企业官网建设流程全解析

1. 金融信贷场景下智能体落地的整体设计思路

1.1 为什么金融信贷是智能体最值得啃的硬骨头

金融信贷这个领域，表面上看流程标准化程度很高——获客、进件、初审、风控、授信、放款、贷后，每一步都有SOP。但真正做过信贷系统的人都知道，魔鬼全在细节里。同一个客户，不同渠道进来的资料格式不一样；同一个风控规则，不同产品线的阈值不一样；同一个监管要求，不同地区的执行口径还有差异。这种"大框架稳定、小细节极度碎片化"的特征，恰恰是传统规则引擎和普通RPA最头疼的地方，也是AI智能体最能发挥价值的战场。

我最初接触华为云智果AgentArts这个平台，就是被一个很具体的痛点逼过去的。当时团队维护着一套信贷审批辅助系统，里面光"收入认定"这一个环节就写了三千多行规则代码，每加一个资方、每换一个产品，就得改代码、跑回归、等发版。业务同事还天天催："这个规则昨天就该上了，客户等着放款呢。"那种被规则变更追着跑的感觉，做过信贷系统的人都懂。

AgentArts吸引我的点在于，它把智能体的编排能力做成了可视化的画布，同时底层又保留了很强的工具调用和知识库检索能力。说白了，就是让业务逻辑和代码逻辑解耦——规则变了，改的是知识库和提示词，不是Java代码。这个思路对信贷场景来说，价值太大了。

1.2 智能体在信贷链路中的定位选择

在动手之前，我先想清楚了一个问题：智能体到底应该放在信贷链路的哪个位置？是替代人工审批，还是做辅助？我的判断是，现阶段最稳妥、也最容易出效果的定位是"智能辅助+人机协同"。具体来说，就是让智能体承担三类工作：

第一类是资料预审与信息抽取。客户提交的身份证、银行流水、收入证明、征信报告，格式五花八门，智能体负责把这些非结构化信息抽成结构化字段，并做初步的完整性校验。这一步纯人工做，一个客户平均要花十五到二十分钟，智能体可以压缩到几十秒。

第二类是规则匹配与风险提示。把信贷政策、产品准入条件、风控规则做成知识库，智能体根据客户画像去检索匹配，输出"符合/不符合/需人工复核"的结论，并附上依据条款。这一步的价值不在于替代审批人做决策，而在于把审批人从翻文件、查规则里解放出来。

第三类是贷后预警与客户触达。根据还款行为、外部数据变化，智能体生成预警信号，并起草触达话术，由客户经理确认后发送。

这个定位的好处是，智能体不直接碰资金决策，风险可控；同时它干的都是重复性高、规则性强、但又需要一定理解能力的活，投入产出比最高。

1.3 平台选型的几个关键考量

市面上做智能体的平台不少，我最终选AgentArts，主要看中四点：

一是知识库能力要够硬。信贷场景的知识库不是简单的FAQ，而是包含大量表格、条款、附件的复杂文档。AgentArts支持多种格式的文档解析，还能做分段和向量化，检索时能定位到具体条款，这个对信贷场景太重要了。

二是工具调用要灵活。信贷系统里有很多存量接口，比如征信查询、黑名单校验、额度计算，智能体必须能调这些接口。AgentArts的工具编排能力让我可以把这些接口封装成工具，在画布上直接拖拽使用。

三是流程可控可追溯。金融行业对可解释性要求极高，智能体的每一步推理、每一次工具调用、每一条知识库引用，都必须留痕。AgentArts的执行日志和链路追踪做得比较完整，能满足审计要求。

四是部署要合规。信贷数据敏感，必须能私有化部署或者用专属云。AgentArts在这块的支持比较到位，数据不出域这个底线能守住。

提示：选平台时不要只看Demo效果，一定要拿自己业务里最脏、最乱的那批数据去测。很多平台在干净数据上表现很好，一遇到扫描件、手写体、多页表格就露馅。

2. 核心细节解析与实操要点

2.1 知识库构建：把信贷政策"喂"给智能体

知识库是智能体的地基，地基没打好，上面盖什么都是歪的。信贷知识库的构建，我踩过的坑最多，这里详细说说。

第一步是文档收集与清洗。信贷政策文档通常有几个来源：监管文件、总行制度、分行细则、产品说明书、操作手册。这些文档格式各异，有PDF、Word、Excel，还有扫描件。我的做法是先把所有文档统一转成可编辑格式，扫描件用OCR识别，然后人工过一遍，把页眉页脚、水印、无关的修订记录删掉。这一步很枯燥，但省不得。我试过偷懒直接扔原始PDF进去，结果检索出来的内容里混着大量页眉文字，智能体回答时经常把"内部资料 请勿外传"这种话也带出来，非常尴尬。

第二步是分段策略。这是最考验经验的地方。信贷文档的分段不能简单按字数切，要按语义单元切。我的原则是：

• 一个完整的规则条款作为一个分段，比如"收入认定标准"下的每一条单独成段；
• 表格类内容保留表头，把每一行转成"字段名：字段值"的文本形式；
• 附件和正文的引用关系要保留，比如正文说"具体见附件三"，那附件三的内容要打上关联标签。

分段长度我一般控制在300到500字之间。太短了信息不完整，太长了检索精度下降。这个区间是实测下来比较平衡的。

第三步是元数据标注。每个分段都要打上标签，比如所属产品线、适用地区、生效日期、文档类型。这些标签在检索时可以做过滤，极大提升准确率。举个例子，客户问"这个产品最高能贷多少"，如果知识库里同时有A产品和B产品的额度规定，没有元数据过滤就会串。打上产品线标签后，检索时先过滤再匹配，准确率能提升一大截。

第四步是检索策略调优。AgentArts默认用的是向量检索，但纯向量检索在信贷场景有个问题：它对数字和专有名词不敏感。比如"年化利率不超过24%"和"年化利率不超过36%"，向量相似度很高，但意思完全相反。我的做法是向量检索加关键词检索混合，对数字、金额、比例这类内容强制走关键词匹配。这个配置在平台里可以调，具体参数后面实操部分会讲。

2.2 工具编排：让智能体真正"能干活"

知识库解决的是"知道什么"，工具解决的是"能做什么"。信贷智能体需要调用的工具，我梳理了一下，大概分四类：

这里重点说两个坑。

第一个坑是让模型做计算。我一开始图省事，想让智能体自己算月供，结果它给出的数字经常差几块钱。后来老老实实把还款计划计算封装成一个工具，模型只负责提取参数（本金、利率、期数），计算交给工具。金融场景对数字精度要求极高，差一分钱都是事故，这个懒偷不得。

第二个坑是工具调用的异常处理。征信查询接口偶尔会超时，如果智能体没有降级策略，整个流程就卡住了。我的做法是给每个工具设置超时时间和重试次数，超时后返回一个明确的错误码，智能体根据错误码决定是转人工还是走备用方案。比如征信查询失败，就提示"征信查询暂时不可用，请稍后重试或转人工审核"，而不是傻等着。

2.3 提示词设计：把审批专家的经验"翻译"成指令

提示词是智能体的灵魂。信贷场景的提示词，我的设计原则是"角色清晰、步骤明确、边界严格、输出规范"。

角色设定要具体。不要写"你是一个信贷助手"，要写"你是一名有十年经验的信贷审批辅助专员，熟悉个人消费贷和经营贷的准入政策，你的职责是根据客户资料和知识库规则，给出初审意见，但不做最终决策"。

步骤拆解要细致。把审批流程拆成明确的步骤，让智能体一步步执行。比如：

1. 检查客户资料完整性，列出缺失项；
2. 从资料中提取关键字段（年龄、收入、负债、征信记录）；
3. 根据客户所在地区和申请产品，检索对应的准入规则；
4. 逐条比对规则，记录符合和不符合的项；
5. 输出初审意见，格式为"建议通过/建议拒绝/需人工复核"，并附依据。

边界约束要强硬。明确告诉智能体什么不能做：不能编造知识库里没有的规则，不能替客户做决策，遇到不确定的情况必须标注"需人工确认"。我还会加一句"如果知识库中没有相关规则，请明确说明'未找到相关规则'，不要自行推断"。

输出格式要固定。用JSON或者固定模板，方便下游系统解析。比如：

{ "conclusion": "需人工复核", "matched_rules": ["规则A-3", "规则B-1"], "violated_rules": ["规则C-2"], "missing_info": ["近六个月银行流水"], "reason": "客户负债率超过产品准入阈值，但提供了额外资产证明，需人工判断" }

这个格式是我迭代了好几版才定下来的。早期版本输出的是自然语言，下游系统解析起来很痛苦，后来改成结构化输出，对接效率高了很多。

3. 实操过程与核心环节实现

3.1 环境准备与基础配置

动手之前，先把环境理清楚。我用的是华为云智果AgentArts的专属云版本，主要是出于数据合规考虑。基础配置分几步：

第一步，创建智能体应用。在AgentArts控制台新建一个应用，选择"工作流编排"模式。这里有个选择：是用对话模式还是工作流模式？信贷审批这种有明确步骤的场景，我强烈建议用工作流模式，因为流程可控，每一步的输入输出都能定义清楚，调试也方便。

第二步，配置知识库。把前面清洗好的文档上传，设置分段规则。AgentArts支持自定义分段，我一般设置按标题层级分段，最大分段长度500字，重叠50字。重叠是为了避免关键信息被切断。向量化模型选平台默认的就行，实测在中文信贷文档上效果够用。

第三步，封装工具。在"工具管理"里新建工具，每个工具定义好入参和出参。以征信查询为例：

{ "tool_name": "query_credit_report", "description": "根据客户身份证号查询征信报告摘要", "input_params": { "id_card": "string, 客户身份证号", "query_reason": "string, 查询原因代码" }, "output_params": { "credit_score": "integer, 信用评分", "overdue_count": "integer, 近两年逾期次数", "debt_ratio": "float, 负债率", "query_status": "string, 查询状态" }, "timeout": 5000, "retry": 2 }

工具描述要写清楚，因为模型是根据描述来决定调不调这个工具的。描述写得太模糊，模型就可能该调的时候不调，或者不该调的时候乱调。

第四步，编排工作流。在画布上把节点连起来。我的工作流大致是这样的：开始节点接收客户资料，然后并行走两条线——一条是资料抽取，一条是知识库检索，两条线汇合后进入规则比对节点，最后输出初审意见。并行处理能省不少时间，实测下来比串行快百分之四十左右。

3.2 资料抽取环节的实现细节

资料抽取是整条链路的入口，这里出问题后面全白搭。信贷资料主要有几类：身份证、银行流水、收入证明、征信报告、资产证明。每类的抽取策略不一样。

身份证相对简单，用OCR加字段映射就行。但要注意，有些客户的身份证是临时身份证或者消磁了，OCR识别率会下降。我的做法是设置一个置信度阈值，低于阈值的字段标红，提示人工核对。

银行流水是最麻烦的。不同银行的流水格式完全不同，有的用"收入"字样，有的用"代发工资"，有的用"转账"。我的做法是先用关键词匹配定位到可能的收入项，再用规则判断。比如连续三个月同一日期、同一金额的入账，大概率是工资。这个逻辑我封装成了一个工具，叫"流水收入识别"，模型负责调用，具体判断逻辑在工具里。

收入证明通常是扫描件，需要OCR加人工复核。这里有个技巧：让智能体把识别出的关键信息（姓名、单位、月收入、盖章日期）列出来，和身份证、流水做交叉验证。如果收入证明上的月收入和流水里的代发工资差异超过百分之二十，就标记为"需人工核实"。这个交叉验证的逻辑，是我从老审批员那里学来的，非常实用。

征信报告的解析最复杂，因为格式固定但内容多。我的做法是只抽取关键字段：信用评分、逾期记录、查询次数、负债总额。其他内容不抽，避免信息过载。抽取出来的字段直接喂给规则比对节点。

实操心得：资料抽取环节一定要设"兜底策略"。我遇到过客户上传的是一张手写的收入证明，OCR完全识别不了。这时候智能体不能卡死，要能识别出"这份资料无法自动处理"，然后转人工。这个判断逻辑很简单，但能避免很多客诉。

3.3 规则比对与意见生成

规则比对是智能体的核心价值所在。我的实现方式是"检索+比对+生成"三步走。

检索阶段，根据客户画像（地区、产品、客群类型）构造检索query，从知识库里召回相关规则。这里有个细节：检索query不能只用客户的基本信息，还要带上"准入条件""额度""利率"这些意图词，这样召回更准。比如query写成"个人消费贷 准入条件 年龄 收入 负债率 征信要求"，比只写"个人消费贷"召回质量高很多。

比对阶段，把客户字段和规则逐条对照。这一步我让模型做，但给了很明确的指令：对每条规则，输出"符合""不符合""无法判断"三种结论之一，并说明理由。无法判断的情况包括：客户资料缺失、规则表述模糊、存在例外条款。这三种情况都要转人工。

生成阶段，把比对结果汇总成初审意见。意见的格式我前面说了，用JSON。但这里有个优化：我让智能体在输出JSON的同时，也生成一段自然语言的摘要，方便审批人快速浏览。摘要控制在两百字以内，只讲关键结论和主要风险点。

实测下来，这套流程对标准件（资料齐全、情况简单）的处理准确率能达到百分之九十以上，对非标准件的处理准确率在百分之七十左右。非标准件的错误主要集中在"规则理解偏差"上，比如规则说"原则上不超过"，智能体有时候会理解成"绝对不能超过"。这类问题需要通过持续优化提示词和补充示例来解决。

3.4 人机协同界面的设计

智能体再强，现阶段也离不开人。人机协同界面的设计，核心原则是"让审批人做判断，而不是做查找"。

我的界面设计是这样的：左边是客户资料原文，中间是智能体抽取的结构化字段和比对结果，右边是审批操作区。智能体把"需要人工确认"的点用黄色高亮标出来，审批人只需要看这些高亮项，确认或修改即可。实测下来，审批人的单件处理时间从平均十五分钟降到了六分钟左右。

这里有个细节很重要：智能体的每一条结论都要能追溯到依据。审批人点击"不符合规则C-2"这个结论，界面要能弹出规则C-2的原文和出处。这个追溯功能，是审批人信任智能体的关键。没有追溯，审批人不敢用；有了追溯，审批人会把智能体当成一个靠谱的助手。

4. 常见问题与排查技巧实录

4.1 智能体"胡说八道"怎么办

这是最常见的问题，专业说法叫"幻觉"。信贷场景里，智能体编造规则、编造数字，后果很严重。我遇到过智能体说"根据某某文件第几条，该客户不符合准入"，结果一查，那个文件根本不存在。

排查思路分三层：

第一层，检查知识库。幻觉往往是因为知识库里没有相关内容，模型只能自己编。解决办法是补充知识库，或者在提示词里明确"如果知识库中没有相关规则，请回答'未找到相关规则'"。

第二层，检查检索配置。有时候知识库里有，但检索没召回来。这时候要调检索参数，比如提高召回数量、调整相似度阈值。AgentArts里可以设置"最小相似度分数"，我一般设在0.75左右，低于这个分数的结果不采纳。

第三层，检查提示词。提示词里如果给了模型太多自由发挥的空间，它就容易编。我的做法是加约束："你的所有结论必须基于知识库中检索到的内容，引用时注明来源文档和条款编号。"

下面这张表是我整理的幻觉问题速查表：

4.2 工具调用失败的排查

工具调用失败在实操中很常见，原因五花八门。我总结了几类：

接口超时是最常见的。信贷系统的接口，尤其是征信查询，响应时间波动很大。我的做法是设置合理的超时时间（一般五秒），超时后自动重试两次，还失败就返回错误码，让智能体走降级流程。

参数错误也很多。模型提取的参数格式不对，比如身份证号多了一个空格，或者日期格式不对。解决办法是在工具定义里加参数校验，格式不对直接返回错误提示，让模型重新提取。

权限问题偶尔会遇到。有些接口需要特定的权限令牌，令牌过期了就会调用失败。这个要在工具配置里做好令牌管理，定期刷新。

限流问题在高并发时会出现。信贷业务有高峰期，比如月初、季末，接口调用量激增。我的做法是在工作流里加一个队列节点，控制并发数，避免把下游接口打挂。

4.3 效果不达预期的调优路径

智能体上线后效果不好，不要急着推翻重来，按这个路径一步步调：

第一步，看数据。把智能体处理错误的案例捞出来，分类统计。是抽取错误多，还是检索错误多，还是比对错误多？找到主要矛盾。

第二步，看日志。AgentArts的执行日志很详细，能看到每一步的输入输出。我经常通过日志发现一些意想不到的问题，比如某个字段的抽取规则写错了，导致后续全错。

第三步，小步迭代。每次只改一个地方，改完测一批数据，看效果变化。不要一次改好几个地方，否则出了问题不知道是哪个改动导致的。

第四步，建评测集。从历史数据里挑一批有代表性的案例，人工标注正确答案，作为评测集。每次迭代后跑一遍评测集，看准确率变化。这个评测集我建议至少两百条，覆盖各种边界情况。

4.4 合规与审计的注意事项

金融行业做智能体，合规是红线。我踩过的坑主要有两个：

一是数据留存。智能体处理过程中产生的中间数据，比如抽取的字段、检索的记录，都要留存备查。AgentArts的日志功能可以满足这个要求，但要记得开启日志持久化，默认可能只保留一段时间。

二是决策可解释。智能体给出的每一个结论，都要能解释清楚是怎么来的。这个前面说了，靠的是知识库引用和工具调用记录。审计的时候，要能还原出完整的决策链路。

注意：不要用智能体直接做拒绝决策。我的做法是智能体只输出"建议拒绝"，最终拒绝必须由人工确认。这不仅是合规要求，也是保护自己。

5. 智能体在信贷场景的扩展玩法

5.1 从单智能体到多智能体协作

单智能体跑通之后，我开始尝试多智能体协作。思路是把审批流程拆成几个专职智能体：资料审核智能体、规则比对智能体、风险评估智能体、意见生成智能体。每个智能体只干一件事，通过工作流串联。

这样做的好处是每个智能体的提示词可以写得更聚焦，效果更好。比如资料审核智能体只关心资料完整性和字段抽取，不用管规则；规则比对智能体只关心规则匹配，不用管资料格式。职责单一，调试起来也容易定位问题。

坏处是链路变长，延迟增加，而且智能体之间的信息传递容易丢失。我的做法是在关键节点加"信息校验"，确保上游输出符合下游输入要求。

5.2 贷后预警场景的智能体设计

贷后预警是另一个很适合智能体的场景。传统做法是写一堆规则，比如"逾期超过三天发短信，超过七天打电话"。但实际情况复杂得多，客户可能只是忘了，也可能真的遇到困难了，一刀切的规则效果不好。

我用智能体做贷后预警的思路是：根据客户的还款历史、当前逾期情况、外部数据变化（比如工商信息变更、司法信息），生成个性化的预警等级和触达策略。比如一个一直按时还款的客户偶尔逾期一天，可能只需要一个温和的提醒；一个频繁逾期的客户又逾期了，可能需要客户经理直接介入。

触达话术也让智能体生成，但必须经过审核才能发送。我建了一个话术模板库，智能体根据客户情况选择合适的模板并填充变量，这样既保证了个性化，又控制了合规风险。

5.3 持续运营的关键指标

智能体上线不是终点，持续运营才是。我关注的指标主要有几个：

这些指标里，我最看重的是"人工修正率"。这个指标直接反映了智能体的可信度。修正率高，说明智能体结论不准，需要调优；修正率低，说明智能体靠谱，可以逐步扩大应用范围。

6. 一些踩坑之后的真心话

做智能体这一年多，最大的体会是：技术不是最难的，难的是让业务方信任它。我见过太多项目，技术做得漂漂亮亮，但业务方不用，最后不了了之。要让业务方用起来，关键是两点：一是让智能体干那些他们不想干的活，比如翻文件、查规则；二是让智能体的结论可追溯、可修正，给他们安全感。

还有一个体会是，不要追求一步到位。我一开始想做一个全流程无人化的审批智能体，结果发现根本不现实。后来退一步，只做辅助，反而落地很快，业务方接受度也高。先让智能体在某个环节跑通，证明价值，再逐步扩展，这个节奏比较稳。

最后说个具体的技巧：智能体的提示词要定期review。业务在变，规则在变，提示词如果一直不更新，效果会慢慢下降。我一般每个月review一次提示词，把新出现的bad case加进去，把过时的约束删掉。这个习惯坚持下来，智能体的效果能一直保持在一个不错的水平。

信贷智能体这个方向，我觉得才刚刚开始。现在做的更多是"辅助人"，未来随着模型能力提升和合规框架完善，可能会走向"替代部分人"。但不管怎么变，金融场景对准确性、可解释性、合规性的要求不会变。做这个方向，敬畏心比技术更重要。