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:
查询上市公司财务数据; 检索历史公告; 搜索相关行业研究报告; 查询产业链上下游信息; 对比历史经营指标; 整理分析框架; 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:
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):
《别把大模型当成AI工作台:券商为什么需要自己的Harness?》 《让Agent真正接入券商业务系统:API、MCP和数据服务层怎么设计?》 《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?》 《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?》 《Agent不是Demo:券商如何建立智能体评测和质量验收体系?》 《券商AI工作台上线之后:如何管理Token、Agent和Skill的ROI?》 《从零搭建券商AI工作台:一套完整的金融Agent架构实战?》

研报速递