简介:本文聚焦银行对公与小微贷前授信这一“材料密集、口径严格”的典型场景,拆解从尽调材料读取、指标抽取校验到授信报告(Credit Memo)生成的Agent化流水线。读者可理解该场景为什么适合Agent化、需要哪些数据与编排能力,以及权限控制、人在环校验、口径治理、成本控制等落地要点。
讨论 AI Agent 的能力边界时,很多人容易先想到面向客户的营销、获客、增长类应用。但从近两年欧美银行业的实际投入分布看,落地更集中在后台与员工侧,其中贷前授信(尽调材料处理 + 授信报告写作)是公认最成熟的一类。原因并不神秘:
换句话说,这个场景的价值不在于“让模型替人做决策”,而在于把审贷流程中重复度最高的信息加工环节压缩,让专业人员把精力放在风险判断与取舍上。这也是为什么本文把 AI Agent 视为流程组件而非替代性智能体来讨论。
1)材料读取与归档低效
一份对公授信项目的材料常有几十到上百份,且版本混乱:同名附件多版本、扫描件缺页、财务数据既在财报里也在流水摘要里。人工归档与建立索引耗时,后续复核时很难快速定位“这个结论出自哪一页”。
2)指标抽取与口径不一致
同一指标可能来自不同来源(审计报告、企业自报、征信摘要),期初期末、合并与母公司口径、单位(元/万元)、年化与非年化都会造成冲突。人工比对容易漏,而模型自由计算则容易出错——这是本场景最不能妥协的一环。
3)行业对标与异常解释缺少可信度
“毛利率显著高于同业”“经营性现金流为负”“应收周转天数快速拉长”这类异常,需要的不是描述,而是因果解释:是账期政策变化、关联交易结构、收入确认时点,还是数据填报错误?缺少可信的外部基准与内部制度依据,解释就只能停留在猜测。
4)报告写作耗时且风格难统一
授信报告需要覆盖企业概况、经营与行业分析、财务分析、担保与还款来源、风险提示、授信方案建议等章节。模板存在,但每一段都需要引用材料细节,跨团队协作时口径与措辞常常不一致。
5)合规与审计压力大
报告中的每个结论、每个数字都应能回溯到具体材料与计算逻辑。传统“人写 + 人工复核”虽然可追溯,但过程记录分散;自动化后如果缺少留痕设计,反而会带来新的审计风险。
6)产能与成本瓶颈
项目周期长、人均并行项目数受限,高峰期(季末、年末集中申报)任务堆积;长文档解析与大上下文推理带来的算力成本,如果不做分层调度会快速失控。
要把上述痛点接住,需要的能力可以分成四类:
补充一项容易被忽略的能力:评测体系。需要提前构建黄金样本集,对字段级抽取准确率、口径冲突识别率、报告章节可用率做回归测试,否则迭代过程中很容易出现“整体感觉变好、关键字段变坏”。
推荐的核心架构思路是:主 Agent 负责编排与状态推进,子 Agent 分别承载单一工序,所有关键结论强制引用来源。
[材料接入] -> [解析归档 Agent] -> [抽取校验 Agent]|+-----------------+-----------------+v v v[指标计算服务] [行业对标 Agent] [异常归因 Agent]| | |+---------> [授信报告生成 Agent] <--+|[人工复核节点] -> [留痕归档 / 反馈回流]
几条必须守住的架构原则:
source_doc_id + page + span,缺引用则降级为“待补充”。示意性的编排配置(通用伪代码,非任何具体产品接口):
task: credit_pre_reviewsteps:- name: ingest_and_indexagent: doc_ingest_agentinputs: [package_id]outputs: [doc_index, ocr_text_map]- name: extract_and_validateagent: extraction_agenttools: [amount_normalize, period_align, cross_check]rules:- on_conflict: mark_conflict # 冲突不自动裁决,标红待人工确认- require_citation: true- name: benchmarkagent: industry_benchmark_agentdata_sources: [industry_base, internal_policy_kb]- name: draft_memoagent: report_agenttemplate: credit_memo_v3guardrails:- no_number_without_citation- risk_section_must_have_evidence- name: human_reviewtype: approvalreviewers: [credit_officer, risk_manager]
工序 1|材料读取与归档
按项目建立统一索引,完成去重、版本识别、页级切分与标签化(财务类/工商类/涉诉类/舆情类)。扫描件走版面还原与表格结构识别,输出可点击定位的原文映射。
工序 2|要素抽取与规范化
抽取企业主体信息、股权结构、财务三期数据、担保信息、涉诉与处罚记录。此阶段统一单位、期间、币种与合并口径,输出结构化中间层,供后续计算与报告共同使用。
工序 3|口径一致性校验
对同一指标的多来源数据做勾稽与差异比对:财报与流水、自报与征信、本期与上期变动幅度。设计上应只标红、不自动裁决,冲突项进入待确认队列,保留人工判断权。
工序 4|行业对标与异常解释
在结构化数据基础上做同口径对标,定位偏离项,再结合内部制度知识与历史案例给出可能原因清单与所需补充材料,供审贷员选择,而非直接给出结论。
工序 5|授信报告生成
基于结构化中间层与引用链生成各章节草稿,固定“结论—依据—来源”的写法,风险提示章节强制携带证据引用。
工序 6|复核、留痕与回流
人工修改过程本身是高价值数据:被频繁修改的段落、被驳回的解释,可回流为提示词与知识库的优化输入,形成迭代闭环。
这类能力可以基于百度智能云等主流云服务商的通用云产品组合实现(对象存储、消息队列、容器平台、日志服务、监控告警、数据库、身份认证等),关键是模块边界清晰、可替换。
同一套流水线骨架可以向相近场景延伸,且每个场景的适配重点不同:
贷前授信是 AI Agent 在企业中较易验证价值的一类场景:流程可拆解、产出有模板、成功标准相对清晰。但它同时是容错空间较小的场景,真正决定成败的往往不是模型能力,而是确定性计算与模型推理的边界划分、引用溯源的设计、口径治理的成熟度以及人在环机制是否落实。在数据量大、合规要求高的机构中,建议从单一工序(如材料读取与要素抽取)切入验证,再逐步扩展到校验、对标与报告生成;在访问量波动明显或项目高峰期集中的场景下,需提前关注弹性扩展与异步化处理;在数据安全要求较高的场景下,权限隔离、脱敏与审计留痕应在设计阶段就完成,而非上线后补建。技术带来的收益应体现在项目周期、返工率、报告一致性等可观测的通用指标上,而非单一维度的效率数字。