企业官网建设流程全解析

今年以来，上市银行“数字金融”的AI含量正在显著上升。

近日，券商中国记者梳理多家大型上市银行公告及高管公开发言后发现，国有大行和头部股份行AI大模型应用转入体系化建设、规模化应用阶段。AI落地场景以数百乃至上千计，智能体（Agent）成为新的竞争焦点，降本增效正从定性描述转向可量化的经营数据。一场以智能体为抓手、以人机协同为模式的深层变革正在发生。

投入产出可量化，有银行日均输出百亿词元

从场景数量看，国有大行与股份行各有侧重。

工商银行“领航AI+”行动已落地600余个大模型场景，上半年专利公开量和累计授权量均排名同业第一；建设银行生成式人工智能覆盖超600个应用场景，累计获取金融科技专利授权5505件；中国银行构建智能化助手超2200个，以自动化手段替代重复工作覆盖超3800个场景。

值得一提的是，邮储银行披露，截至今年上半年，该行落地超370个大模型应用场景，大模型能力接入超90个行内系统，日均调用超600万次、日均输入输出词元（Token）超百亿。该行副行长牛新庄在业绩发布会上给出的口径更高——日均调用超千万次、词元超三百亿。

股份行中，中信银行AI服务场景累计超1900个，招商银行智能化场景达1386个、较上年末增长62%。其中，在投入层面，招行是少数披露细项的银行，该行上半年信息科技投入46.79亿元，占营业收入的2.99%；研发人员10946人，占员工总数的8.98%；累计立项金融科技创新项目5335个。

从各大银行披露的最新进展来看，值得注意的是，“AI有没有用”开始有了量化答案。

建设银行副行长雷鸣在业绩发布会上披露，客户经理专属智能助理“帮得”上半年平均月活超4万人、累计交互近9000万次，使用成效较好的客户经理，其管理客户资产规模新增较全行平均水平高出57个百分点。

招商银行管理层透露，上半年AI带来1388万小时等效人工工时贡献，已在超1000项工作中落地；金葵花客户经理人均有效触客次数提升14.65%，客均成交金额提升35.82%。农业银行行长王志恒则表示，截至6月末农行手机银行月活客户超2.82亿户，持续领跑同业。

大模型走向业务深水区

从AI应用的最新进展看，大型商业银行除了在客服问答等浅层AI应用之外，已经逐步深入信贷审批、投资交易、风险预警等核心业务链条。

信贷全流程是智能化改造最集中的领域。据招行披露，该行贷前小企业尽调报告约90%的工作量由AI完成，保函业务处理时间从超30小时缩短至平均2.72小时，投标保函可分钟级出函，贷后AI监测结果采纳率68%、风险预警平均提前45天。

而建行方面披露，该行普惠金融全流程处理时间从2至3天压缩至3小时左右，服务覆盖超600万普惠客户；其授信审批专用智能体上线三个月即完成近3万客户、约9万笔业务的智能分析。

邮储银行构建贯穿前中后台的智能信贷支撑体系，尽职调查效率提升超50%，对公智能展业助手辅助授信超2000户、金额近3100亿元。

另据工行披露，该行完成面向客户和面向员工两大超级智能体主体建设：个金领域的“工小财”上半年累计服务超2200万次；审贷助手“工小审”辅助信贷审查审批金额超万亿元。

而农行则推出自研智能体“龙虾”（ABC-Claw）和企业级数字助手“一明”，可实现跨业务领域的多智能体协同调用。交通银行则推出客户经理助手、数据分析智能体，企业级知识平台“交行知道”知识规模较年初翻番。

效率数据亦颇具含金量。工行全球智能对话交易系统GlobalDealing实现全流程处理效率提升3倍以上，智能询价交易比率突破96%；私行客户综合服务方案生成时效由5天降至3小时；凭证全字段识别单笔处理速度较人工快25倍，上半年替代人工录入1亿笔；“AI智审”累计输出36万条合规审查意见，采纳率98.6%。

技术路线上，自主可控与降本成为共同选择。农行私有化部署DeepSeek、Qwen等模型，参数量级涵盖百亿、千亿和万亿；中信银行私有化部署DeepSeek-V4、GLM5等主流大模型，日间算力综合利用率超85%。

邮储银行发布“邮智”金融行业大模型，打造百亿参数规模的垂域模型矩阵，缓存占用整体下降约72%，推理成本最高节省超87%，模型上线周期由2周缩短至1天。

AI应用顶层设计持续落地

券商中国记者观察到，今年以来，大型上市银行数字化转型正呈现多个共性趋势。例如：各大银行密集出台顶层设计；服务模式也从“+AI”的简单应用逐步走向“AI原生”；此外，各银行均认识到AI应用安全的重要性，防范技术风险。

具体来看，各大银行顶层设计在年内密集落地。例如，建行正式发布“人工智能+”三年发展规划，中行制定“人工智能+金融”落实方案，兴业发布2026—2030年数智化转型发展规划，农行、邮储均将AI规划纳入“十五五”布局。交通银行也强调将进一步修订“人工智能+”行动方案，着力把人工智能打造成为高质量发展引擎。这标志着银行业已逐步将AI深度嵌入全链条的系统生态之中。

值得一提的是，年内越来越多银行AI应用从此前的“+AI”简单集成逐步走向“AI原生”。以招行为例，该行管理层明确过去三年基本完成“人+数字化”的零售服务新模式建设，下一步将走向“人+AI”。

类似的还有一些国有大行，例如邮储银行提出推动智能应用从“单点替代”向“生态重构”演进，该行首席信息官牛新庄表示，人工智能大模型已从辅助工具升级为重塑行业范式的核心驱动力。工行方面也表示，该行“人机协同、智能驱动”服务模式已初具规模。

值得一提的是，在规模化落地AI的过程中，统筹发展与安全成为AI应用的核心底线。在大模型快速迭代的背景下，科技伦理与信息安全被提到了前所未有的高度。

具体来看，中信银行构建了“流程+标准”的AI安全管理框架以及“静态模型防护+动态交互防御”双维安全体系，重点防范AI攻击与数据滥用，并检测过滤AI应用输出内容以防范价值观偏见与歧视风险。

农行行长王志恒明确指出，针对大模型快速迭代带来的技术风险，积极应对模型黑箱、模型幻觉等问题，加快推进“以AI对抗AI”等能力建设。同时，中行、建行也分别发布了相关应用研发规范，确保AI创新始终在安全、可靠、可控的轨道上运行。

《FDE：DeepSeek Harness 企业级智能体构建实战训练营》

大模型实战专家—周红伟 法国科学院算法博士/前阿里人工智能专家/马上消金风控负责人

课程背景

DeepSeek-V4在企业端落地时，技术难点不在模型本身，而在如何把模型能力嵌入真实业务流程。多数团队面临的问题集中在几个方面：模型私有化部署后的资源与并发控制、智能体框架选型与组件协作方式、工具调用的稳定性、多轮对话中的状态管理、以及上线后缺乏系统的评测与优化手段。企业需要的不是单次演示级别的对话效果，而是可复用、可监控、可维护的智能体工程能力。

Harness作为智能体构建框架，提供了从任务规划、工具编排到状态管理的完整链路。但框架本身的上手门槛不低，组件之间的交互逻辑、工作流设计方法、异常处理机制都需要系统梳理。目前市面上多数课程要么偏重模型原理，要么停留在简单调用示例，缺少面向企业级部署与工程化落地的实操内容。

本课程以 DeepSeek-V4 和 Harness 框架为核心，围绕企业实际交付场景设计两天内容。第一天聚焦部署、框架组件、对话规划、工作流与评测监控，解决从零搭建到可运行的问题。第二天深入复杂场景、知识库、工具安全、弹性伸缩与工程化运维，解决上线后能稳定运行的问题。全程以动手操作为主，最终目标是让学员回到团队后能独立完成一个可交付的智能体应用。

课程收益

1. 掌握 DeepSeek-V4 的企业级部署方法，能够根据业务规模选择单机、集群或混合云方案，并完成推理引擎参数调优、安全基线配置和版本管理。
2. 理解 Harness 框架的分层架构与核心组件协作机制，具备独立搭建智能体运行环境、配置记忆与规划组件、打通工具调用链路的能力。
3. 学会多轮对话中的状态管理、工具选择策略与异常重规划方法，能够设计稳定的对话交互流程，减少工具调用失败对用户体验的影响。
4. 掌握业务工作流从建模到落地的完整过程，包括节点设计、人工审核接入、幂等控制与异常补偿，能够将智能体嵌入现有业务流程而非独立演示。
5. 建立智能体的评测与监控体系，能够设计离线评测集、定义核心指标、搭建运行监控面板，并基于失败案例持续优化提示词与工具配置。

培训时长

2天

课程大纲

第一天 主题：DeepSeek Harness 基础架构与核心能力

第一部分 DeepSeek-V4 企业级部署与环境配置
1.1部署形态选型
1.1.1 私有化单机部署的资源评估与适用场景
1.1.2 私有化集群部署的高可用架构与网络规划
1.1.3 混合云部署下的数据边界与模型下发策略
1.2 模型服务配置
1.2.1 推理引擎参数与显存占用调优
1.2.2 上下文长度与并发吞吐的平衡配置
1.2.3 模型版本管理与灰度发布流程
1.3 安全基线设置
1.3.1 API网关鉴权与调用频率限制
1.3.2 日志脱敏与审计留存策略
1.3.3 内网隔离与模型访问白名单控制

第二部分 Harness 智能体框架架构与核心组件
2.1框架分层结构
2.1.1 接入层负责协议适配与请求路由
2.1.2 编排层负责任务分解与状态流转
2.1.3 执行层负责工具调度与结果回传
2.2 核心组件功能
2.2.1 记忆组件管理短期上下文与长期知识
2.2.2 规划组件实现任务拆解与路径选择
2.2.3 工具组件封装外部API与内部服务
2.3 组件间通信机制
2.3.1 同步调用链路的超时与重试规则
2.3.2 异步消息队列的可靠性与顺序保障
2.3.3 组件状态同步与故障恢复机制

第三部分 多轮对话规划与工具调用编排
3.1对话状态管理
3.1.1 用户意图识别与槽位填充流程
3.1.2 对话上下文的裁剪与摘要策略
3.1.3 多轮场景下的指代消解与澄清机制
3.2 工具选择策略
3.2.1 基于能力描述的工具匹配方法
3.2.2 工具调用失败后的降级与替代方案
3.2.3 并行工具调用与串行依赖处理
3.3 规划触发条件
3.3.1 用户显式请求触发规划流程
3.3.2 系统根据上下文主动发起规划
3.3.3 异常中断后的重规划与续跑逻辑

第四部分 Agent 业务工作流设计与落地
4.1工作流建模
4.1.1 流程节点定义与条件分支设计
4.1.2 人工审核节点与自动执行节点编排
4.1.3 子流程嵌套与流程版本管理
4.2 任务执行控制
4.2.1 步骤级超时与整体流程超时设置
4.2.2 执行进度的状态追踪与回调通知
4.2.3 幂等设计与重复执行的去重保护
4.3 异常处理设计
4.3.1 业务异常与系统异常的分类处理
4.3.2 失败重试次数与退避策略配置
4.3.3 流程中断后的数据回滚与补偿操作

第五部分 智能体评测、监控与持续优化
5.1评测体系构建
5.1.1 离线评测集的构建与标注规范
5.1.2 端到端任务成功率与步骤准确率指标
5.1.3 工具调用正确率与响应时延评估
5.2 运行监控指标
5.2.1 请求量、错误率与平均响应时间
5.2.2 Token消耗统计与成本分摊分析
5.2.3 工具调用失败分布与异常聚类
5.3 优化迭代路径
5.3.1 基于失败案例的提示词修正方法
5.3.2 工具描述的补充与调用约束收紧
5.3.3 模型版本更新与回归测试流程

第二天 主题：企业级智能体工程化与复杂场景实战

第一部分 复杂业务场景下的智能体设计
1.1多智能体协作模式
1.1.1 主管智能体负责任务分配与结果汇总
1.1.2 专业智能体按领域分工处理子任务
1.1.3 智能体间通过结构化消息完成交接
1.2 长周期任务处理
1.2.1 任务拆解后的分阶段执行与检查点
1.2.2 执行过程中的状态持久化与恢复
1.2.3 人工介入的触发条件与暂停续跑
1.3 跨系统数据协同
1.3.1 企业数据库连接与查询权限控制
1.3.2 内部API网关的鉴权与调用封装
1.3.3 文件系统与对象存储的读写适配

第二部分 知识库构建与检索增强
2.1知识库搭建流程
2.1.1 文档清洗与段落切分策略
2.1.2 向量化模型选择与索引构建
2.1.3 元数据标注与过滤条件设计
2.2 检索质量优化
2.2.1 查询改写与关键词扩展方法
2.2.2 召回结果的相似度阈值调整
2.2.3 重排序模型与业务规则结合
2.3 知识更新维护
2.3.1 增量更新与全量重建的触发条件
2.3.2 过期知识的标记与下线流程
2.3.3 知识冲突的检测与人工仲裁

第三部分 工具生态集成与安全防护
3.1工具接入规范
3.1.1 工具描述格式与参数校验规则
3.1.2 同步工具与异步工具的适配封装
3.1.3 工具版本管理与向后兼容原则
3.2 安全防护策略
3.2.1 工具调用参数的白名单与范围限制
3.2.2 敏感操作的二次确认与审批流
3.2.3 工具返回内容的过滤与脱敏处理
3.3 权限体系对接
3.3.1 企业身份系统的单点登录集成
3.3.2 基于角色的工具可见性与调用权限
3.3.3 用户级数据隔离与租户边界控制

第四部分 高并发与弹性伸缩设计
4.1性能瓶颈分析
4.1.1 模型推理延迟与排队等待时间
4.1.2 工具调用串行阻塞与并发上限
4.1.3 上下文长度对首字延迟的影响
4.2 弹性伸缩策略
4.2.1 基于请求队列深度的自动扩容规则
4.2.2 模型副本的预热与空闲缩容策略
4.2.3 工具服务独立扩缩与连接池调整
4.3 缓存与加速
4.3.1 高频请求的结果缓存与失效策略
4.3.2 提示词前缀缓存减少重复计算
4.3.3 语义相似请求的匹配与复用机制

第五部分 智能体工程化交付与运维
5.1配置与发布管理
5.1.1 提示词与编排逻辑的配置化外置
5.1.2 多环境配置隔离与发布审批流程
5.1.3 智能体版本回滚与配置热更新
5.2 日志与可观测性
5.2.1 全链路请求追踪与调用链串联
5.2.2 结构化日志埋点与关键事件记录
5.2.3 告警规则配置与值班响应机制
5.3 运维自动化
5.3.1 健康检查探针与自动重启策略
5.3.2 定期巡检任务与容量趋势分析
5.3.3 故障复盘报告与改进项跟踪

第六部分 企业落地案例拆解与实战演练
6.1案例场景分析
6.1.1 智能客服工单处理流程设计要点
6.1.2 合同审查辅助工具的拆解思路
6.1.3 数据分析助手的需求边界与交付
6.2 实战演练任务
6.2.1 从零搭建一个带工具调用的查询智能体
6.2.2 为已有业务流程接入人工审核节点
6.2.3 完成一次故障演练与恢复验证
6.3 落地避坑总结
6.3.1 提示词过度设计导致的维护成本
6.3.2 工具数量失控引发的选择错误率
6.3.3 忽视评测导致的上线后质量波动