行业资讯

加入亿拓客·流量大师 撬动财富之门!!!

券商自建AI工作台,别急着接大模型:这8个关键问题必须想清楚

wang 2026-11-19 行业资讯
券商自建AI工作台,别急着接大模型:这8个关键问题必须想清楚
最近两年,金融行业的AI建设明显提速。

从最初接入大模型、搭建知识库,到后来的智能体(Agent)、Skill、MCP,再到企业级AI工作台,技术迭代的速度越来越快。

券商也在加速跟进。

有的机构开始建设AI投研平台,有的在尝试把分析师的研究方法封装成Skill,有的引入WorkBuddy等企业级Agent平台,还有一些机构开始自研Harness,希望把模型、工具、数据和业务流程整合到自己的技术体系中。

但我观察下来,很多机构在启动AI建设时,容易犯一个相似的错误:

先选模型,再搭平台,最后才考虑业务到底需要什么。

于是很容易出现这样的情况:

模型接入了不少,智能体也开发了几十个,知识库建了好几个,员工每天都能打开AI工作台,但真正进入核心业务流程的应用并不多。

甚至有些平台,最终只是把原来的聊天工具换了一个企业版界面。

这就有点本末倒置了。

我认为,券商建设AI工作台,首先要想清楚的不是使用哪个大模型,而是:

  • AI到底要解决哪些业务问题?
  • 模型、Agent和Harness之间应该如何分工?
  • 如何连接原有业务系统?
  • 如何把专业知识沉淀成可复用能力?
  • 如何管理Agent的权限和执行行为?
  • 如何保证生成结果可靠?
  • 如何衡量AI的实际投入产出?

这些问题没有想清楚,技术选型越快,后期返工的概率可能越高。

这篇作为「金融Agent实战手册」系列的第一篇,我尝试从整体架构出发,聊聊券商应该如何规划自己的AI工作台。

一、首先明确:券商为什么需要自己的AI工作台?

先说一个判断:

券商不一定需要自己训练大模型,但应该逐步掌握自己的AI应用运行环境和核心业务能力。

为什么?

因为券商与普通企业使用AI有一个比较明显的区别。

普通企业可能主要使用AI完成办公问答、文档整理、会议纪要、内容生成等任务。

但券商的AI应用,会逐渐深入投研、财富管理、机构业务、合规风控、投行业务等专业领域。

这些场景不仅需要模型具备理解和推理能力,还需要访问大量专业数据、调用业务工具、遵循机构内部规则。

例如,一个研究员希望AI完成某家上市公司的分析。

它可能需要:

  1. 查询上市公司财务数据;
  2. 检索历史公告;
  3. 搜索相关行业研究报告;
  4. 查询产业链上下游信息;
  5. 对比历史经营指标;
  6. 整理分析框架;
  7. 生成研究初稿。

这已经不是简单的问答,而是一项包含多个步骤、多个工具和多个数据来源的工作任务。

如果每个员工都通过不同的AI产品完成这些工作,就会出现很多问题:

  • 数据源不统一;
  • 模型调用分散;
  • 权限管理不一致;
  • 专业能力无法复用;
  • 使用成本难以统计;
  • 操作过程难以审计。

所以,券商建设AI工作台的真正目的,不是给员工多一个聊天入口,而是建立一套统一的AI生产环境。

它需要把模型、Agent、Skill、数据、工具、权限和业务流程组织起来。

让员工能够通过一个统一入口,调用机构内部经过授权的专业能力。

这才是企业级AI工作台的价值。

二、不要把AI工作台理解成一个大模型聊天页面

我觉得这是第一个需要纠正的认知。

很多企业做AI工作台,第一版通常是这样的:

一个聊天窗口,左侧是历史对话,顶部可以选择模型,后台连接知识库。

这当然可以作为MVP,但它距离真正的企业级AI工作台还有很大差距。

一个完整的AI工作台,至少需要考虑以下几个组成部分。

1. 模型层:提供基础智能能力

模型负责理解用户输入、分析上下文、生成内容和规划任务。

券商可以根据不同任务接入不同模型:

  • 通用大模型:处理日常问答和复杂推理;
  • 金融领域模型:辅助处理专业金融任务;
  • 轻量模型:负责分类、提取和简单任务;
  • 本地部署模型:处理有特定数据安全要求的场景。

这里不建议过早绑定某一家模型厂商。

模型更新速度很快,应该通过统一模型适配层进行管理。

2. Harness层:管理模型如何工作

这是整个AI工作台的核心。

模型本身只负责理解和生成。

但一个真正的Agent需要知道:

  • 当前任务是什么;
  • 应该拆解成哪些步骤;
  • 可以调用哪些工具;
  • 工具调用是否获得授权;
  • 如何管理执行状态;
  • 失败后如何重试;
  • 什么时候需要人工介入。

这些工作需要由Harness承担。

可以简单理解为:

模型负责思考,Harness负责组织和控制执行。

后续第二篇会专门讲为什么券商需要自己的Harness,以及Harness应该包含哪些核心模块。

3. Agent层:把AI能力组织成专业角色

Agent可以理解为围绕特定目标组织起来的智能执行单元。

例如:

  • 宏观研究Agent;
  • 行业研究Agent;
  • 财务分析Agent;
  • ETF研究Agent;
  • 合规审核Agent;
  • 客户服务Agent。

不同Agent可以使用不同的模型、Skill和工具。

但需要注意:

Agent不应该只是一个换了名字的聊天机器人。

它应该有明确的职责、可调用的工具、任务边界和结果验收标准。

4. Skill层:沉淀可复用的专业方法

Skill是将某项任务的专业方法、操作步骤、规则和工具使用方式封装起来的能力组件。

例如:

一个ETF筛选Skill,可以规定筛选条件、数据来源、计算逻辑和输出结构。

一个财务分析Skill,可以封装财务指标计算、异常识别和分析框架。

Skill的价值在于,它不需要每次都从头向模型解释如何完成任务。

后续第四篇会详细讨论Skill工程化。

5. Tools层:连接真实业务系统

Agent如果不能访问真实数据和工具,很多时候只能停留在建议层面。

券商需要将行情、财务、公告、研报、客户和业务系统等能力,通过标准化工具提供给Agent。

例如:

  • 行情查询API;
  • 财务数据API;
  • 公告检索API;
  • 内部知识库检索;
  • 客户信息查询;
  • 业务流程查询。

后续会重点讨论API、MCP以及统一工具服务层的设计。

6. Governance层:管理用户、权限、安全和审计

这是金融机构不可缺少的一层。

它需要回答:

谁可以使用哪些Agent?

Agent可以访问什么数据?

哪些工具允许自动调用?

哪些操作需要人工审批?

模型和工具的调用是否留痕?

发生问题后能不能还原执行过程?

没有治理体系,Agent数量越多,管理难度可能越大。

三、券商AI工作台应该采用什么样的整体架构?

把上面几个部分组合起来,可以得到一套相对完整的架构。

这张图最重要的地方,是把Harness放在模型和业务应用之间。

它不是一个普通的中间件,而是负责管理Agent运行过程的核心控制层。

另外,企业治理能力应该贯穿整个系统,而不是等Agent开发完成后再补充权限和审计。

四、八个关键问题,决定券商AI工作台能不能真正落地

架构图解决的是模块关系,真正建设时还需要处理八个问题。

问题一:自建还是采购?

这是项目启动时最先遇到的问题。

我的建议是不要走两个极端。

完全自建,研发投入大、建设周期长,还需要持续跟进模型和Agent技术迭代。

完全采购,则可能面临业务定制受限、平台绑定、核心数据和能力难以沉淀等问题。

可以将能力分成三类:

能力
建设建议
通用模型、算力
采购或合作接入
通用Agent运行框架
优先评估成熟平台,保留适配能力
专业Skill、数据服务
重点自主沉淀
身份、权限、审计
券商自主掌握控制策略
核心业务流程
与业务部门共同建设
Agent评测与运营
建立机构自己的标准

这里有一个原则:

通用技术尽量复用,核心业务能力自主掌握。

问题二:要不要自研Harness?

我的建议是:至少要掌握Harness的控制能力。

不一定所有代码都自己写,但必须清楚任务如何编排、工具如何调用、权限如何检查、执行状态如何管理。

如果完全依赖外部平台,未来更换平台时,可能连原来的Agent工作流和工具调用逻辑都需要重新适配。

因此,应该把Harness作为独立的架构层,通过Adapter适配不同模型和Agent运行环境。

这部分后续第二篇展开。

问题三:Agent如何连接业务系统?

不建议让Agent直接连接数据库,更不建议把数据库账号交给模型。

更合理的方式是:

业务系统提供标准API,平台通过工具服务层封装为Agent可调用的工具。

对于适合标准化工具调用的场景,可以使用MCP。

这里需要区分:

API是业务服务接口,MCP是模型上下文协议,负责标准化暴露工具、资源和提示模板等能力。

两者不是互相替代的关系。

问题四:如何把业务经验变成Skill?

不要让每个部门都用自己的提示词搭建一个Agent。

应该建立统一Skill规范。

例如,一个Skill至少应该说明:

  • 名称和适用场景;
  • 输入参数;
  • 输出格式;
  • 执行步骤;
  • 工具依赖;
  • 权限要求;
  • 异常处理;
  • 版本和维护人。

这样,Skill才能被不同Agent复用,而不是成为散落在各个部门的提示词文件。

问题五:如何管理权限?

金融机构尤其要注意一个原则:

用户的权限不应该被Agent无条件继承。

需要区分:

  • 用户身份权限;
  • Agent自身权限;
  • Skill调用权限;
  • 工具执行权限;
  • 数据访问权限。

例如,一个研究员可以查询内部研报,但不代表他创建的所有Agent都可以将研报内容发送给外部模型。

权限需要在每一次实际调用时进行验证。

问题六:如何保障安全?

安全不应该只依赖提示词,也不能只依赖模型网关。

至少需要考虑:

  • 沙箱隔离;
  • 文件读写控制;
  • 网络访问控制;
  • 宿主工具权限;
  • 敏感数据出口;
  • 人工审批;
  • 操作审计;
  • 异常中止和恢复。

尤其是Agent可以连续调用多个工具,必须关注动作组合产生的风险。

后续第五篇会深入讨论。

问题七:如何判断Agent是否可靠?

不能因为Agent能够完成一次演示,就认为它可以进入生产环境。

应该建立标准测试集,关注:

  • 任务完成率;
  • 数据准确率;
  • 工具调用正确率;
  • 异常处理能力;
  • 权限越界情况;
  • 人工接管比例;
  • 结果可追溯性。

对于金融场景,准确性和安全性不能简单用效率提升来抵消。

问题八:如何计算ROI?

最后一个问题,是很多AI项目容易忽略的。

AI工作台不能只统计Token消耗、模型调用次数和Agent数量。

真正需要统计的是:

  • 一个任务节省了多少时间;
  • 一项业务减少了多少重复劳动;
  • 一个Agent有多少有效使用;
  • 一次任务的综合成本是多少;
  • 最终是否改善了业务结果。

AI使用规模不等于AI经营价值。

这部分后续第七篇会单独展开。

五、不要一上来就建设几十个Agent,建议分三阶段推进

我不建议券商一开始就全面铺开。

更合理的方式,是先建设基础能力,再选择典型业务场景验证,最后逐步推广。

第一阶段:建设AI工作台MVP

建议优先完成:

  • 统一登录和用户管理;
  • 多模型接入;
  • 基础对话;
  • 文件处理;
  • 知识库检索;
  • Agent运行框架;
  • 基础工具调用;
  • 权限与审计;
  • 基础用量统计。

这一阶段不追求Agent数量,重点是建立稳定的运行环境。

第二阶段:选择三个业务场景试点

我建议优先选择以下场景:

这三个场景分别涉及专业知识、内部数据和客户信息,能够覆盖券商AI工作台比较核心的技术问题。

第三阶段:形成企业级Agent生态

当基础能力稳定后,再逐步建设:

  • Agent市场;
  • Skill注册中心;
  • 多Agent协作;
  • MCP工具生态;
  • 部门工作流;
  • Agent评测中心;
  • AI运营和成本管理;
  • 统一安全控制面。

到这一步,AI工作台才真正从一个工具集合,逐步发展成企业级智能体平台。

六、最后给券商CIO的几个建议

如果让我给券商AI工作台建设提几个最实际的建议,我会强调五件事。

第一,不要把AI工作台做成一个更漂亮的聊天窗口。

真正的价值是连接业务、数据和工具。

第二,不要让每个部门重复开发Agent。

建立统一的Agent和Skill管理体系,避免能力重复建设。

第三,不要让AI直接访问核心业务数据库。

通过标准化API和工具服务层提供受控的数据能力。

第四,不要把安全留到项目上线以后。

权限、沙箱、数据出口和审计应该从架构设计阶段就考虑。

第五,不要用Agent数量和Token消耗衡量项目成功。

最终还是要回到业务效率、结果质量和实际经营价值。

写在最后:券商需要的不是一个AI产品,而是一套AI生产体系

我认为,未来券商的AI建设会逐渐从单点应用走向企业级平台。

模型可以采购,Agent框架可以借鉴,通用工具可以复用。

但真正值得机构长期投入的,是自己的专业知识、数据服务、业务规则、权限体系和控制能力。

这也意味着,券商AI建设的重点需要发生变化:

从接入模型,转向建设Harness;

从开发聊天机器人,转向组织专业Agent;

从积累提示词,转向沉淀Skill;

从单点接口连接,转向统一工具服务;

从功能上线,转向质量验收和ROI管理。

模型决定AI能做什么,Harness决定AI如何工作,数据决定AI知道什么,治理决定AI能做什么、不能做什么。

这四件事共同构成券商AI工作台的基础。

对于正在规划AI转型的券商来说,我认为不必急着追逐最新模型,也不必一开始就建设一个庞大的Agent市场。

先把基础架构搭好,选几个真实业务场景跑通,再逐步扩大。

比起做出一个看起来很先进的AI平台,真正重要的是:

让AI成为机构能够长期使用、持续迭代、可控可管的生产力。

系列预告

本文是「金融Agent实战手册」第一篇。

接下来将继续深入(计划每周二、周四早8点更新):

  1. 《别把大模型当成AI工作台:券商为什么需要自己的Harness?》
  2. 《让Agent真正接入券商业务系统:API、MCP和数据服务层怎么设计?》
  3. 《别让券商的专业知识只躺在研报里:如何把研究方法沉淀成Skill?》
  4. 《券商自建Agent,安全不能只靠提示词:如何设计可控的执行体系?》
  5. 《Agent不是Demo:券商如何建立智能体评测和质量验收体系?》
  6. 《券商AI工作台上线之后:如何管理Token、Agent和Skill的ROI?》
  7. 《从零搭建券商AI工作台:一套完整的金融Agent架构实战?》

猜你喜欢