金融信贷这个行业表面上看是资金生意骨子里其实是风险生意。我在消费金融和银行零售信贷条线摸爬滚打这些年见过太多团队在审批效率和不良率之间反复横跳——放宽一点坏账飙升收紧一点获客成本压不住。最近半年我把不少精力放在用华为云智果 AgentArts 搭建金融信贷 AI 智能体上从贷前资料核验到贷中风险预警再到贷后催收话术生成跑通了几条完整的链路。这篇就把我踩过的坑、验证过的配置、以及那些文档里不会写的经验一次性摊开讲清楚。1. 为什么金融信贷场景值得单独搭一个智能体1.1 信贷业务链条里哪些环节最吃智能体先说结论不是所有信贷环节都适合上智能体。我见过有团队一上来就想做一个全能信贷助手结果做出来的东西四不像业务方用两天就扔了。真正值得投入的是那些高频、规则密集、但又需要一定语义理解的环节。贷前阶段最典型的是资料核验与反欺诈初筛。客户提交的身份证、银行流水、收入证明、征信报告格式五花八门有的是扫描件有的是手机拍照还有的是PDF加密文件。传统OCR只能做字段提取但这张流水单的进账是否呈现工资特征这份收入证明的公章位置是否异常这类判断需要智能体结合规则库做推理。贷中阶段风险预警和额度调整建议是重头戏。一个客户今天突然在三个平台同时申请贷款或者他的还款账户余额连续三天低于月供这些信号单独看都不致命但组合起来就是风险前兆。智能体在这里的价值是把分散的信号聚合成可解释的风险提示而不是简单抛一个分数给风控经理。贷后阶段催收话术生成和还款意愿识别是我实测下来ROI最高的场景。不同逾期天数、不同客户画像话术策略完全不同。M1阶段的客户可能只是忘了一句提醒就够M3以上的客户需要施压但措辞必须合规不能踩红线。智能体可以根据客户历史交互记录动态生成既有效又合规的话术。1.2 华为云智果 AgentArts 在这个场景里的定位AgentArts 本质上是一个智能体编排平台它把大模型的推理能力、工具调用能力、知识库检索能力封装成可配置的组件。对金融信贷场景来说它解决的核心问题是让业务人员能参与智能体的调优而不是所有改动都排队等研发。我举个实际例子。风控策略里有一条规则是近三个月查询次数超过6次且无放款记录标记为高风险。这条规则以前写在代码里改一次要走完整的发版流程。用 AgentArts 之后我把这条规则做成知识库里的一个条目风控经理自己就能在后台调整阈值智能体实时生效。这个变化看起来小但在业务节奏快的信贷公司意味着策略迭代周期从两周缩短到半天。另一个关键点是 AgentArts 的工作流编排能力。信贷审批不是单轮对话而是一个多步骤的决策链先核验身份再查征信再跑反欺诈规则最后综合评分。AgentArts 允许我把这些步骤串成可视化的工作流每个节点可以独立配置模型、提示词和工具出了问题能快速定位是哪个环节的偏差。1.3 一个必须先想清楚的问题智能体替谁做决定这是我在项目启动会上一定会问业务方的问题。金融信贷是强监管领域智能体可以辅助决策但不能替代决策至少现阶段不行。我的做法是把智能体的输出定位为建议依据最终审批权保留在人工手里。具体到配置上我会在智能体的系统提示词里明确写你是一个信贷风险辅助分析助手你的输出是分析建议不构成最终审批结论。所有涉及拒绝、降额、冻结的建议必须附带至少三条可追溯的数据依据。这个约束看起来是合规要求实际上也提升了业务方对智能体的信任度——他们能看到为什么而不是一个黑盒结论。2. 用 AgentArts 搭建信贷智能体的核心配置拆解2.1 知识库的切分策略别把制度文件整篇塞进去我见过最常见的错误就是把公司的信贷政策制度PDF直接上传到知识库然后指望智能体自己找到相关条款。实测下来这样做的检索准确率惨不忍睹。原因很简单一份制度文件动辄几十页切分粒度太粗检索出来的片段往往包含大量无关信息模型容易被干扰。我的做法是按决策点切分。比如《个人消费贷款审批细则》里关于收入认定的部分我会拆成独立条目工资收入认定标准奖金收入认定标准经营收入认定标准收入证明异常情形。每个条目控制在300到500字包含具体的数值阈值和例外情况。切分的时候有个技巧在每条知识的前面加上适用场景标签。比如适用场景客户提供银行流水但无代发工资标记时使用。这个标签会参与向量检索能显著提升召回的相关性。我实测过加了场景标签之后知识库检索的准确率从大概六成提升到八成五以上。另外信贷政策经常更新知识库的版本管理必须做好。AgentArts 支持知识库的多版本管理我的习惯是每次政策调整后新建一个版本保留旧版本至少一个季度。这样万一新版本出了问题能快速回滚也方便对比新旧策略的差异。2.2 工具调用的编排哪些能力必须外挂大模型本身的能力有限信贷场景需要的很多能力必须通过工具调用实现。我在项目里配置了这几类工具第一类是征信查询接口。这个不用多说智能体需要根据客户授权去拉取征信报告然后解析关键字段。这里要注意的是接口的幂等性设计避免重复查询导致征信记录被多次硬查询。第二类是规则引擎。有些硬性规则不适合让模型判断比如年龄必须在22到55岁之间当前逾期天数超过90天直接拒绝。这些规则我封装成独立的规则引擎工具智能体调用后直接返回布尔结果不经过模型推理。这样做的好处是确定性高、可审计监管检查的时候能清楚说明每条拒绝理由的来源。第三类是计算工具。信贷审批涉及大量计算负债收入比、月供收入比、综合评分。这些计算必须精确不能让模型心算。我把计算公式封装成工具模型只负责提取参数和调用计算结果由代码保证。第四类是话术模板库。贷后催收场景用得多不同逾期阶段、不同客户类型对应不同话术模板。智能体根据客户画像选择模板再根据具体情境做微调。这里有个坑要提醒工具调用的超时设置很关键。征信接口有时候响应慢如果超时设置太短智能体会反复重试既浪费资源又可能触发接口限流。我的经验是把征信查询的超时设到15秒同时配置最多两次重试重试间隔3秒。2.3 提示词工程把风控逻辑翻译成模型能懂的话提示词是智能体的灵魂信贷场景的提示词尤其讲究。我的提示词结构一般分四层第一层是角色定义。不要只写你是一个信贷助手要写清楚具体职责边界。比如你是一名消费信贷贷前审核辅助分析员负责根据客户提交的资料和征信数据识别潜在风险点并给出审核建议。你不做最终审批决定你的输出仅供人工审核参考。第二层是分析框架。把风控经理的思考逻辑显性化。我会写分析时请按以下顺序进行第一步核验身份信息一致性第二步评估收入稳定性第三步检查负债水平第四步识别异常申请行为第五步综合给出风险等级建议。第三层是输出格式约束。信贷场景要求输出结构化方便后续系统处理。我会指定JSON格式包含风险等级、风险点列表、建议措施、依据来源等字段。第四层是合规红线。明确写出不能做的事不得基于性别、地域、民族等非相关因素给出差异化建议不得使用歧视性语言所有拒绝建议必须附带具体数据依据。实测下来这四层结构能把智能体输出的可用率从不到五成提升到八成以上。特别是分析框架那一层相当于把资深风控经理的思维过程教给了模型效果立竿见影。2.4 多轮对话的状态管理信贷审批不是一问一答信贷审批流程往往需要多轮交互。客户可能先提交了部分资料审核员追问后再补充或者智能体发现某个疑点需要审核员确认后再继续。AgentArts 的会话管理能力在这里很重要。我的配置是每个申请单对应一个独立的会话上下文会话里维护几个关键状态已收集资料清单、待确认疑点列表、当前审批阶段、历史交互记录。这样即使用户中途离开下次回来还能接着上次的进度继续。有个细节值得注意会话上下文的长度要控制。信贷审批可能涉及几十轮交互如果把所有历史都塞进上下文token消耗会很大而且模型容易被早期信息干扰。我的做法是只保留最近五轮完整对话更早的交互压缩成摘要形式保留关键结论。3. 贷前资料核验智能体的完整落地过程3.1 从一份银行流水说起智能体到底要看什么银行流水是贷前审核的核心材料但很多人不知道的是同样一份流水不同审核员关注的点差异很大。我访谈过十几个资深审核员把他们的关注点归纳成几类收入真实性进账是否呈现规律性是否有明确的工资代发标记进账方是否与客户声称的雇主一致流水稳定性近六个月月均进账是多少波动幅度多大有没有突然的大额进账负债痕迹是否有固定的还款扣款记录扣款金额和频率是否暗示了其他贷款异常信号是否有当天进当天出的过桥资金是否有与客户身份不符的大额交易这些关注点就是智能体提示词里分析框架的来源。我把它们写成具体的检查项让模型逐项分析并给出结论。3.2 资料解析的工程细节OCR之后还有大量工作AgentArts 本身不直接做OCR但可以调用OCR工具。我的流程是客户上传资料后先调用OCR提取文本和版面信息然后把OCR结果连同原始图片一起交给智能体分析。这里有个关键细节OCR结果必须保留置信度信息。有些字段OCR识别置信度低比如手写签名、模糊的公章这些地方智能体要特别标注出来提醒人工复核。我在提示词里明确写对于OCR置信度低于0.8的字段请在输出中标注需人工复核。另一个细节是多页资料的关联。一份完整的银行流水可能十几页OCR是逐页处理的但智能体需要跨页关联信息。我的做法是在OCR结果里保留页码和版面坐标提示词里告诉模型同一笔交易的借贷信息可能分布在相邻页面请结合上下文判断。实测中我还发现不同银行的流水格式差异极大。有的银行流水是表格形式OCR效果好有的是文本流形式OCR容易串行。针对这个问题我在知识库里维护了一份各银行流水格式特征的文档智能体分析前先识别银行类型再选择对应的解析策略。3.3 反欺诈规则的智能体化改造传统反欺诈靠规则引擎但规则引擎的问题是只能处理结构化信号对非结构化信息无能为力。比如客户提供的收入证明公章模糊这种信号规则引擎处理不了但智能体可以。我把反欺诈规则分成两类硬规则和软规则。硬规则仍然走规则引擎比如身份证号与姓名不匹配直接拒绝。软规则交给智能体比如收入证明的公章位置偏移超过正常范围建议人工复核。软规则的提示词写法很讲究。不能写得太绝对否则误报率高也不能太模糊否则没有指导意义。我的写法是给出具体的判断标准和置信度分级。比如如果公章边缘模糊但整体轮廓可辨标记为低风险疑点如果公章完全无法辨认或明显为PS痕迹标记为高风险疑点。这里分享一个实测数据纯规则引擎的反欺诈误报率大概在15%左右加入智能体软规则分析后误报率降到8%以下同时漏报率没有明显上升。这个提升主要来自智能体对非结构化信号的识别能力。3.4 人工复核环节的交互设计智能体的输出最终要交给人工复核这个交互界面的设计直接影响使用体验。我的经验是智能体的输出要可追溯、可操作、可反馈。可追溯是指每个风险点都要能点开看到原始依据。比如智能体说流水显示近三个月有两笔当天进当天出的资金审核员点击后应该直接跳转到流水对应位置高亮显示那两笔交易。可操作是指智能体给出的建议要具体。不要只说建议进一步核实收入要说建议要求客户补充近六个月个税缴纳记录或提供劳动合同。可反馈是指审核员能对智能体的判断做标注。这个反馈数据非常宝贵是后续优化提示词和知识库的依据。我在系统里加了一个简单的采纳/不采纳/部分采纳按钮每周统计一次针对不采纳率高的场景做专项优化。4. 贷中风险预警与贷后催收的智能体实践4.1 贷中预警从事后发现到事前提示贷中风险预警的核心挑战是信号稀疏且分散。一个客户可能今天改了一次手机号明天换了一张还款卡后天在另一个平台申请了贷款。这些信号单独看都不严重但组合起来就是风险前兆。我用 AgentArts 搭了一个预警智能体它的工作流程是每天定时拉取客户的各类信号还款行为、账户变动、外部查询记录等然后让智能体做综合分析输出风险等级和预警理由。提示词里我特别强调了一点不要孤立地看待每个信号要分析信号之间的关联性。比如客户同时出现还款账户余额下降和新增外部查询记录这两个信号叠加的风险等级应该高于单独出现。预警智能体的输出我设置了三个等级绿色正常、黄色关注、红色预警。黄色和红色会推送给对应的客户经理绿色只记录不推送。这个分级机制很重要否则客户经理每天收到几百条预警很快就会忽略。实测下来预警智能体的准确率大概在七成左右也就是说十条红色预警里有七条确实是风险客户。这个准确率不算完美但比纯规则引擎的五成准确率已经好很多。而且智能体的预警理由更详细客户经理能快速判断是否需要介入。4.2 催收话术生成合规与效果的平衡催收话术是智能体在信贷场景里最出彩的应用也是最容易踩坑的地方。踩坑的点在于模型很容易生成过度施压的话术触碰合规红线。我的做法是在提示词里设置硬性约束禁止使用威胁、恐吓、侮辱性语言禁止提及客户家人、朋友、同事禁止暗示将采取法律手段以外的强制措施所有话术必须包含明确的还款指引。同时我维护了一个合规话术模板库智能体生成的话术必须与模板库的风格一致。如果模型生成的话术与模板库差异过大系统会自动拦截并提示重新生成。效果方面我做过一个对比测试同一批逾期客户一半用人工话术一半用智能体生成的话术。结果智能体话术的还款转化率比人工话术高约12个百分点。分析原因主要是智能体话术更个性化——它会根据客户的历史交互记录调整措辞比如对之前态度好的客户用温和提醒对多次失联的客户用更正式的通知口吻。4.3 还款意愿识别从对话中提取信号还款意愿识别是催收场景的进阶应用。客户在对话中的措辞、语气、承诺具体程度都暗示了还款意愿。智能体可以实时分析这些信号给催收员提示。我配置的识别维度包括客户是否主动询问还款方式高意愿、是否承诺具体还款日期中高意愿、是否只说知道了但不给具体时间中意愿、是否直接挂断或辱骂低意愿。这些信号会实时显示在催收员的工作界面上帮助催收员调整策略。比如识别到高意愿客户催收员就重点提供还款便利识别到低意愿客户催收员就准备升级处理流程。这里有个伦理边界要注意还款意愿识别不能用于歧视性对待。我在系统里明确禁止将识别结果用于决定是否采取过激催收手段只用于调整沟通策略。5. 实测中踩过的坑与优化经验5.1 模型幻觉在信贷场景的致命性大模型的幻觉问题在信贷场景是致命的。我遇到过智能体编造征信记录的情况——客户征信报告里明明没有某笔贷款智能体却在分析里提到了。这种错误如果没被发现可能导致错误的审批结论。我的应对措施有三层第一层是关键数据强制引用来源。提示词里要求智能体在提到任何具体数据时必须标注数据来源如征信报告第2页第3段。第二层是交叉验证。对于智能体提取的关键字段系统会自动与OCR原始结果比对不一致时触发人工复核。第三层是定期审计。每周随机抽取一定比例的智能体输出做人工复核统计幻觉率。实测下来这三层措施能把幻觉导致的实际错误率控制在千分之一以下。但要注意完全消除幻觉目前不现实关键是建立发现和纠正机制。5.2 知识库更新滞后导致的策略偏差信贷政策更新频繁知识库如果更新不及时智能体会给出过时的建议。我踩过一次坑公司调整了某类客户的收入认定标准但知识库没同步更新智能体连续三天按旧标准审核导致一批本该通过的客户被拒。后来我建立了一个知识库变更管理流程政策调整后由政策制定部门在系统里提交变更申请风控和合规部门会签然后由我这边更新知识库并做回归测试。整个流程控制在24小时内完成。另外我在智能体的输出里加了一个策略版本号字段每次知识库更新后版本号递增。这样如果发现某批审批有问题能快速定位是哪个版本的知识库导致的。5.3 工具调用失败的降级策略工具调用失败是常态征信接口超时、规则引擎报错、计算服务不可用这些都会发生。关键是失败后的降级策略要明确。我的配置是征信查询失败时智能体不继续分析直接输出征信数据获取失败请人工处理。规则引擎失败时智能体跳过规则判断但标注规则校验未完成。计算工具失败时智能体给出计算所需的参数由人工完成计算。降级策略的核心原则是宁可少做不可做错。信贷场景里一个错误的自动结论比没有结论更危险。5.4 业务人员的接受度曲线技术团队容易忽略的一点是智能体最终是给业务人员用的他们的接受度决定了项目成败。我观察到的接受度曲线大概分三个阶段第一阶段是好奇期业务人员愿意试用但期望值可能过高以为智能体能解决所有问题。这个阶段要主动管理预期明确智能体的能力边界。第二阶段是质疑期试用一段时间后遇到误报或漏报业务人员开始不信任。这个阶段要快速响应反馈针对高频问题做优化用实际改进重建信任。第三阶段是融合期业务人员逐渐摸清智能体的脾气知道什么场景该信、什么场景该自己判断。这个阶段要建立常态化的反馈机制让优化持续进行。我的经验是整个曲线走完大概需要两到三个月。期间最重要的是快速响应业务人员提的问题如果一周内没有反馈信任度会急剧下降。6. 关于智能体在信贷场景的边界思考6.1 哪些决策永远不该交给智能体做了这么多项目我越来越清楚一件事智能体在信贷场景的价值是放大优秀审核员的能力而不是替代他们。有几类决策我坚持不交给智能体第一类是涉及重大金额的审批。比如单笔超过一定额度的贷款必须人工审批。智能体可以做前期分析但最终决定必须由人做。第二类是涉及特殊客群的审批。比如老年客户、残障客户、特殊职业客户这些客群的风险特征复杂智能体的训练数据可能不足容易产生偏差。第三类是涉及政策模糊地带的审批。政策不可能覆盖所有情况遇到模糊地带需要人的判断和担当智能体给不出这种判断。6.2 可解释性不是可选项是必选项金融监管对可解释性的要求越来越高。智能体的每个输出都必须能回答为什么。我在项目里坚持几个原则每个风险点必须关联具体数据。不能只说综合评分低要说综合评分低主要因为近三个月查询次数6次超过阈值5次、当前负债收入比65%超过阈值60%。每个建议必须关联具体规则。不能只说建议拒绝要说建议拒绝依据《个人消费贷款审批细则》第3.2条关于查询次数的规定。每个结论必须可复现。同样的输入智能体应该给出同样的输出。我通过固定随机种子、记录完整提示词和工具调用日志来实现这一点。6.3 人机协作的最佳比例最后分享一个我一直在思考的问题人机协作的最佳比例是多少我的观察是智能体处理70%到80%的常规案例人工处理20%到30%的复杂案例这个比例下效率和质量的平衡最好。低于这个比例智能体的价值没充分发挥高于这个比例人工复核的压力太大容易流于形式。当然这个比例因机构而异风控能力强的机构可以适当提高智能体处理比例风控能力弱的机构应该降低。我在实际项目里会持续监控几个指标智能体自动通过率、人工复核推翻率、不良率变化。这三个指标结合起来看能判断当前的人机比例是否合适。如果自动通过率高但不良率上升说明智能体太激进如果人工推翻率高说明智能体的判断标准与人工差异太大需要校准。这套东西我还在持续迭代信贷场景的智能体应用远没有到成熟阶段。但有一点我越来越确信智能体的价值不在于它多聪明而在于它多稳定、多可解释、多可管理。在金融这个容错率极低的行业稳定和可控比聪明重要得多。
金融信贷这个行业表面上看是资金生意骨子里其实是风险生意。我在消费金融和银行零售信贷条线摸爬滚打这些年见过太多团队在审批效率和不良率之间反复横跳——放宽一点坏账飙升收紧一点获客成本压不住。最近半年我把不少精力放在用华为云智果 AgentArts 搭建金融信贷 AI 智能体上从贷前资料核验到贷中风险预警再到贷后催收话术生成跑通了几条完整的链路。这篇就把我踩过的坑、验证过的配置、以及那些文档里不会写的经验一次性摊开讲清楚。1. 为什么金融信贷场景值得单独搭一个智能体1.1 信贷业务链条里哪些环节最吃智能体先说结论不是所有信贷环节都适合上智能体。我见过有团队一上来就想做一个全能信贷助手结果做出来的东西四不像业务方用两天就扔了。真正值得投入的是那些高频、规则密集、但又需要一定语义理解的环节。贷前阶段最典型的是资料核验与反欺诈初筛。客户提交的身份证、银行流水、收入证明、征信报告格式五花八门有的是扫描件有的是手机拍照还有的是PDF加密文件。传统OCR只能做字段提取但这张流水单的进账是否呈现工资特征这份收入证明的公章位置是否异常这类判断需要智能体结合规则库做推理。贷中阶段风险预警和额度调整建议是重头戏。一个客户今天突然在三个平台同时申请贷款或者他的还款账户余额连续三天低于月供这些信号单独看都不致命但组合起来就是风险前兆。智能体在这里的价值是把分散的信号聚合成可解释的风险提示而不是简单抛一个分数给风控经理。贷后阶段催收话术生成和还款意愿识别是我实测下来ROI最高的场景。不同逾期天数、不同客户画像话术策略完全不同。M1阶段的客户可能只是忘了一句提醒就够M3以上的客户需要施压但措辞必须合规不能踩红线。智能体可以根据客户历史交互记录动态生成既有效又合规的话术。1.2 华为云智果 AgentArts 在这个场景里的定位AgentArts 本质上是一个智能体编排平台它把大模型的推理能力、工具调用能力、知识库检索能力封装成可配置的组件。对金融信贷场景来说它解决的核心问题是让业务人员能参与智能体的调优而不是所有改动都排队等研发。我举个实际例子。风控策略里有一条规则是近三个月查询次数超过6次且无放款记录标记为高风险。这条规则以前写在代码里改一次要走完整的发版流程。用 AgentArts 之后我把这条规则做成知识库里的一个条目风控经理自己就能在后台调整阈值智能体实时生效。这个变化看起来小但在业务节奏快的信贷公司意味着策略迭代周期从两周缩短到半天。另一个关键点是 AgentArts 的工作流编排能力。信贷审批不是单轮对话而是一个多步骤的决策链先核验身份再查征信再跑反欺诈规则最后综合评分。AgentArts 允许我把这些步骤串成可视化的工作流每个节点可以独立配置模型、提示词和工具出了问题能快速定位是哪个环节的偏差。1.3 一个必须先想清楚的问题智能体替谁做决定这是我在项目启动会上一定会问业务方的问题。金融信贷是强监管领域智能体可以辅助决策但不能替代决策至少现阶段不行。我的做法是把智能体的输出定位为建议依据最终审批权保留在人工手里。具体到配置上我会在智能体的系统提示词里明确写你是一个信贷风险辅助分析助手你的输出是分析建议不构成最终审批结论。所有涉及拒绝、降额、冻结的建议必须附带至少三条可追溯的数据依据。这个约束看起来是合规要求实际上也提升了业务方对智能体的信任度——他们能看到为什么而不是一个黑盒结论。2. 用 AgentArts 搭建信贷智能体的核心配置拆解2.1 知识库的切分策略别把制度文件整篇塞进去我见过最常见的错误就是把公司的信贷政策制度PDF直接上传到知识库然后指望智能体自己找到相关条款。实测下来这样做的检索准确率惨不忍睹。原因很简单一份制度文件动辄几十页切分粒度太粗检索出来的片段往往包含大量无关信息模型容易被干扰。我的做法是按决策点切分。比如《个人消费贷款审批细则》里关于收入认定的部分我会拆成独立条目工资收入认定标准奖金收入认定标准经营收入认定标准收入证明异常情形。每个条目控制在300到500字包含具体的数值阈值和例外情况。切分的时候有个技巧在每条知识的前面加上适用场景标签。比如适用场景客户提供银行流水但无代发工资标记时使用。这个标签会参与向量检索能显著提升召回的相关性。我实测过加了场景标签之后知识库检索的准确率从大概六成提升到八成五以上。另外信贷政策经常更新知识库的版本管理必须做好。AgentArts 支持知识库的多版本管理我的习惯是每次政策调整后新建一个版本保留旧版本至少一个季度。这样万一新版本出了问题能快速回滚也方便对比新旧策略的差异。2.2 工具调用的编排哪些能力必须外挂大模型本身的能力有限信贷场景需要的很多能力必须通过工具调用实现。我在项目里配置了这几类工具第一类是征信查询接口。这个不用多说智能体需要根据客户授权去拉取征信报告然后解析关键字段。这里要注意的是接口的幂等性设计避免重复查询导致征信记录被多次硬查询。第二类是规则引擎。有些硬性规则不适合让模型判断比如年龄必须在22到55岁之间当前逾期天数超过90天直接拒绝。这些规则我封装成独立的规则引擎工具智能体调用后直接返回布尔结果不经过模型推理。这样做的好处是确定性高、可审计监管检查的时候能清楚说明每条拒绝理由的来源。第三类是计算工具。信贷审批涉及大量计算负债收入比、月供收入比、综合评分。这些计算必须精确不能让模型心算。我把计算公式封装成工具模型只负责提取参数和调用计算结果由代码保证。第四类是话术模板库。贷后催收场景用得多不同逾期阶段、不同客户类型对应不同话术模板。智能体根据客户画像选择模板再根据具体情境做微调。这里有个坑要提醒工具调用的超时设置很关键。征信接口有时候响应慢如果超时设置太短智能体会反复重试既浪费资源又可能触发接口限流。我的经验是把征信查询的超时设到15秒同时配置最多两次重试重试间隔3秒。2.3 提示词工程把风控逻辑翻译成模型能懂的话提示词是智能体的灵魂信贷场景的提示词尤其讲究。我的提示词结构一般分四层第一层是角色定义。不要只写你是一个信贷助手要写清楚具体职责边界。比如你是一名消费信贷贷前审核辅助分析员负责根据客户提交的资料和征信数据识别潜在风险点并给出审核建议。你不做最终审批决定你的输出仅供人工审核参考。第二层是分析框架。把风控经理的思考逻辑显性化。我会写分析时请按以下顺序进行第一步核验身份信息一致性第二步评估收入稳定性第三步检查负债水平第四步识别异常申请行为第五步综合给出风险等级建议。第三层是输出格式约束。信贷场景要求输出结构化方便后续系统处理。我会指定JSON格式包含风险等级、风险点列表、建议措施、依据来源等字段。第四层是合规红线。明确写出不能做的事不得基于性别、地域、民族等非相关因素给出差异化建议不得使用歧视性语言所有拒绝建议必须附带具体数据依据。实测下来这四层结构能把智能体输出的可用率从不到五成提升到八成以上。特别是分析框架那一层相当于把资深风控经理的思维过程教给了模型效果立竿见影。2.4 多轮对话的状态管理信贷审批不是一问一答信贷审批流程往往需要多轮交互。客户可能先提交了部分资料审核员追问后再补充或者智能体发现某个疑点需要审核员确认后再继续。AgentArts 的会话管理能力在这里很重要。我的配置是每个申请单对应一个独立的会话上下文会话里维护几个关键状态已收集资料清单、待确认疑点列表、当前审批阶段、历史交互记录。这样即使用户中途离开下次回来还能接着上次的进度继续。有个细节值得注意会话上下文的长度要控制。信贷审批可能涉及几十轮交互如果把所有历史都塞进上下文token消耗会很大而且模型容易被早期信息干扰。我的做法是只保留最近五轮完整对话更早的交互压缩成摘要形式保留关键结论。3. 贷前资料核验智能体的完整落地过程3.1 从一份银行流水说起智能体到底要看什么银行流水是贷前审核的核心材料但很多人不知道的是同样一份流水不同审核员关注的点差异很大。我访谈过十几个资深审核员把他们的关注点归纳成几类收入真实性进账是否呈现规律性是否有明确的工资代发标记进账方是否与客户声称的雇主一致流水稳定性近六个月月均进账是多少波动幅度多大有没有突然的大额进账负债痕迹是否有固定的还款扣款记录扣款金额和频率是否暗示了其他贷款异常信号是否有当天进当天出的过桥资金是否有与客户身份不符的大额交易这些关注点就是智能体提示词里分析框架的来源。我把它们写成具体的检查项让模型逐项分析并给出结论。3.2 资料解析的工程细节OCR之后还有大量工作AgentArts 本身不直接做OCR但可以调用OCR工具。我的流程是客户上传资料后先调用OCR提取文本和版面信息然后把OCR结果连同原始图片一起交给智能体分析。这里有个关键细节OCR结果必须保留置信度信息。有些字段OCR识别置信度低比如手写签名、模糊的公章这些地方智能体要特别标注出来提醒人工复核。我在提示词里明确写对于OCR置信度低于0.8的字段请在输出中标注需人工复核。另一个细节是多页资料的关联。一份完整的银行流水可能十几页OCR是逐页处理的但智能体需要跨页关联信息。我的做法是在OCR结果里保留页码和版面坐标提示词里告诉模型同一笔交易的借贷信息可能分布在相邻页面请结合上下文判断。实测中我还发现不同银行的流水格式差异极大。有的银行流水是表格形式OCR效果好有的是文本流形式OCR容易串行。针对这个问题我在知识库里维护了一份各银行流水格式特征的文档智能体分析前先识别银行类型再选择对应的解析策略。3.3 反欺诈规则的智能体化改造传统反欺诈靠规则引擎但规则引擎的问题是只能处理结构化信号对非结构化信息无能为力。比如客户提供的收入证明公章模糊这种信号规则引擎处理不了但智能体可以。我把反欺诈规则分成两类硬规则和软规则。硬规则仍然走规则引擎比如身份证号与姓名不匹配直接拒绝。软规则交给智能体比如收入证明的公章位置偏移超过正常范围建议人工复核。软规则的提示词写法很讲究。不能写得太绝对否则误报率高也不能太模糊否则没有指导意义。我的写法是给出具体的判断标准和置信度分级。比如如果公章边缘模糊但整体轮廓可辨标记为低风险疑点如果公章完全无法辨认或明显为PS痕迹标记为高风险疑点。这里分享一个实测数据纯规则引擎的反欺诈误报率大概在15%左右加入智能体软规则分析后误报率降到8%以下同时漏报率没有明显上升。这个提升主要来自智能体对非结构化信号的识别能力。3.4 人工复核环节的交互设计智能体的输出最终要交给人工复核这个交互界面的设计直接影响使用体验。我的经验是智能体的输出要可追溯、可操作、可反馈。可追溯是指每个风险点都要能点开看到原始依据。比如智能体说流水显示近三个月有两笔当天进当天出的资金审核员点击后应该直接跳转到流水对应位置高亮显示那两笔交易。可操作是指智能体给出的建议要具体。不要只说建议进一步核实收入要说建议要求客户补充近六个月个税缴纳记录或提供劳动合同。可反馈是指审核员能对智能体的判断做标注。这个反馈数据非常宝贵是后续优化提示词和知识库的依据。我在系统里加了一个简单的采纳/不采纳/部分采纳按钮每周统计一次针对不采纳率高的场景做专项优化。4. 贷中风险预警与贷后催收的智能体实践4.1 贷中预警从事后发现到事前提示贷中风险预警的核心挑战是信号稀疏且分散。一个客户可能今天改了一次手机号明天换了一张还款卡后天在另一个平台申请了贷款。这些信号单独看都不严重但组合起来就是风险前兆。我用 AgentArts 搭了一个预警智能体它的工作流程是每天定时拉取客户的各类信号还款行为、账户变动、外部查询记录等然后让智能体做综合分析输出风险等级和预警理由。提示词里我特别强调了一点不要孤立地看待每个信号要分析信号之间的关联性。比如客户同时出现还款账户余额下降和新增外部查询记录这两个信号叠加的风险等级应该高于单独出现。预警智能体的输出我设置了三个等级绿色正常、黄色关注、红色预警。黄色和红色会推送给对应的客户经理绿色只记录不推送。这个分级机制很重要否则客户经理每天收到几百条预警很快就会忽略。实测下来预警智能体的准确率大概在七成左右也就是说十条红色预警里有七条确实是风险客户。这个准确率不算完美但比纯规则引擎的五成准确率已经好很多。而且智能体的预警理由更详细客户经理能快速判断是否需要介入。4.2 催收话术生成合规与效果的平衡催收话术是智能体在信贷场景里最出彩的应用也是最容易踩坑的地方。踩坑的点在于模型很容易生成过度施压的话术触碰合规红线。我的做法是在提示词里设置硬性约束禁止使用威胁、恐吓、侮辱性语言禁止提及客户家人、朋友、同事禁止暗示将采取法律手段以外的强制措施所有话术必须包含明确的还款指引。同时我维护了一个合规话术模板库智能体生成的话术必须与模板库的风格一致。如果模型生成的话术与模板库差异过大系统会自动拦截并提示重新生成。效果方面我做过一个对比测试同一批逾期客户一半用人工话术一半用智能体生成的话术。结果智能体话术的还款转化率比人工话术高约12个百分点。分析原因主要是智能体话术更个性化——它会根据客户的历史交互记录调整措辞比如对之前态度好的客户用温和提醒对多次失联的客户用更正式的通知口吻。4.3 还款意愿识别从对话中提取信号还款意愿识别是催收场景的进阶应用。客户在对话中的措辞、语气、承诺具体程度都暗示了还款意愿。智能体可以实时分析这些信号给催收员提示。我配置的识别维度包括客户是否主动询问还款方式高意愿、是否承诺具体还款日期中高意愿、是否只说知道了但不给具体时间中意愿、是否直接挂断或辱骂低意愿。这些信号会实时显示在催收员的工作界面上帮助催收员调整策略。比如识别到高意愿客户催收员就重点提供还款便利识别到低意愿客户催收员就准备升级处理流程。这里有个伦理边界要注意还款意愿识别不能用于歧视性对待。我在系统里明确禁止将识别结果用于决定是否采取过激催收手段只用于调整沟通策略。5. 实测中踩过的坑与优化经验5.1 模型幻觉在信贷场景的致命性大模型的幻觉问题在信贷场景是致命的。我遇到过智能体编造征信记录的情况——客户征信报告里明明没有某笔贷款智能体却在分析里提到了。这种错误如果没被发现可能导致错误的审批结论。我的应对措施有三层第一层是关键数据强制引用来源。提示词里要求智能体在提到任何具体数据时必须标注数据来源如征信报告第2页第3段。第二层是交叉验证。对于智能体提取的关键字段系统会自动与OCR原始结果比对不一致时触发人工复核。第三层是定期审计。每周随机抽取一定比例的智能体输出做人工复核统计幻觉率。实测下来这三层措施能把幻觉导致的实际错误率控制在千分之一以下。但要注意完全消除幻觉目前不现实关键是建立发现和纠正机制。5.2 知识库更新滞后导致的策略偏差信贷政策更新频繁知识库如果更新不及时智能体会给出过时的建议。我踩过一次坑公司调整了某类客户的收入认定标准但知识库没同步更新智能体连续三天按旧标准审核导致一批本该通过的客户被拒。后来我建立了一个知识库变更管理流程政策调整后由政策制定部门在系统里提交变更申请风控和合规部门会签然后由我这边更新知识库并做回归测试。整个流程控制在24小时内完成。另外我在智能体的输出里加了一个策略版本号字段每次知识库更新后版本号递增。这样如果发现某批审批有问题能快速定位是哪个版本的知识库导致的。5.3 工具调用失败的降级策略工具调用失败是常态征信接口超时、规则引擎报错、计算服务不可用这些都会发生。关键是失败后的降级策略要明确。我的配置是征信查询失败时智能体不继续分析直接输出征信数据获取失败请人工处理。规则引擎失败时智能体跳过规则判断但标注规则校验未完成。计算工具失败时智能体给出计算所需的参数由人工完成计算。降级策略的核心原则是宁可少做不可做错。信贷场景里一个错误的自动结论比没有结论更危险。5.4 业务人员的接受度曲线技术团队容易忽略的一点是智能体最终是给业务人员用的他们的接受度决定了项目成败。我观察到的接受度曲线大概分三个阶段第一阶段是好奇期业务人员愿意试用但期望值可能过高以为智能体能解决所有问题。这个阶段要主动管理预期明确智能体的能力边界。第二阶段是质疑期试用一段时间后遇到误报或漏报业务人员开始不信任。这个阶段要快速响应反馈针对高频问题做优化用实际改进重建信任。第三阶段是融合期业务人员逐渐摸清智能体的脾气知道什么场景该信、什么场景该自己判断。这个阶段要建立常态化的反馈机制让优化持续进行。我的经验是整个曲线走完大概需要两到三个月。期间最重要的是快速响应业务人员提的问题如果一周内没有反馈信任度会急剧下降。6. 关于智能体在信贷场景的边界思考6.1 哪些决策永远不该交给智能体做了这么多项目我越来越清楚一件事智能体在信贷场景的价值是放大优秀审核员的能力而不是替代他们。有几类决策我坚持不交给智能体第一类是涉及重大金额的审批。比如单笔超过一定额度的贷款必须人工审批。智能体可以做前期分析但最终决定必须由人做。第二类是涉及特殊客群的审批。比如老年客户、残障客户、特殊职业客户这些客群的风险特征复杂智能体的训练数据可能不足容易产生偏差。第三类是涉及政策模糊地带的审批。政策不可能覆盖所有情况遇到模糊地带需要人的判断和担当智能体给不出这种判断。6.2 可解释性不是可选项是必选项金融监管对可解释性的要求越来越高。智能体的每个输出都必须能回答为什么。我在项目里坚持几个原则每个风险点必须关联具体数据。不能只说综合评分低要说综合评分低主要因为近三个月查询次数6次超过阈值5次、当前负债收入比65%超过阈值60%。每个建议必须关联具体规则。不能只说建议拒绝要说建议拒绝依据《个人消费贷款审批细则》第3.2条关于查询次数的规定。每个结论必须可复现。同样的输入智能体应该给出同样的输出。我通过固定随机种子、记录完整提示词和工具调用日志来实现这一点。6.3 人机协作的最佳比例最后分享一个我一直在思考的问题人机协作的最佳比例是多少我的观察是智能体处理70%到80%的常规案例人工处理20%到30%的复杂案例这个比例下效率和质量的平衡最好。低于这个比例智能体的价值没充分发挥高于这个比例人工复核的压力太大容易流于形式。当然这个比例因机构而异风控能力强的机构可以适当提高智能体处理比例风控能力弱的机构应该降低。我在实际项目里会持续监控几个指标智能体自动通过率、人工复核推翻率、不良率变化。这三个指标结合起来看能判断当前的人机比例是否合适。如果自动通过率高但不良率上升说明智能体太激进如果人工推翻率高说明智能体的判断标准与人工差异太大需要校准。这套东西我还在持续迭代信贷场景的智能体应用远没有到成熟阶段。但有一点我越来越确信智能体的价值不在于它多聪明而在于它多稳定、多可解释、多可管理。在金融这个容错率极低的行业稳定和可控比聪明重要得多。
