本文整理自 AICon 上海分享「AI神盾平台在金融生态中的智能风控实践」演讲者黄佳豪通过AI音视频总结工具Ai好记进行视频转文字整理以下为精炼整理后的内容。风控体系的演进路径金融风控正在经历从规则驱动到AI驱动的升级。平安人寿的实践路径可以概括为三个阶段阶段核心方法特征第一阶段60分规则引擎实时/离线对账、两限控制、黑白名单第二阶段80分数据驱动用户画像、行为分析、关联网络第三阶段90分AI智能体Agent自主巡检、根因分析、自动处置这个路径的核心洞察是先打好基础再追求智能化。很多团队一上来就想做Agent风控但如果没有对账、限流、黑白名单这些基础功能上面的AI做得再好也接不住。烟囱式架构的困境传统风控系统的架构问题是「烟囱式」——不同的业务领域各自建立独立的风控系统A领域有自己的风控规则和策略B领域也有自己的一套数据在两者之间不互通结果就是即使B领域发现了A领域的一个风险问题也无法将风险信息有效传递过去、触发A领域的管控措施。整体的风控效果被打折扣。神盾平台的四大能力平安人寿「神盾平台」的设计目标是覆盖四个维度维度说明具体表现广度覆盖全资产所有业务线的风控统一管理深度精细化策略原子级业务熔断最小粒度的拦截精度AI提升准确性减少误报和漏报速度快速触达告警到处置的端到端时间原子级业务熔断这是「深度」维度的核心能力——风控系统能够对最细粒度的业务操作进行实时拦截和暂停。不是「关掉整个活动」而是只拦截某个用户的一次异常操作。AI智能体在风控中的落地架构神盾平台采用的混合架构是感知层用Agent分析层用Workflow决策层用Agent增强。风险处理全流程事件触发告警/客诉/人工 ↓ 信息采集Agent → 调用工具收集相关数据 ↓ 根因分析Agent 关联分析Agent并行工作 ↓ 影响评估Agent → 判断风险优先级 ↓ 输出分析报告 → 触发处置熔断、建工单 ↓ 人工核验 → 沉淀解决方案至知识库长期记忆为什么分析层用Workflow而不是Agent一个重要的设计决策分析层使用Workflow而非Agent。原因是分析层的准确率至关重要。Agent在分析时容易产生「幻觉」和发散导致准确率下降——实测数据显示Agent比Workflow的准确率低约30%。Workflow通过明确的步骤编排确保分析过程清晰、可控避免Agent引入不相关信息。简单说就是分析这件事确定性比灵活性重要。多Agent协同在感知层和决策层多个Agent协同工作Agent类型职责信息采集Agent从多个数据源拉取风险事件相关信息根因分析Agent分析问题发生的根本原因关联分析Agent分析上下游关联影响影响评估Agent结合业务知识判断风险优先级和影响范围长期记忆链路智能体的能力上限取决于长期记忆机制的建设水平。神盾平台的长期记忆构建路径数据治理 → 结构化数据 非结构化数据 ↓ 业务标签挂载 事实抽取who-do-what三原子 ↓ 实体对齐 因果链接 → 领域知识 ↓ 沉淀到长期知识库 → Agent精准召回对中小机构的建议对于资金和人力有限的中小型金融机构演讲者给出了一个务实的起步策略第一步先做好四件事达到60分及格线实时对账交易发生后立即核对离线对账日终/周终对账找出差异两限控制限时单位时间内最大操作次数、限量单笔/日累计最大金额黑白名单可靠的名单管理这四样构成了风控系统的最小可行形态。在此基础上再逐步扩展触点和AI能力而不是一上来就做大模型Agent。未来的方向在保险等强合规领域规则和数据仍然是不可替代的底座。AI智能体在上层发挥作用但下层的规则引擎不会消失。未来的方向是「私有域建设公有生态共建」的混合模式——核心数据和规则在私有域AI能力和模型可以复用公有生态的成果。FAQQ神盾平台对中小保险机构开放吗A文章主要分享平安人寿内部实践未提及对外服务计划。但文中给出的建设路径和建议对所有风控团队都有参考价值。QAgent在风控场景的误报率有多高AAgent本身的误报率比Workflow高约30%这正是神盾选择「感知用Agent、分析用Workflow」混合架构的原因。Q长期记忆链路的建设周期大概需要多久A取决于数据治理的成熟度。如果已经有稳定的数据中台3-6个月可以完成基础建设如果数据零散前置的数据治理工作可能需要更长时间。以上内容由AI笔记神器 Ai好记 转录整理。Ai好记是一款音视频转图文笔记的 AI音视频总结工具支持解析B站、抖音、小红书、小宇宙等平台链接及本地/网盘的音视频文件转文字后自动生成精华速览、思维导图和结构化笔记帮助你把几小时的视频内容变成可搜索、可复习的图文笔记。