诸葛一本通（Datainsight Agent）在城商行业务分析的探索与实践

如果无法正常显示，请先停止浏览器的去广告插件。

相关话题： #AI Agent

1. 诸葛一本通（D atainsight A gent ）在城商行业务分析的探索与实践文革

2. 文革

3. 目录 01 02 03 04 背景 - 城商行业务经营分析的痛点与挑战价值 - 从模型到应用、从数据到增长的跃迁实践 - 立足城商行大模型技术创新及应用 • 为城商行量身定制 • 上下文优化策略 • 多智能体架构 • 行业知识融合 • 参数优化策略 • 统一语义层展望 - 打造银行业首个“全栈式智能体”

5. 01 背景城商行业务经营分析的痛点与挑战

6. 容联诸葛 - 采数+ 分析+ 应用三位一体的数字化改造供应商智能营销策略中心营销画布营销数据集市营销组件管理全域控制审批流程客群圈选定向事前触达基于营销反馈多波次活动组件多业务应用活动审批黑白名单管理跨渠道跨平台联动触达基于用户行为实时触达权益组件多角色权限素材审批优先级规则 A/B策略自动化触达全生命周期常态化触达触客渠道数据功能隔离策略审批防骚扰限制用户查询场景化建模服务基础标签+模型标签管理体系数据质量自动化监控分析模型用户分群行为序列多维组合自定义标签标签下用户详情查看客群圈选漏斗分析分布分析洞察分析用户属性标签的管理和分层内置多种模型标签客群洞察事件分析归因分析页面分析交易数据用户群组批量打标签标签及用户导入导出导入导出间隔分析分布分析 …… 多源数据整合埋点数据采集埋点需求管理权限管理全渠道埋点设计数据治理埋点采集数据打通多端实时数据采集数据实时回流用户数据数据库交易数据产品数据权益数据三方数据投放平台数据服务端数据 …… MySQL、MongoDB、Hbase、SQLserver、OceanBase、DRDS、Hive、Oracle、 HDFS PostgreSQL …… ※ 诸葛智能已为多家金融机构提供「全渠道数据采集」、「全场景多维数据分析」、「用户标签画像构建」、「差异化自动营销」等多种数字化改造提效工具。订单数据

7. 发现 - 多家城商行仍存在业务经营分析的痛点人员经验不足，缺乏深度洞察 • 大部分城商行资产规模较小、行业专业知识积累有限 • 城商行通常深度绑定地方经济，分析标准不统一，效率低下 • 城商行内部缺乏统一的分析标区域集中度高、培训资源有限，行业营销经验积累有限，无法准、评估框架等，不同分支机面对复杂业务时，利用综合数和自身分析业务结合应用构的数据口径差异大据做深度分析的能力不足 • 由于预见行业风向能力差，导 • 城商行在多种业务层面，如： • 150 左右尾部城 /农商行中，超致贷款不良率平均达2.8% ，高贷款分类、拨备计提等关键指过60 % 的机构因能力不足，存于头部银行的1.5% ，反映出行标上存在区域分化，这样的标在客群未盘活、风控能力差的业分析能力差距带来的实际影准不统一，也加剧了整体分析问题响的低效性

8. 探索 - 面向城商行经营业务分析的智能体产品定位城商行业务分析 “一本通 ”是银行业专属的、大模型在业务分析领域应用的智能平台，可兼容多种模型，可自主学习、自我修正，可主动感知、自驱执行，帮助金融企业实现从模型到应用、从数据到增长的“最后一公里” 核心价值从“经验不足”到“专业精准” 产品愿景成为中小行业务分析的智能大脑

9. 02 价值从模型到应用、从数据到增长的跃迁

10. 从提效工具到自助分析、自主学习、自动应用「一本通」用户操作界面自然语言自助分析需求转化为背景目标 “请分析下最近30天MAU和AUM上涨的原因” 生成数据看板思考分析方法-生成指标和分析模型生成解读和发现可视化展示平台自学习模块知识图谱系统监督微调(sft) 强化学习(rl) LoRA 自动标注问答对抽取 … 银行权威书籍书单类监管报表类脱敏财务表类 “一表通”解释文件与说明人行标准报表类培训部门用数与造数口径部门业务部门类业务监管部门业务规则部门多元大模型底座

11. 培养好的“ 985 毕业生”：行业知识萃取预训练内置银行业指标体系覆盖信贷、风控、运营等全业务场景、财务分析思路价值体现接入前集成行业最佳实践和分析模型标准化分析框架和指标体系银行业务理解一本通（Datainsight Agent ）让新手也能做出专家级分析

12. 可塑性强的“ 985 毕业生”：使用中自主学习进化持续学习与优化机制业务数据自动学习使用中一本通（Datainsight Agent）实时交互修正价值体现分析模式持续优化个性化业务场景适配越用越聪明越用越懂你

13. 我们如何帮城商行提升业务分析的效率？ 1、客户行为分析 2 、信贷业务分析画像构建风险评估跨渠道动态知识因果推理多维度动态风险行为整合图谱构建画像数据融合评估全渠道数据抓取，构建立体画像动态意图理解，超越静态标签突破相关性陷阱非传统数据整合、跨机构数据协同实时行为监测、行业链式风险分析营销策略授信决策从“经验驱动”到效率提升全息客户多模态 “因果推理” 成本优化画像构建分析策略生成时间：从7天→11分钟整合央行征信+ 税务/社保/海关等政务数据可解释性增强人工参与度：从100%→9%

14. 我们如何帮城商行提升业务分析的效率？ 3 、运营状况分析 4 、合规及风险管理分析流程优化预警识别内部流程动态风险信贷风险市场风险操作风险优化评估多维建模实时监测智能预警协同流程再造、组织效能提升、知识管理革命获客流程、远程银行、信贷流程、全生命周期服务流程关联网络分析、非结构化数据挖掘高频数据响应、黑天鹅事件模拟员工行为分析、交易反欺诈成本控制合规监控内部办公与智能客服与监管政策交易流水监管报告自动化执行客户运营智能解读全量审查自动化数据利用密集的环节人力成本压缩70% 以上重复性高、规则明确的环节运营成本减少90% 条款映射引擎、问答知识库多模态合规检查、自适应阈值优化

15. 03 实践立足城商行大模型技术创新及应用

16. 立足城商行面向使用者 1 为什么我们更懂银行指标？因为我们支持自主导入银行用语、内部指标，将银行指标与诸葛系统内指标做映射，并关联已有元事件，保证数据统计口径一致。 2 为什么我们更懂使用者所想？使用者角色不同，关注点不同，比如：管理层更关注宏观及结果、执行层更关注细节及过程，做针对性训练可生成视角不同的报告。

17. 高度可干预动态能调优 3 为什么我们能满足用个性化需求？ 4 为什么应用效果能动态调优？深耕现有数据，提出补足建议报告的每个分析模块都支持跳转看板数据，人工重新选择，业务人员可对分析结果进行微调、对分析配置进行修改，通过人为干预再次生成报告，从而满足更个性化的需求。因为我们不仅可以基于现有数据做深度分析，还能针对分析场景提出更完善的分析思路，对当前缺乏的指标和埋点事件提出新增建议。

18. 为城商行量身定制补当前能力之短有报表有解读基于分析主题，自动确定多个分析角度阐述选择各分析模型的理由及该模型的分析目标阐述分析结果中的洞察与发现自动选择相关元事件，调用分析模型生成分析图表

19. 为城商行量身定制直指业务需要有洞察有看板有策略可导出综合各分析模型结果，从用户获取、产品体验、用户路径、用户分层、交易转化等维度尝试定位当前可能存在的断点和瓶颈，并给出针对性经营策略优化建议。自动构建关于该分析主题的数据总看板，该看板下涵盖了所有调用的分析数据和模型，可对该看板进行进一步的编辑和调整，也可一键导出下载，快捷生成汇报材料。

20. 多智能体架构应对复杂业务分析需求智能体架构对比对比维度单智能体架构架构复杂度简单，部署方便，统一模型内部完成意图识别和任务调度相对复杂，需要设计路由机制和智能体间的协作协议扩展新功能需改造单体模型，迭代成本高易于扩展，可按需增加/替换智能体，灵活性强专业化程度模型需具备多领域知识，容易出现“一般化但不够精深” 每个智能体专注某一领域（指标理解、任务规划、NL2Code ），专业度高性能与响应单点处理，性能受限，复杂任务容易瓶颈可并行调用多个智能体，提高响应效率与吞吐量可维护性更新或优化需整体升级，风险较大各智能体独立维护，更新互不影响，风险可控成本投入初期成本低，适合小规模试点初期投入高（设计与管理成本），但长期更具可持续性使用场景需求集中、任务类型有限，适合轻量级场景场景复杂、任务多样，适合复杂场景扩展性多智能体架构

21. 多智能体架构应对复杂业务分析需求多智能体架构 Multi- Agent System MAS 能够对复杂业务请求（如“分析原因并预测趋势”）进行智能规划和拆解，通过多个专业智能体的分工协作完成端到端的深度分析。分析报告汇总 Agent 归因分析 Agent 数据报告解读 Agent A1 数据报告解读 Agent A2 数据报告解读 Agent A3 多源数据获取 A1 NL2SQL Agent 多源数据获取 A2 NL2API Agent 多源数据获取 A3 Search Agent 分析任务规划 Agent 指标理解/需求澄清 Agent

22. 参数优化策略奖励与微调驱动自我训练参数优化策略指标理解 /需求澄清 Agent sft训练数据示例 “query” • 基于 LoRA （Low - Rank Adaptation ） “近 7天的日常活期存款平均余额变化” 技术进行训练微调：仅微调0.1% 的权重（适配器参数）实现业务知识快速注入。 • 基于不同维度构建的奖励评估：数据进行强化学习训练，通过获得程序化的奖励或惩罚优化模型的智能决策。 • 干预、反馈经过评分筛选后作为训练数据 “answer” “背景” : 近期个人活期存款日均余额在近7天的波动情况，需通过多维度分析定位影响因素。首先在用户行为维度上，需观察线上新开户活期账户数、存款转入转出频次与金额对资金池的即时影响；其次在时间趋势维度上，需追踪每日余额变动与操作行为的时序关联性；最后在客户群体维度上，需区分不同客群（如个人/企业客户）的资金流动特征差异。 “目标”: 本次分析将采用LTV 方法来评估线上新开户活期账户数、线上活期存款转入笔数及转出笔数对个人活期存款日均余额的长期价值影响，结合分布分析法观察不同客户群体的资金操作行为特征，并通过整体分析法监测7天内核心指标的连续变动趋势。请问可以基于以上需求澄清为您进行场景分析，并生成分析报告吗？

23. 上下文优化策略维护经验知识库越用越准确上下文优化策略基于会话及交互学习更新的部分经验库信息 • 将优化过程从“参数空间”转移到“上下文”：通过动态更新提示中的经验知识库来引导模 • 型行为。 • 维护一个经验知识库：在每轮迭代中，模型根据当前经验生成多个答案，评估它们的同类型产品”（如存款、理财、基金）等维度 • • • • 当报告显示“销售额环比下降”后，可以继续追问“是哪个大区下降最明显？”或“哪个产品品类是主要影响因素？” 续查询时模型会参考这些经验，从而提升表现。面对用户增长分析，会自动套用AARRR （获客、激活、留存、变现、推荐）模型来拆解指标和构建叙事逻辑质量，并总结“成功经验”或“失败教训”，对知识库做添加、删除、修改、保留操作。后分析AUM 时，会关联“资金流入 /流出”、“不同价值客群”（如大众、富裕）以及“不 • 在完成AUM 变动分析后，不仅能展示资金流入流出的数字，还会自动分析“资金集中对于每个问题，模型生成多个答案：并使流出的客户分层和产品类型”，并提示“需关注富裕客群向竞品高收益产品的迁移风用奖励模型（或真实答案）为每个答案打分。险”。多轮交互理解澄清分析需求、报告生成中用户反馈干预时，自动抽取相关决策信息进入记忆模块，实现分析经验持续反哺及闭环增强。

24. 上下文优化策略记忆模块分层存储持续学习主要技术栈 Agent 的记忆核心思想：让智能体具备“持续学习”和“跨会话认知”的能力。记忆框架 Mem0 智能体框架 Langchain 向量库 Elasticsearch 记忆分层存储，按照短期、中期、长期来分别维护短期记忆：临时存储最近的交互记录, 可以存储在DB 中；会话内容中期记忆：中期记忆用于存储经过整合的会话 ① 1. 灵活使用大模型处理各种任务，提取各类标签等 ② 1. 快捷接口 2. 可对接各类模型 3. 可对接向量库种类多 ③ 1. 向量、标签、元数据存储片段（如会话摘要）；长期记忆：存储用户画像和持久化知识（如决存储以单个用户与单个agent 的单次会话进行总结存储查询 1. 以时间、用户ID、场景标签等作为筛选条件进行筛选会话内容 2. 针对用户单独筛选各种元数据作为用户画像数据进行各类任务策风格、分析偏好、业务关注点）。

25. 上下文优化策略上下文工程跨会话知识积累将提示工程、记忆模块、RAG 、工具调用融合在一起，实时调用。「分析任务规划Agent 」收到用户的多轮输入：1、”看下最近30 天MAU 和AUM 变化情况”； 2、“再分析下上涨或下跌的原因” 分析任务规划 Agent Prompt 优化 Eg ：结合上游Agent 输出的指标理解信息：xxx、memory ：xxx 、rag检索信息：xxx等输出用户分析的需求及目标解读，可获取真实数据的方法有：xxx，制定规划分析任务并输出。上游Agent （指标理解 Agent ）的结果输出识别MAU 、AUM 指标及其含义、计算逻辑。工具调用检索得到之前相似分析请求 “为什么最近 7天的MAU 降低了？分析解读一下” 及对应的Agent 输出的分析任务规划。提示工程 RAG 记忆模块查询：短期记忆：用户多轮输入” 看下最近30 天MAU 和AUM 变化情况”、 “ 并分析上涨或下跌的原因” 中期记忆：重复话题的总结如每月都要求进行“ AUM 波动分析”。通过大模型总结出该话题在历史分析中通常需要关联 “资金流入 /流出”、“不同价值客群（如大众、富裕）” 、“不同类型产品”等维度，再遇到类似请求时可快速生成包含这些要素的分析框架。长期记忆：匹配用户/部门偏好，通过大模型抽取关于部门的独特偏好、决策风格和业务关注点，汇总归纳、生成特定的报告风格、分析维度。

26. 上下文优化策略上下文工程跨会话知识积累上下文进行智能且动态的写入（Write）、选取（Select）、压缩（Compress ）和隔离（Isolate ）。避免长时间运行的Agent 任务超出上下文窗口的大小、增加成本/延迟，子Agent 只选取对应被压缩写入的摘要信息，解读NL2code Agent 获取的数据时，只需要从此Agent 历史的反馈、干预经验中选取知识。 Write Select 持久化写入调用相关工具 Compress 有损或无损压缩，用更少的Token 承载最核心信号 Isolate 子智能体数据存储检索草稿纸会话内写入子智能体隔离工作检索记忆库跨会话知识积累上下文窗口接近溢出时，丢弃无关或冗余内容检索内外部知识库 = LLM Context 主智能体融合处理

27. 业务语义与行业知识融合从数据表象到业务本质的智能跃迁通过大模型对客户业务习惯的持续学习，实现行业知识及业务流理解能力的不断迭代，自动完成原始数据到有业务意义的金融指标的计算与转化。比如它不仅能告诉您“这个客户登录手机银行 5次” ，更能计算出“该客户本季度的综合贡献度是多少” ，将行为与价值直接挂钩。 1、行业知识持续注入：通过与企业历史数据、行业报告、政策文档等非结构化数据交互，动态更新业务规则。例如，当监管政策要求调整贷款风险权重时，Agent 可自动更新风险评估模型，确保指标计算符合最新规范。 2 、隐性业务经验显性化与沉淀：案例库学习与个性化记忆，Agent 能够分析历史的成功决策案例（如针对特定客群的有效营销活动、经典的贷后风险处置流程），构建“ 问题-行动- 结果” 的关联模型。当类似的业务场景再次出现时，系统便能自动调用已验证的有效分析策略。同时， Agent 具备长期记忆模块，能够记住不同层级用户（如行领导与一线业务员）的偏好和常用分析范式，实现“ 千人千面” 的个性化报告输出，真正做到“ 越用越懂你” 。

28. 统一语义层破解业务与技术的数据语言鸿沟统一语义层构建数据共识通过语义层技术，彻底统一了银行复杂的指标口径，一本通在语义层面建立了一个统一的指标“映射词典”，无论业务人员用“ GMV ”、 “交易额”还是“理财增量 ” 来提问，智能体都能理解其指向的是同一个核心指标。指标映射表（示例）

29. 技术创新及应用带来的效果提升 1、报告生成时间：从 3 - 5 天→≤30 分钟 2 、整体准确率大于90% 3 、基于32B 模型优化后，准确率超过原始Deepseek - R1，相同资源下速度提升 10倍 4 、上下文隔离、压缩大幅减少向上传递的Token 数量；同时有效解决了长上下文任务性能下降问题，交互的Token 传递减少 70% 以上。

30. 实践案例 – 项目背景与核心痛点某城商行背景 ➢ 已有全行级数据湖，原始数据多而杂，难提炼出有价值的信息，数据利用率低 ➢ 已建设多个AI相关系统、有模型底座，但落地应用缺失数据与业务脱节合规与模板管理成本高 • 已有 AI 服务，如：数据中 • 监管政策更新快，如《个人工报告质效瓶颈 • 个金 / 网金报告生成周期长：月度报告需 3 - 5 天，难台、风控算法，产出的数据人信息保护法》《互联网支撑高频决策：如日报级运或模型，难直接转化为 “业贷款管理办法》，人工校营调整务可读懂” 的报告验易遗漏合规点 • 数据整合依赖人工，跨个金 • 个金 / 网金指标计算逻辑 • 不同业务线：信贷、理信贷系统、网金 APP 后台、不统一，报告结论缺乏一致财、网金，运营报告模板用户行为平台，出错概率高性不统一，复用性低

31. 实践案例 – 补全报告生成能力放大已有AI价值 “整合利用”，而非“从零建设” 基于该银行现有系统或服务：数据中台、风控模型、用户行为分析工具等，通过 “自主学习 RAG ”补全报告生成能力，快速孵化报告生产智能体。核心输出快捷生成个金 / 网金专项AI报告，如《个人信贷风险日报》、《网金 APP 运营优化周报》，支持业务决策与合规自查。已有系统或服务对智能体的训练价值对分析报告的价值数据中台（个金 / 网金 / 用户行为数据）自主学习RAG “取数规则”对接中台，自动获取合规数据；解决 AI 模型 “数据获取碎片化” 问题，减少训练数据准备时间（从 7 天缩短至 1 天）风控算法（个金风险评分模型）自主学习RAG “指标知识”复用评分结果，转化为报告结论；避免 AI 模型 “指标计算偏差”，确保报告数据与银行核心系统一致（准确率≥ 99% ）用户行为分析工具（如 APP 行为看板）自主学习RAG “报告模板”嵌入行为分析维度，丰富报告内容； AI 报告的 “格式骨架”，适配银行多业务场景，避免生成内容杂乱，业务接受度 90% 以上数管监控（业务统计、向上汇报汇总）自主学习RAG 审核“报告内容”执行监管审核与反馈合规建议； AI 报告的 “合规屏障” ，避免人工校验成本，确保 100% 符合金融监管要求

32. 实践案例 – 补全报告生成能力放大已有AI价值智能体落地效果（ 6 个月后）覆盖银行个金/网金/统计全部核心业务线业务团队报告使用覆盖率≥80% 人工报告工作量减少 70% 管理效率提升30% 1、业务效率提升报告生成时间：从 3-5 天→≤30 分钟；支持高频输出：日报 / 周报 / 月报按需生成，满足实时决策 2 、技术资源复用减少重复投入，预计降本 40%；自主学习RAG模块可复用至其它领域（如：风控报告） 3 、合规风险降低报告合规达标率：从人工 85%→100%；政策更新响应时间：从 7 天→24 小时内

33. 04 展望打造银行业首个“全栈式智能体”

34. 回顾 – 三代分析产品的能力跃迁一本通（Datainsight Agent ） Chat BI 产品定位 “会说话的BI助手” 核心能力：对话式数据分析，自然语言查询产品定位 “能思考会应用的银行业数据专家” 核心能力：主动感知、动态学习，具备决策- 执行闭环能力交互模式：主动感知、主动拆解任务、主动提出解决方案交互模式：被动响应用户查询分析深度：依赖用户提问，提供数据洞察产品定位 “业务分析师的提效工具” 核心能力：快捷报告生成交互模式：分析深度：多源数据综合利用，主动监测数据变化，动态调整策略数据要求：数据要求：结构化数据+ 语义层传统分析工具依赖人工操作，需分析人员搭建看板或写SQL 分析深度：与使用者能力经验关系较大数据要求：需融合多源数据（如内部数据库+ 外部舆情）主要为行内可接入的数据

35. 愿景 – 打造银行业首个“全栈式智能体” 产品愿景：打造银行业首个“全栈式智能体”，能力覆盖从感知到决策再到执行的完整链条，重塑客户体验与银行运营范式，成为银行价值增长的新引擎。全栈式智能体执行与应用层知识与记忆层认知与推理层感知与交互层智能分析智能打标智能圈客智能营销智能风控 AI推荐官 …… 行业知识理解、上下文理解、用户偏好存储…… 大语言模型、任务规划与分解、外部工具调用…… 多模态输入、多模态输出、场景角色感知……

36.

37. Thank you ！欢迎交流