金融智能体落地四阶段，同花顺 Agent 战略与实践全景

在数字化浪潮与人工智能技术双重驱动下，金融行业正经历从“效率优化”到“价值重构”的深刻变革。AI Agent 作为新一代智能体技术，凭借深度分析、自主决策、多模态交互能力，正在重塑投顾、投研、风控、运营等核心金融场景。

2025 AICon 上海站，同花顺产品总监路忠文发表了题为《金融智能体·新范式，Agent 驱动价值重构探索》的演讲，深入解析 AI Agent 在金融领域的创新实践，结合头部企业案例与技术路径拆解，揭示其如何突破传统业务边界，实现降本增效与用户体验升级；同时探讨技术落地中的挑战与未来趋势，为从业者提供从战略布局到实践落地的全景洞察，拥抱人机协同的金融新生态。

很多人对同花顺的印象可能会停留在同花顺是一家专注于做炒股 App 的公司，但其实我们从 1994 年成立至今已经 31 年了，是从 ToB 的生意开始做起来的。

我们现在服务于非常多的证券、期货、银行等金融领域客户，整个公司目前的研发人员大概在 3000 多人，其中 1/3 的人员专注于 AI 领域的开发与算法工程。

我们也建立了一个国家级博士后工作站，专门做 AI 偏底层方面的研究。数据层面是我们同花顺一直以来非常重要且核心的基础能力，为我们后面做 AI 大模型方面做了非常多的铺垫。我们也是国内第一家金融互联网上市公司。

在 AI 这方面，同花顺的探索最早是从 2006 年开始，当时我们做的是指标选股，通过一些语句提供一些指标来帮助我们的投资者快速选股。

多年以来，我们的 i 问财金融对话机器人产品得到了非常快速的发展，是公司的核心产品，所有的资源都注入于此。2018 年我们有了 ToB 版本服务于金融客户，目前已经落地的客户超过 40 家金融机构，都在用我们的智能投资助理。

2019 年公司启动了整体的 AI 战略，从此之后我们公司所人年底汇报里都要写一下，今年你用 AI 为自己做了什么，做了哪些赋能。从此我们组织开始快速转型。

ChatGPT 爆火之后，我们第一时间在 2023 年 11 月拿到了首批大模型基座备案资质。整个 2024 年，我们做了非常多的面向金融机构、券商、银行、基金保险公司的具体业务产品，还赚了挺多钱，所以这一次就给大家分享一些经验。

【市场】数字化转型与金融 AI 变革

今年 2 月份开始我们调研了一下，有非常多金融机构一开始还是犹豫状态，但在 DeepSeek 爆火之后快速把相关的大模型 AI 能力落地，截止 2 月份已经有 45 家官宣。

目前腰部以上的券商或机构几乎已经全部接入 DeepSeek。一些高层会议上，很多领导也非常鼓励金融机构积极接入，结合自己业务做一些尝试。

这是我们能看到的一些政策方面的变化。我们也看到了围绕着智能投顾、投研、投教，以及合规相关的一些具体业务场景，各家做了非常多的场景落地。

从技术发展趋势的角度上讲，目前大家的共识认可度已经达到了比较高的程度。当前的大趋势是从传统模型到现在深度思考的模型，以及从单智能体到多智能体协同去组织和落地一些任务，另外就是从单模态到多模态，还有从人工编排到完全的 AI 自主规划，等等很多技术方向的变化。

金融机构在落地过程中，有些事情是行业从业者才会比较深入了解。目前大模型对 C 端用户展业时会遇到非常多困难，第一关就是关于我们的算法备案，你想要把你做好的业务快速服务你的 C 端客户，这个是必不可少的。

一些客户已经完成了大模型算法相关的备案。一些证券是由我们来提供服务，帮他们一起去完成相关的算法备案，我们会提供完整的能力支持。

我们也是国内第一批完成基座模型备案的金融公司，东方财富、同花顺，蚂蚁是同一批。之后到 2024 年，带金融两个字的模型备案就几乎很少了。

我们也可以给金融机构或者从业者相关的建议。如果大家做了一些底层模型的研发，可以走模型基座备案。如果想要去应用，同 DeepSeek 等模型合作去做展业，建议大家可以走当地证监局的登记，登记通过之后在合规前提下也可以进行范围的展业。

从监管政策来看，DeepSeek 显著降低了金融机构 AI 准入门槛，行业风险合规相关能力也进一步完善。接下来政策监管会有进一步放开。

2024 年我跑了 150 家左右金融客户，总结了一些思考如下。

AI 机构的实践演进中，第一阶段都是投石问路，大家可以试着用大模型帮助我们去做文档问答、大量文档的快速检索这样的尝试。平台层可以用一些云端平台、SaaS 平台，算力可以调云端 API 来做小规模试用。

目前百分之七八十的金融机构都是处于第二阶段，在投顾写作、投研分析这样的一些特别具体的场景上做一些亮点或应用，目前应用是比较广泛的。

算力服务器上是大家一般采 1~2 台、2~3 台国产算力服务器或英伟达服务器做内部尝试，并且做很多规模化培训，邀请很多行业专家来对自己内部的老师和同学进行相关培训，帮助大家培养 AI 的基础认知。

目前我们有一些客户，包括国内比较头部的一些客户已经走过了第三阶段。比较有代表性的最头部几家，都在做像智能投资助理、多研报对比、自动生成研报等面向行业的非常深度的应用。

第三阶段之所以叫战略转型，是因为这个阶段开始后就不再是 IT 部门或业务部门自己的小范围创新尝试。一定是自上而下的，要在公司战略级的投入，才可以转型到第三个阶段。

这里包括智能体应用开发平台，也包括像同花顺目前建设的一些工坊平台，可以帮助我们快速结合模型数据构建具体的智能体，服务于业务场景。算力方面，这一阶段已经开始规模化建设。

目前有较少的金融机构才能走到第四个阶段，同花顺就是在第四个阶段里。这一阶段比较典型的一些特点包括，公司开始自己组织一些学习、分享、培训，大家一起来使用智能体平台构建服务于自己的智能体。

公司一些业务部门会组织大家做 AI 分身来服务自己，我们的运维部门都开始用各种各样的 AI 来服务自己的业务，真正做到了自组织、自进化。并且我们所有生产的数据已经回流自动化标注，进入到训练模型，这是目前我们走得比较通顺的一条路径。

【实践】AI Agent 金融创新及落地实践

具体的落地实践中我们有两个比较重要的产品，第一个是问财，目前也是国内金融领域对话机器人流量第一的应用，也是单智能体月活人数最高的金融应用。

大家在同花顺 APP 右上角点击小机器人图标可以跟它对话。过去我们每天只能限制问 3~5 句，现在会多一些，大家可以继续尝试。

问财也经过了几个不同技术路线的迭代。2023 年前，最开始是 Chatbox 和传统的 NLP 模式，大家花大量人工做大量标注，做相似句问句。用户问到这个问题了，跟问句相似就匹配到问句里，最早是这样的方式。

从 2023 年到 2024 年，我们做了意图识别加 Langchain 的模式。目前非常多的金融机构都处于这个阶段。有得用大模型做意图识别，也有用小模型做意图识别。

小模型做意图识别会更快一点，但它的意图数量是有上限的，并且容易错，容易相互之间产生一些影响。

从去年 4 月份开始，同花顺已经全面转型 Agent 模式的自主规划，现在是多 Agent 相互配合来构建问财对话机器人。大模型版本上线后，我们的人均问句数从以前的 5.1 句增长到现在的 8.6 句，代表用户停留时长增加了。

在这个过程中我们就有更多时间把我们的广告流、运营产品、增值服务产品推给用户，产生更高价值。

上图左边是问财的基础业务框架，可以看到一个问句进来后，首先会有模型做思考和规划拆解，思考 AI 应该怎么回答，应该调用哪些工具，需要知道哪些背景信息足以回答这个用户问题。

进来之后模型会先从工具库寻找，我回答这个问题应该使用什么样的方法，什么样的回答结构。比如分析一个个股，我应该从基本面、技术面、资金面、政策面多个角度回答，就去调用不同的工具来获取相关的背景信息，给予用户回答。

模型调用完工具之后获取了大量背景信息，再到第三步反思，模型自己来审查当前拿到的背景信息是否足以回答用户的问题，如果不够，它会重新再规划去补充背景信息，再给予用户回答，这就是一个基本的逻辑框架。现在它的框架迭代比较多，也会增加多轮思考、多智能体协作、多轮信息收集。但整体的思路是这样的。

我们第二个主要产品是智能体工坊 Agent Studio。问财的能力落地，包括 Agent 自主规划或调取工具的能力支持都是由这个平台搭建完成的。

简单来说它就是一套低代码轻组件的可视化编排工具，可以快速把大模型数据做有效结合来回答用户问题。这里最关键一点就是如何把大模型和最准确有效的数据连接起来。

有一些小伙伴比较疑惑，市场上有这么多开源智能平台，为什么你们还自己构建一个？这也取决于我们内部的情况，因为我们公司 Java 技术栈比较多，而且在金融领域大家更多追求高稳定性、高可用性，所以我们就基于 Java 技术栈重构了一套平台。

介绍一下我们的主要客户。第一家是目前华东头部券商，我们和他们一起做了非常多的事情。我们工坊落地后，在公司内部一起组织了非常多的智能体培训、比赛，以及智能体的活动作业，来广泛收集内部的 idea，快速形成一些服务于业务的应用，包括直播底稿生成、脱水研报、资讯、行业分析、行情分析、盯盘回测等。目前它们应用起来都已非常成熟，并且获得了不错的反馈。

我们最开始合作时，主要是帮他们做了一个 7×24 小时直播，由数字人主播。因为数字人直播需要非常多内容，这些内容都由人来写太累了，所以我们用 AI 来写一些内容，包括资讯点评、金融投教、早餐晚餐午餐的内容，取得了不错的效果。目前这个客户已经走到了第二阶段，合作非常深入。

第一个阶段我们用了三个月，完成了平台基础建设。到第二个阶段时组织了大量公司内部培训分享。

前期我们还花了非常大的精力做前期分享培训铺垫，但到后面，它内部形成了一个 AI 自组织之后，他们就会自己组织和驱动公司内部整体的 AI 落地创新创意。

这是一个非常典型的场景，我们同华南区的一家非常头部的证券公司做了合作。这个领域内投顾老师非常多，中国有 7 万多投顾老师，但真正能服务于客户写一些深度分析的老师其实 10% 都不到。90% 的投顾老师其实专业水平是没有达到 70 分的，可能也就是 50、60 分的水平。

所以我们和金融机构聊完后，也是一起想共建一个业务场景，当时的目标就是让 90% 的投顾老师拥有 70 分的水平，把大家的下限提升上来，让投顾老师可以服务更多客户，覆盖更专业的业务场景，这样提升整体投顾的覆盖面，从而提高客单价。

目前我们每天的用户问句量大概在 800 多句，这是老师主动触发的问句。具体的业务场景有个股点评、行业分析、条件选股、收盘点评，这样一些具体的能力抽象成了单点，老师只需要根据用户的问题直接点单点就可以回复了。

另外老师每天会对接非常多的用户，企微对接里每天有几百条信息，但我们通过 AI 的方式让 AI 针对最后一条或两条去给予 AI 的先行回复。

这个回复是给投顾老师，并不是直接发给客户，由投顾老师看完，觉得没问题，觉得话术还不错，直接点一下可以发给客户。目前这个方案的效率得到一定验证了，现在我们在启动二期去做更加深度的投顾赋能业务。

华东这家券商的案例，我们也是从最底层的大模型到中层的智能平台、金融插件，再到上层的应用和增值类服务产品，全流程提供一些服务。我们也在前期花了非常大的精力做了各种各样的分享和培训。这里包括了一些基础的实用分享、一些创意分享、业务分享。

银河期货这个案例是我们非常深入的合作。从最底层的知识中心到模型中枢再到数据中心，我们都做了非常深度的合作，目前已经进入到第三到第四阶段了。他们的组织也是自上而下，从战略层做了一些规划和转移。

下面提一些传统 APP 的升级思路。这里我们只把同花顺目前应用过的实践案例给大家做一个分享。原生 AI APP 方案有机会再单独介绍下。

大家看到在资讯的页面上，我们有包括资讯的午评总结、专题热点、资讯选股这样的一些能力去服务我们的金融客户。我们还在行情专题页面增加了行情异动解读分析，这是很多投资者非常感兴趣，非常乐意点击的点，它针对于正在发生的一些热点事件、热门股票。

【技术】AI Agent 工坊架构与技术挑战

上图是我们平台的架构。最下层是数据层，有非常核心的行情数据、资讯数据、宏观数据的构建。上一层是服务层，是基础的模型构建以及模型的精调和数据飞轮的构建。

再往上层是我们非常核心的组件，这一层里提供了非常多的包括大模型、金融数据、金融业务组件。这些都是多年以来我们历史上沉淀的，非常多的一些好用的金融业务组件，可以让我们的智能体搭建像水龙头一样即开即用，想要什么就可以快速组织什么。

这里面有非常核心的一个工具叫自然语言取数工具。所有的金融机构目前在这个行业里应用的时候都会面临一个问题，如何取数，如何取准确的金融业务数据，这是非常非常难的。我们多年积累下来，目前在整个行业内比较立得住，并且能和大家分享的一个点，就是我们的自然语言取数体系建设。

模型能力越强，NL2SQL 能力越强，但同时会面临着模型生成的速度变慢的问题。准确率到了百分之 85 以上时，就进入了瓶颈，再往上走其实很难了，大家通过 SFT 也很难达到更好的效果。

目前我们应用的方案是指标库，其实就是中间层的伪 SQL 来构建。我们先构建了一套指标库的取数框架。用户问卷进来后会先进行指标解析，这个指标解析不是通过大模型，而是通过小模型进行解析，然后生成伪 SQL，由伪 SQL 向后执行，真正的 SQL 去查取对应的数据。

整个过程准确率可以做到 95% 以上，而且是在百毫秒内返回数据，取数速度非常快，这样让我们的模型可以快速融入一些金融数据。这个方案实际应用起来还是比较复杂的，并且建设成本也比较高。

还有一个点是很多金融机构或者是老师在应用 AI 时，会经常遇到大模型回答不上来的情况。我问它茅台的最近收入怎么样，或者问一个比较抽象的概念，其实模型是回答不上来的，因为在它的知识库里、训练的语料里其实是没有相关知识的。

这里大家都偏向于用联网搜索这样的方式解决，而我们用一个比较传统的方式解决这个问题。比如解析茅台最近两年销售情况怎么样，我们会给它拆解，拆出时间、标的、指标，在标的之外还会有茅台的股票代码、所属行业、所属概念，这样的相关背景信息再喂给模型，让模型的负担进一步下降，并且准确率会得到大幅度提升。

这里面像消歧、归一这样的工程链路优化，对我们大模型回答用户问题的效果会有非常大的提升。

我们现在也把同花顺比较优秀的一些服务慢慢开放出来，把它包装成一些 MCP 给大家，做一些比较深度的合作来调用同花顺的工具。

比如我们的自然语言取数工具和金融查询工具，一个工具就可以查到 8 万多个指标、近百万的金融业务数据，非常好用。还有一个是风控，很多金融机构也比较关心这个。这里简单说一下，模型产生幻觉的基本原因就是因为它的训练语料里没有相关的背景数据，并且数据不准，而我们是有可靠的背景数据源并且可追溯，这是一切稳定安全的核心点，你所有的公告、资讯、研报与宏观数据来源必须是准确的。

如果在数据这一层面就错了，模型不可能回答对，这是一个非常基础的点。

另外我们做了一个安全合规风控体系。这里从事前的审查，事中的干预，到事后的语料标注，整个过程都做了非常多的优化。一个用户问句进来后，会兼走我们的风控模型，风控模型是个我们自己训练的 1B 小模型，基于海量用户对话数据来训练，针对网信办要求的 5 类 31 项，可以快速给予反馈。体系里还有传统的敏感词库，事中有预警和干预，事后有语料风控体系，并且如果违规了，会有违规风控的话术做兜底。

【展望】金融 AI 探索及展望

关于未来的探索展望，最底层还是数据和能力的整合。服务于投顾业务场景时，需要把投顾业务的金融业务数据，包括展业数据、用户数据、产品数据，所有底层数据要素都需要整合，做到 AI Ready，这是一个最基础的工作，再往上一层来构建非常多的能力点。

这些能力点都是跟投顾老师一起深入到他每天工作的业务场景中，从早上开始陪着他，他一天要做哪些事情，把这些事情一项一项列出来，AI 能为他们提供哪些赋能，全都做深度优化。

然后把这些能力组合起来，形成一些具体的产品，服务于用户画像、专业内容的营销、产品组合销售，包括一些日常的营销投顾建议这样的子能力。

我们在做场景化的金融智能体。用户圈选了一个资讯，模型针对这样的资讯可以做分析和解读。你不止可以圈选资讯行情、k 线，同花顺 APP 里你所能看到的信息都可以把它圈起来，扔给模型，让模型给予你解读、对比分析，做相关的事情。

这里是多模态的融合加工程优化，才能给予用户一个非常好的回答。我们的新一代 APP 也在做全新的 AI 模式交互，颠覆传统的用户交互模式。

最后给大家一些经验分享，讲一讲金融机构落地 AI 时面临的主要挑战。

第一个是投产比困境。针对整个团队，尤其是面对领导在汇报沟通的时候，大家在反复讨论投入产出比的时候，这时候真不建议大家特别强扭这个事情，比较建议大家先通过分享培训，整体提高大家的认知，让我们的领导、团队、身边的伙伴知道现在 AI 发展的速度以及 AI 发展的节奏，以及当前的技术水平到底能到一个什么样的阶段，再决定我们是否来做这样一个项目。

第二个是项目成败。很多团队会比较纠结于短期项目是否成功，或者是否取得一些效果，是否能够验收。但其实更重要的是在这个过程中，我们培养了一个非常强有力自组织、自学习、快速发展的 AI 团队，这比我们几个月的项目是更加重要的。

第三个就是构建护城河。面向 AI 方向的底层数据知识的治理将会成为中长期的竞争力，这也是我们在非常多的实践过程中总结的经验。如果我们的数据不能通过自然语言取数，或者不能通过水龙头一样即用的，数据和模型快速的结合，我们无法让普通的运营老师、产品老师或者不懂 AI、不懂开发的老师去做 AI 应用。

所以面向于最底层，要把这些基建做好，我们的数据 AI 要面向 AI 治理，要做到数据 Ready，随时能够被 AI 快速调用。

第四个就是原子化创新。过去我们软件开发的整个业务模式里，大家比较习惯构建非常宏大的产品目标。其实现在这个阶段非常建议大家去做原子层面的拆解，做单点突破，尤其重视个人的发挥与创造力。现在我们非常多的团队小伙伴可以用我们自己的平台和各种辅助平台来一个人完成过去一个团队所构建的产品或 demo，这是非常明显的变化。

大家还要重视没有经过软件开发思维培训的一些人，尤其是刚毕业的大学生，他们可以有一些天然的 AI 思维来做产品。

嘉宾介绍

路忠文，同花顺产品总监，深耕金融证券行业，成功打造了多个头部券商、期货、银行大模型应用案例，为金融行业的 AI 化转型提供了切实可行的新思路与产品方案。