协议，构建基础资源、模型、服务、业务效果四层观测能力：
   • AI 网关性能、成本、安全、治理五维观测，Token按应用/消费者可归因；
   • 模型及服务渐进式发布，流量及分批发布，打通观测能力，快速定位恢复能力
   • 业务AB实验，新版本效果比对及效果分析
   • Badcase 智能分析（LLM 预标注结合人工复核归因），回流评测集及知识，形成生产闭环，
5. 实施效果与经验
   • 业务效果：“可控、可测、可进化”成为团队标准动作。三个飞轮相互咬合：分钟级保障小时级AI代码质量，小时级评测保障准出效果，天级生产反馈反哺能力演进：
     • 1）多模态大模型同时理解复杂文档的空间布局与语义信息，将"过去不可自动化"的风控审核单据变为可自动化，人工录入量持续下降。
     • 2）AI 驱动的数据采集与多源交叉验证，自动拉通碎片化数据源，识别供应链中的隐性关联关系。
     • 3）AI Native多智能体客服，范式从"人用工具"转向"人管 Agent 团队"。

核心经验

1. 效果闭环——建设"度量反馈"，再放 AI 进核心业务，评测集是资产，要有版本、保鲜与回流机制
2. 成本观测——AI 要算得过账，让成本可归集可解释，按场景分配路由，轻重引擎实践
3. 组织协同——AI工程也是组织工程，开发者（执行）、规则维护者（迭代）、管理者（洞察）

实践痛点

1. 多模态文档理解的泛化难题：跨境贸易涉及的营业执照、报关单、物流单据等版式因国家地区差异极大，通用OCR/多模态模型在小语种、非标版式场景下识别精度不稳定，需要持续的样本积累与模型调优，短期内难以做到“开箱即用”。
2. 规则与模型的权衡取舍：在编码规范、风控红线等强确定性场景下，纯LLM自由推理容易出现结果漂移。

前沿亮点

1. 一套AI基础设施，支撑业务-线下-办公的多形态，形成“驾驭-约束-反馈-进化”体系。
2. 三层AI工程飞轮，分钟级代码质量，小时级评测准出，天级生产观测相互咬合。
3. 一组架构及实践，管算分离，轻重引擎，复用组合，平衡效果及成本。

听众收益：

1. 三层飞轮方法论：审视 AI 工程体系，分钟级、小时级、天级三层架构，及其在金融风控场景下的具体应用，可复用于 AI 深入业务的行业。
2. 门禁与评测的关键决策实践：从AI实现到评估到观测，可借鉴的技术方案及决策逻辑。
3. AI Native 组织协同模式：从标准化->流程化->产品化->智能化，系统与组织协同，提升AI迭代效率与效果。

公司支持 AI 后，个人生成代码更快，为何团队研发效率未必同步提升？本分享从内部需求分析、研发 Agent 与服务端上线实践讲起，介绍知识与代码上下文、Skill、Workflow 和人工验收如何组织协作，并以会话资产沉淀连接后续迭代。随后结合已上线的案件调查与规则挖掘 Agent，说明业务流程、工具调用、证据核对和规则回测如何组成产品能力。重点围绕可观测、可验证、可解释，复盘稳定性、可信度和复用成本，讨论从内部提效走向风控产品的实践及商业化边界。

演讲提纲：

1. 从内部研发开始：人人都在用 AI，为什么仍要改变工作方式？
   • 从公司支持 AI、员工分散使用工具讲起，分析需求理解、开发、评审和测试中的等待、重复解释与返工。将关注点从个人生成速度转向团队工作的实际变化。
2. 对内实践：把个人经验转化为研发 Agent 可以复用的方法
   • 介绍需求分析 Agent 与研发 Agent 的实践，说明业务知识、代码上下文、工程规范、Skill 和 Workflow 如何配合。围绕阶段产物与人工验收推进任务，讨论产品、研发和专家角色的变化，以及已有使用情况与待完善问题。
3. 走向服务端：从一次对话到持续运行与经验沉淀
   • 结合已上线的服务端 Agent，说明持续承接任务、降低本地配置依赖、管理会话和运行状态的设计考虑。讨论如何在授权范围内保留任务记录，将经过确认的经验沉淀为知识、Skill 与评测案例，并以可观测、可验证、可解释作为连接产品实践的工程标准。
4. 再看产品：案件调查与规则挖掘如何承载专业能力？
   • 结合已上线的两个风控 Agent，展示案件调查的七步业务链路和规则挖掘的六步业务链路。重点说明模型编排、指标工具、证据充分性评估与规则回测如何支持业务判断，以及人工确认、专家审批和受控发布的边界。
5. 共同复盘：效果、可信度与产品化仍有哪些取舍？
   • 分别观察内部研发使用、服务端运行和产品客户使用，说明使用量、人工工作量、结果质量和客户价值之间的区别。复盘流程稳定性与灵活性、知识维护与复用成本、自动执行与人工责任，不将上线或单个成功案例直接等同于规模化商业收益。
6. 总结与下一步：让一次实践成为下一次可复用的能力
   • 总结从内部使用、方法沉淀、持续运行到产品应用的经验。下一步做深核心 Agent，完善反馈、验证和版本管理，再按业务机会拓展场景；以实际使用与可验证结果判断建设价值。

实践痛点：

• 知识与上下文不足。找到代码不等于理解业务，业务口径、影响范围和验收标准仍需专家确认；沉淀不足会增加重复解释，追求大而全又带来维护成本。
• 稳定性与灵活性存在取舍。Skill 和 Workflow 可以约束方法与执行步骤，但简单任务可能被过重流程拖慢，模型、工具和数据的异常也不能仅靠流程固定消除。
• 结果可信与自动执行存在边界。可解释不等于正确，案件结论需要核对证据，候选规则需要回测和专家审批；AI 自评不能替代人工验收责任。
• 运行记录与商业收益不能直接画等号。会话沉淀需要授权、筛选、脱敏与维护。服务端上线和客户开始使用之外，仍需持续证明工作量、质量、复用成本和客户价值的变化。

前沿亮点：

1. 用内部研发与业务产品两类实践，说明经验如何变成可执行、可验收的方法。从研发的阶段产物与质量检查，到案调的证据评估和规则挖掘的回测，讨论知识、Skill、Workflow 和工具各自承担什么。复用工程方法，不把研发 Agent 简单改名成业务产品。
2. 将“可观测、可验证、可解释”落到具体产物与人工关口。分别用任务与工具记录、测试与业务验收、证据及阈值依据回答“发生了什么、结果是否符合要求、为什么得出结论”，说明稳定执行和结果可信的工程取舍。
3. 以服务端任务记录连接后续迭代，而不只积累聊天历史。结合服务端上线实践，讨论任务接续与运行治理；进一步探索将人工纠正、工具结果和验收结论转为知识、Skill 与评测案例，在审核和版本验证下持续改进。

听众收益：

1. 获得从内部 AI 使用走向团队研发实践的方法，能够沿工作流程识别重复解释、等待和返工，判断应优先改流程、补知识还是建设工具。
2. 获得服务端运行与风控 Agent 的工程参考，理解模型编排、Skill、Workflow、业务工具、证据与人工验收的职责边界。
3. 获得从能力复用走向产品化的评估思路，区分使用规模、工作量变化、客户价值和商业收益，并规划有边界的反馈迭代。