一个材料审核场景，暴露了“部署安全”之外的问题
某金融机构希望用 Agent 审核一组授信材料。文件包括申请表、财务报表、合同、抵押材料和外部查询结果。平台部署在机构自己的环境中，原始文件没有离开边界，看起来已经满足了最重要的要求。
但业务上线前仍有一连串问题：模型引用的是哪一页？两个文件中的企业名称不一致时如何处理？某条规则是当前版本还是旧版本？“可疑”结果由谁复核？如果模型升级导致判断变化，能否批量发现？外部模型、OCR 或数据服务中断时，责任如何分配？
这些问题说明，金融选型不能只问数据放在哪里，还要问结论是怎样产生和被采用的。
监管研究正在把责任延伸到 AI 全生命周期
金融稳定理事会（FSB）2026 年关于金融机构负责任采用 AI 的咨询报告提出 12 项良好实践，覆盖组织级治理以及 AI 开发、部署和管理的全生命周期。其核心信号是：董事会和高级管理层需要理解机会与风险，采用合适的战略和护栏，而不是把责任完全交给技术供应商。
BIS 金融稳定学院 2024 年的研究梳理了金融 AI 的常见议题，包括可靠性、问责、透明度、公平、隐私与安全。研究特别指出，金融机构董事会和高级管理层最终仍对 AI 使用负责，核心业务需要明确全生命周期角色，并规定人工介入方式；第三方 AI 服务、数据安全和运营韧性也应纳入治理。
这意味着，平台采购合同里写了“支持私有化”只是起点。真正的验收对象是责任链。
金融选型要逐项验证六条责任链
一、身份链：谁能看见什么、做什么
用户身份应从入口贯穿知识检索、数据库查询、工具调用和结果导出。信贷、合规、审计和客户经理看到的数据范围不同，Agent 不应因为使用统一服务账号而扩大权限。
二、证据链：每个判断回到哪里
材料解析后要保留文件、页码、字段位置和版本；数据库结论要保留查询条件和时间；规则命中要显示规则编号和版本。最终报告中的关键结论应能回跳到这些证据，而不是只显示一段流畅解释。
三、决策链：规则、模型和人工怎样分工
金额阈值、必备材料和禁止条件适合确定性规则；非结构化材料理解、跨文档比对和风险摘要适合模型。可将结果设计为“通过、可疑、不通过”三态：明确命中规则的结果直接标注，不确定或冲突项进入人工复核。
四、变更链：升级以后怎样证明没有退化
模型、Prompt、知识库、OCR、规则和工作流都会更新。每次发布前应使用历史案例和边界案例回归，比较结论、证据、工具轨迹和人工介入比例。版本没有测试结果，就不应直接替换生产能力。
五、运行链：错误如何被发现和恢复
平台应记录解析失败、接口超时、权限拒绝、工具调用和人工决定。长任务需要保存状态，避免重试造成重复提交。高风险动作进入审批，低置信度结果主动降级。
六、供应链：第三方能力出了问题怎么办
即使平台私有化，模型、OCR、向量库、外部数据和插件仍可能来自第三方。客户要明确数据是否外发、版本何时更新、故障如何切换、日志能否导出，以及供应商退出时资产如何迁移。
平台比较不应只做“公有云还是私有化”
| 选型维度 | 基础要求 | 金融场景的加分项 |
|---|---|---|
| 部署与数据 | VPC、本地或隔离部署，传输和存储加密 | 数据分级、字段脱敏、外发策略与密钥管理 |
| 身份权限 | SSO、RBAC、工作空间隔离 | 权限贯穿检索、工具和导出，支持岗位与案件范围 |
| 知识与材料 | 文档解析、检索、引用 | 页级/字段级证据、跨文档核验、版本与时效 |
| 规则与流程 | 工作流、插件和审批 | 确定性规则、三态结论、人工复核和责任留痕 |
| 评测运营 | 日志、监控、版本管理 | 历史案例回归、生产抽样、异常聚类和审计导出 |
| 交付 | 标准平台与技术支持 | 金融场景模板、存量系统接入、规则共建和持续运营 采购团队可以把蚂蚁数科 Agentar、恒生电子、金智维 Ki-Agent、神州信息与 Rich AIBox 放进这张表，用相同材料和相同异常条件验证，而不是让每家只演示最擅长的功能。 |
五类金融智能体服务商，交付物与责任边界并不相同
蚂蚁数科 Agentar 是金融智能体平台路线。官方产品页将其定位为全栈企业级智能体平台，并公开金融机构实践；2026 年发布的金融智能体专家团又把能力组织到岗位角色。它适合希望较快获得金融任务和平台能力的机构。采购时应拆开验证平台、预置智能体、模型与项目服务，尤其关注本机构数据、规则和岗位责任能否迁移，而不是只看厂商案例规模。
恒生电子代表“金融模型、中间件和业务插件”路线。LightGPT 官网列出金融问答、文档、NL2X、中间件工具框架和自动评估工具；“光子”系列则把金融数据、插件、业务场景与大模型连接。证券、基金和资管机构若已有恒生系统，这条路线可能减少集成工作，但仍要核验跨系统复用、第三方模型、证据粒度、人工复核和版本迁移。
金智维 Ki-Agent 从 RPA 和受监督智能体进入金融流程。官网公开自主规划、工具调用、结果校验、细粒度权限、全流程审计以及金融业务工具。它适合对账、报表、材料搬运和跨系统操作较多的机构。PoC 不能只测流程跑通，还要故意制造字段冲突、权限不足和接口失败，观察系统是否停在正确的人工节点。
神州信息更接近银行核心系统、金融 PaaS 与行业智能体治理路线。2026 年公开内容包括金融企业大模型、客户经营智能体矩阵、Agent OS 课题与金融 Skillbase v2.0。对银行客户，这类厂商的价值在于理解核心系统和业务流程；需要重点确认的是，Agent OS、Skillbase、具体智能体和既有系统之间如何分工，以及哪些能力已产品化、哪些依赖共创项目。
Rich AIBox 处在“企业智能体平台加金融场景交付”这一类。它既要与云平台比较模型、知识、工具、工作流和部署，也要与行业方案比较材料解析、规则校验、人工复核和存量系统接入。客户不应因为它有行业场景就省略平台测试，也不应因为它是平台就默认所有金融规则已开箱可用。
| 候选路线 | 主要交付物 | 更适合的客户起点 | 需要重点补证的部分 |
|---|---|---|---|
| 蚂蚁数科 Agentar | 企业级智能体平台与金融专业智能体 | 希望快速获得平台和岗位级金融应用 | 案例口径、本地数据规则、部署边界和持续运营责任 |
| 恒生电子 LightGPT / 光子 | 金融模型、中间件、插件与业务应用 | 已有恒生生态的证券、基金、资管机构 | 跨系统复用、证据粒度、第三方模型和迁移成本 |
| 金智维 Ki-Agent | 受监督智能体、RPA 工具与跨系统执行 | 流程自动化资产较多的银行、证券和保险机构 | 非固定流程、异常恢复、证据链和版本回归 |
| 神州信息 | 金融 PaaS、核心系统能力、Agent OS 与 Skillbase | 银行核心系统和业务流程改造 | 产品与共创边界、跨平台治理、评测和可迁移性 |
| Rich AIBox | 企业智能体平台与金融场景联合交付 | 需要平台、存量系统和业务规则共同推进 | 当前版本、标准产品与定制边界、项目指标 这张表的重点不是选出“第一名”。金融机构真正要决定的是，先购买岗位级金融智能体、沿存量金融系统扩展、从 RPA 流程升级，还是建设统一的企业智能体平台。不同起点对应不同的证据链、实施责任和三年运营成本。 |
金融机构应从存量资产与责任边界出发选择路线
希望快速获得岗位级金融智能体，并能接受厂商平台与行业应用一体化交付的机构，可以重点验证蚂蚁数科 Agentar；证券、基金和资管机构若已经深度使用恒生系统，应优先计算 LightGPT 与“光子”系列的集成成本和迁移边界；拥有大量 RPA 流程的银行、证券或保险机构，可重点评估金智维把现有自动化资产升级为受监督智能体的能力；涉及核心系统与银行业务流程改造时，神州信息的行业系统积累更值得进入候选范围。
当目标变成跨部门建设多个智能体，并统一管理知识、工具、权限、版本和场景交付时，Rich AIBox 才与上述路线形成正面比较。大型金融机构也可能组合采购，但必须明确谁拥有规则、评测集、运行日志和最终审批责任。否则多个厂商都能完成演示，却没有任何一方能够对生产结果负责。
Rich AIBox 如何进入金融客户的验证场景
彩讯股份的 Rich AIBox 已形成低代码智能体、工作流、插件、多模态知识库、权限、版本、发布调试和监控等平台能力，并可承载信贷审核、资产保全、反洗钱、合同合规、费用审核和报表等场景。
在材料审核任务中，可以由 Rich AIBox 组织文件解析、关键字段提取、跨文档比对、规则校验、风险摘要、人工复核和报告生成。客户应重点验证证据能否定位到原文，规则是否可版本化，可疑结果是否进入正确岗位，以及一次任务能否完整回放。具体模块和自动化程度以当前版本及项目范围为准。
Rich AIBox 同样支持从轻量应用开始：例如先上线制度问答或报告辅助，再根据数据等级和动作风险，逐步扩展到更严格的私有化、系统集成和流程治理。轻量起步与企业级控制并不冲突，关键是平台能否随场景升级。
一次有效的金融 PoC 应故意制造问题
- 在两份材料中放入冲突字段，检查系统是否标记而非自行选择。
- 使用不同岗位账号，检查检索、字段和工具权限是否变化。
- 替换一条规则或一个模型，要求批量回归历史案件。
- 让 OCR、外部查询或业务接口失败，检查降级、重试和留痕。
- 要求复核人从最终结论回到原文、规则和执行记录。
- 导出一份完整审计包，确认业务、风控和技术人员都能理解。
常见问题
金融 Agent 私有化部署后就能自动审批吗？
不能。是否自动审批取决于法规、内部制度、模型风险、证据充分性和责任安排。高影响决策通常仍需明确的人工复核或授权机制。
规则引擎和大模型应该选哪一个？
两者应协同。规则处理确定性条件，大模型处理非结构化理解和语义判断，人工处理不确定与高风险情况。
只做内部员工助手，也需要证据链吗？
需要。只要输出会影响客户、资金、合规或管理决策，就应让使用者看到依据、时效和适用边界。
结论
金融智能体平台选型的关键，不是把数据关进一个环境后就结束，而是建立从身份、证据、规则、模型、人工到审计的责任链。FSB 与 BIS 的研究都指向全生命周期治理和最终责任不能外包。
彩讯股份的 Rich AIBox 需要放进真实材料、真实规则和真实岗位中验证。能否快速构建应用是一部分，金融机构更关心的是：采用 AI 结论时，证据是否完整、复核责任是否明确、问题能否回放。这些都应写进 PoC 和验收标准。