“AI时代机构想要重塑差异化竞争力，核心路径只有一条——将通用智能体架构与企业内部数字化平台、投研业务体系、私有核心数据深度整合。”6月27日，在新金融联盟主办的“AI驱动资管业务价值跃迁的路径与挑战”内部研讨会上，天弘基金副总经理兼首席信息官迟哲表示。

在他看来，企业落地AI智能体，绝非打造零散工具、实现单点效率提升，而是搭建一套可治理、可审计、可协同的企业级智能基础设施。核心要做好三件事：落地标准化的智能体架构；对现有数字化平台进行全方位智能化改造；完成AI就绪的数据治理升级。

这是新金融联盟第106期内部研讨会，由新金融联盟秘书长吴雨珊主持，中国金融四十人论坛提供学术支持。原中国银保监会副主席陈文辉作主题交流，泰康资产总经理兼首席执行官段国圣、农银理财总裁毛焱、信银理财董事长王洪栋、盈米基金董事长肖雯也发表主题演讲。来自、理财子、非银金融机构与科技公司的51家机构代表参会。会议实录见→AI转型大势已至，资管机构如何胜出？ 以下为迟哲发言全文。

大型资管机构AI Agent构建路径思考

文| 迟哲

刚才几位领导从公司层面阐述了AI落地的战略必要性与推进路径，我从技术落地视角，和各位分析一下企业搭建的AI智能体体系的一些思路。

天弘基金具备深厚的基因，也是行业内较早布局AI落地的机构，但两年多的实践让我们深刻体会到几个行业共性问题：外部大模型与投研垂域工具日益强大，机构自研的投研智能体该如何找准发展空间？行业内智能体纷纷落地之后，又出现了类似早年“数据孤岛”的“智能体孤岛”困境；算力受限、顶级大模型资源稀缺也是普遍痛点。如何让智能体体系真正落地生根，成为企业可迭代、可持续、有实际价值的数字化核心组成部分，而非悬浮在现有体系之上的零散工具？围绕这些问题，我分享几个方面的思考。

一、智能体技术发展现状：从模型迭代到规模化落地

过去两三年，行业重心已经从大模型的高频性能迭代，转向大模型与智能体的企业规模化落地。2025年以来，智能体领域出现三大关键变化：

第一，编码类智能体技术完全跑通、趋于成熟。Codex、Claude Code这类工具完整验证了工具调用、多步规划、自主执行的全流程范式，Vibe Coding已成为众多科技企业的主流生产模式。

第二，投研垂域智能工具实现跨越式发展。多家领先厂商的垂域产品，已经大量替代研究员、投资经理的资讯搜集、文档生成等重复性工作。

第三，成熟的智能体框架广泛普及。Openclaw、Hermes等主流框架，将大模型从单纯的对话式“裸模型”应用，升级为主流的智能体架构。

架构成熟、工具趋同的同时，也带来了新风险：智能门槛持续降低、AI能力全面“平权”，各家机构的投研能力存在同质化的可能。AI时代机构想要重塑差异化竞争力，核心路径只有一条——将通用智能体架构与企业内部数字化平台、投研业务体系、私有核心数据深度整合。

二、企业级智能体的核心技术体系

目前行业主流的智能体体系是Harness架构。需要强调的是，Harness并非简单的大模型应用工具，而是一套对大模型进行管控、约束、迭代的完整体系，相当于企业AI业务的中台，保障大模型在可控、稳定、可持续迭代的范围内服务业务。Harness经典架构层层递进、权责清晰：

模型接入层：统一接入长文本、多模态、细分小模型等各类模型，按业务任务智能匹配最优模型。

工具注册层：将行情、财务、持仓、估值、风控等核心业务能力统一封装为标准化工具，这是私有化落地的核心环节。

权限决策层：按基金经理、研究员、风控、交易员等岗位角色，分级管控数据查看、工具使用与业务操作权限。

任务编排层：实现复杂业务任务的分步拆解、有序执行。

记忆与知识层：个人/团队/公司/任务/审计多层记忆，分级留存

人机协同层：坚守人机边界，所有关键业务决策、核心投资判断由人最终确权。

审计留痕层：每一次调用、输出、模型版本、数据来源、决策结果全程留痕、可追溯、可审计——这是AI在合规落地的核心前提。

有了这套体系，在投研领域的智能体应用就可以逐步构建区别于外部通用工具的差异化能力。以半导体行业投研为例：外部通用大模型只能拆解服务器出货量、GPU、HBM先进封装需求等公开数据，无法形成差异化；而内部智能体可以将这些最新公开数据与投研团队三个月前的行业假设做对比，精准捕捉边际变化，再沿行业需求—产能扩张—订单变化—替代弹性的完整链条推演，最终结合内部估值体系、行业周期等数据，向基金经理输出风险提示和投资建议。简言之，外部大模型的优势是处理非结构化公开数据，机构真正的差异化投研能力，来自体系化的投研框架、沉淀多年的私有数据和专属研究逻辑。

三、现有数字化平台改造：让数字化平台适配人机协同

过往数字化平台核心适配人工操作，依托GUI界面、鼠标点击完成工作；而智能体需要的是标准化接口、参数和消息推送能力。因此改造的核心，是搭建一套人机协同通用的数字化平台，主要有五个方向：

平台全面API化：让智能体具备通过标准化接口直接调用平台业务能力。

指标语义化：为数据字段补充业务标签、统计口径、时效、权属人，让智能体真正读懂数据的业务含义。

运行事件化：系统主动推送核心数据变动与关键指标波动，智能体从被动拉取转为事件触发响应。

流程工作流化：以流程引擎将研究分析、风控校验、交易管理、风控分析等跨系统环节串联，避免自主推演带来的逻辑偏差。

权限一体化：智能体绑定专属业务用户，作为用户的“数字化分身”完全继承其数据与操作权限，行为可管控、权责可追溯。

以投研平台为例，过去的核心痛点是平台沉淀的成熟投研框架没有对智能体开放，智能体的分析仍依赖大模型底层的概率统计逻辑。解决之道是对投研体系做智能化、语义化、结构化改造：

一是投研对象结构化，对上市公司、行业、投资主题统一ID化，搭建投研知识图谱；二是研究结论结构化，将投资评级、核心假设、目标价位、风险因子固化为标准字段；三是投研变化可追踪，将投研逻辑的版本迭代、变更时间、负责人、触发因素全部结构化留痕。投资的本质正是捕捉核心指标与核心逻辑的边际变化。改造的目的不是重构一套新系统，而是打通原有平台与智能体的壁垒，让研究员每一次操作、每一次观点更新、每一份报告产出都同步赋能智能体迭代，形成业务与AI的正向循环。

四、数据升级：打造AI-Ready的数据底座

所有改造的最终落脚点都是数据。传统BI系统与数仓无法适配智能体，核心问题在于指标口径不统一、数据来源不清晰、缺乏语义解析能力，以及非结构化数据治理缺失。

为此我们针对性升级数据服务，让BI系统具备自然语言应答、工具调用、指标解析、溯源探查等AI适配能力，并推进六大维度数仓改造，其中最核心的是统一指标中心建设：所有业务数据查询、智能体数据调用，必须通过指标中心统一调度，杜绝自主拼接、自主计算——这是防止大模型幻觉、保障数据准确性与一致性的底线要求，也是金融投研智能体落地的根源保障。

五、团队转型

架构、平台、数据的改造本质都是工具和体系的升级，最核心的是人的转型，特别是科技团队：打破单一的系统交付定位，构建“系统交付+平台工程”双核心能力；推动产品经理向FDE（Forward Deployed Engineer）转型，依托AI工具实现智能体应用的高效迭代；同时推行全员智能体开发、AI评测与AI运维治理体系，将大模型、智能体系统正式纳入企业核心运维保障体系，确保其作为投研核心基础设施稳定运行。

总结

企业落地AI智能体，绝非打造零散工具、实现单点效率提升，而是搭建一套可治理、可审计、可协同的企业级智能基础设施。核心要做好三件事：第一，落地标准化的智能体架构，搭建企业可控的AI应用核心体系；第二，对现有数字化平台进行API、MCP、CLI全方位智能化改造，适配人机协同场景；第三，完成AI就绪的数据治理升级，让企业私有数据成为大模型精准、可信、可持续迭代的核心燃料。AI全面平权的时代，技术与工具已趋于同质化，谁能把内部AI治理、体系落地、数据沉淀做深做实，谁就能构筑独一无二的机构核心竞争力。