广发银行大模型应用的实践和思考

当前，以ChatGPT、DeepSeek为代表的人工智能大模型技术取得突破性进展，深度融入商业银行创新发展的核心领域，助力商业银行持续构建覆盖智能风控、精准营销、智能客服等多场景的智慧金融生态。在这一背景下，广发银行坚持贯彻中央金融工作会议精神，积极推进数字金融建设，推动科技研发、运维服务、数据治理、智能应用等基础能力不断提升。2025年，广发银行着力推进全行“繁星大模型工程”，构建企业数智化能力，推动“人工智能+”银行应用创新，打造智能普惠的金融服务。

生成式人工智能通过“预训练—微调—强化学习(RL)”的递进机制，突破传统技术局限，涌现出知识储备及学习速度都超越人类的“智能”。2025年，以DeepSeek R1为代表的推理大模型，凭借强化学习、混合专家模型(MOE)等技术创新，显著提升了复杂逻辑推理和数学分析能力，其低成本训练推理及技术开源特性，为普惠化应用奠定了基础。

在通用大模型应用的基础上，结合知识检索增强(RAG)、监督微调(SFT)和强化学习等技术，大模型能够持续学习企业私域知识，从而提升业务场景中的复杂决策效果。企业需注重数据储备与知识工程建设，掌握训练资源并具备算法能力，形成“技术研究—行业应用—优化改进”的良性循环，推动组织能力的持续提升。

智能体(Agent)在自主任务分解、工具调用和闭环处理能力等方面快速演进，使企业数据不再是“数字化石”。以Manus、DeepResearch为代表的智能体产品不断涌现，通过整合多种工具和操作能力，实现了端到端的综合任务处理。多智能体系统和强化学习技术的深化运用进一步提升了“超级AI入口”的应用成熟度和稳定性。“人类定义问题—AI解决问题—人类评估结果”的模式，将增强“数字助手”和“数字员工”的岗位能力，从而不断提升企业管理运营效率。外部服务上，人机交互方式正在从“图形用户界面(GUI)”向“自然语言即界面(LUI)”转变，这将降低金融服务的使用门槛，为客户提供“AI金融管家”服务，推动金融服务范式变革，重塑行业生态格局。

全球制造业格局和供应链正面临深刻调整，数字经济浪潮加速重塑商业模式，银行业所处的宏观环境正发生巨变，这使得银行业急需向更精细化、敏捷化的管理能力转型。随着模型水平的持续提升、算力的不断增强、推理成本的显著降低以及应用场景的快速创新，银行业已成为大模型技术落地占比最高的行业之一。人工智能技术也因此成为数字金融发展的重要驱动力，其非线性增强效应使其从单纯的效率工具转变为银行的核心战略资产,驱动银行数字化转型升级。

面对以DeepSeek为代表的大模型技术所引发的行业变革热潮，广发银行确立“All in AI”的建设方向，全面推进“繁星大模型工程”建设，通过“意识提升、能力强化、实践深化、安全保障”四大举措，从全面应用、基础强化、知识工程、人才培养四个方面推动大模型技术在全行的深度应用，对内提质效，对外促体验、强服务，提升业务创新能力，把握人工智能技术发展的新机遇，推动数字化转型迈向更高水平。

广发银行2023年引入开源大模型，推出智能问答和知识检索工具，2024年完成大模型架构规划并拓展应用场景，2025年2月完成DeepSeek-R1大模型的行内部署和上线使用。目前，广发银行已落地大模型业务场景50多个，覆盖零售、对公等多个业务板块，重点围绕办公助手、岗位助手、能力提升三大核心方向，从营销、服务、风控和运营四个维度赋能业务发展。

(1)零售营销更精准

传统零售客户营销模式以活动驱动为主，即先设计营销活动，再根据客户标签筛选目标客群，但存在客户标签分散、难以综合识别客户需求及偏好的问题。大模型可结合客户全生命周期管理,使客户营销管理更精准有效。在客户画像构建方面，广发银行利用大模型日均处理近万通客户沟通记录，并从中提取六大类产品商机信息，生成客户意图标签，帮助客户经理更全面地掌握客户需求；在行为预测方面，通过客户行为序列大模型，分析客户行为和属性特征数据，预测客户在资产提升、贷款逾期等方面关键行为的发生概率，与传统机器学习模型相比，在采用大模型后，营销成功率得到大幅提高，客户行为预测和客群筛选更精准；在个性化策略方面，基于重点客户的标签信息，通过大模型分析生成客户核心特征并为其定制个性化营销方案，真正实现“千人千面”的精准营销。

(2)客户服务更高效、更有温度

广发银行智能座席辅助系统已覆盖6500名人工座席，提供客户情绪识别、实时质检、话术推荐、通话小结、自动查询及填单等功能，使电话营销员效能提升7.9%，有效缩短客服单通通话时长。在信用卡息费账务查询场景中，面对数以千计的流水明细，客服人员处理和解答问题耗费时间较长。借助智能体任务规划和接口调用能力，系统可自动完成息费计算并生成查询结果，大幅缩短了客户等待时间。在在线客服机器人场景中，针对客户复杂长句及上下文指代等复杂问法，借助大模型语义理解能力，意图识别准确率提升至95%以上。为更高效触达海量长尾客户，提升理财专业能力，广发银行将持续优化智能托管和工具辅助功能，强化产品推广、到期复购、投顾咨询等服务，增强客户的信任度，提供更便捷、更有温度的客户服务体验。

(3)信贷管理更高效

在对公授信业务中，广发银行需定期对数千家客户进行授信调查与审查。传统模式下，一线客户经理和授信审查员需耗时数个工作日完成信息收集与报告编写。通过信息采集自动化及嵌入大模型生成行业分析等核心内容，广发银行显著提升了报告编写效率。后续，广发银行将通过互联网搜索持续扩展外部数据，以更强大的数据分析能力支持更丰富的文档生成功能，进一步为一线人员减负，助力业务拓展。

(4)后台办公更智能

广发银行打造AI中心门户，集成DeepSeek推理大模型、多模态大模型等能力，整合AI工具与交互界面，提供知识问答、互联网搜索、文案写作、办公PPT生成等功能，并开发报告编写、数据分析、凭证单据识别等通用产品，全面提升办公效能。办公助手将持续扩展公文批示分发、督办、会议及日程管理等事务性功能，同时增强会议文稿、报告撰写及宣传设计等内容生成能力。

规模化的智能应用落地离不开扎实的基础技术支撑和应用研发能力。广发银行持续强化大模型基础能力建设，制定“一核多元”架构规划，深入开展模型微调训练和智能体等技术研究，并自主研发数据科学平台实现智能算力纳管，为大模型的开发与应用管理提供平台级支持。后续，广发银行将进一步打造高效赋能的大模型基础平台和工具体系，围绕训练微调算法等核心技术做好积累和掌控，夯实技术根基。

(1)微调训练建设企业大模型，综合多种方式降低模型幻觉

大模型的幻觉会造成生成内容可靠性和稳定性不足，是制约其应用落地的关键瓶颈，也是金融机构扩展业务应用范围和直接对客服务的最大顾虑。例如在生成信贷风险评估报告时，若大模型改变数据细节或分析有误，可能导致结论偏离实际而造成损失；在对客服务过程中，若大模型对关键服务信息生成错误或误判，可能引发客户投诉风险。

为应对大模型的幻觉问题，广发银行在企业级大模型方向上不断探索，从软件工程、数据治理、智能体意图识别等复杂场景着手，开展了一系列实践：一是构建微调训练数据的采集、标注、清洗工具链，形成便利采集、高效存储、高质保鲜的数据工程管理方法；二是在算力储备充足的情况下，通过微调SFT增强任务指令遵循能力，开展二次预训练实验学习私域知识，研究强化学习技术提升反思和领域推理能力，打造更懂内部业务、岗位任务能力更强的垂直大模型；三是建立内部数据的反馈回流机制，形成“能力输出—数据回流—模型优化”的数据生态循环。

在简单业务场景中，无需复杂的微调训练技术，综合运用提示词和RAG技术便可实现良好效果：一是提前设定业务流程的关键节点，由模型执行擅长的特定任务，人工负责审核把关，确保生成结果的质量和风险可控；二是通过外部知识检索增强技术，打造覆盖各业务条线的企业级知识工程，连通互联网搜索获取丰富的实时信息，为大模型提供知识支持。

总体而言，在综合考量投入成本和产出效益的基础上，“大道至简”才是降低幻觉概率和风险的最佳方法。

(2)持续引入新技术架构，增强大模型平台能力

为赋能研发人员快速构建智能应用，广发银行正在打造集智能体和训练推理能力于一体的综合大模型平台。该平台集成提示词、RAG、工作流、插件库、应用接口等功能模块，以低代码等方式，基于统一的平台框架，支持研发和业务人员快速上手，形成便捷易用的智能体应用开发模式。同时，广发银行积极引入多智能体系统(MAS)、模型上下文协议(MCP)等新技术架构，构建端到端任务闭环处理能力，使智能体可动态分析新获取的知识，及时调整策略，提升平台的可扩展性和泛化性，提供一站式智慧解决方案，推动智能应用研发从“小作坊”模式向“流水线”模式升级，满足业务个性化应用和长尾场景工具开发需求，加速“AI+银行”应用场景的落地。

为满足旺盛的AI业务需求，广发银行持续扩大大模型信创算力规模，而智算设备价格昂贵、投入巨大，智能应用的规模化发展往往面临算力资源紧张的制约。因此，精细化管理智能算力的大模型训练推理管理平台成为重点建设方向：一是通过资源池化实现算力的集约化管理和灵活调度；二是建立算力统筹机制，制定规范的申请分配流程，做好推理集群资源的精细化管理，提升算力资源利用率；三是完善企业模型评估规范，实现大小参数开源大模型的快速引入和经济性适配。

在AI时代，数据工程与知识工程是驱动企业数字化、智能化转型的两大核心动力，为大模型的微调训练和应用等提供高质量的场景数据和知识库。

广发银行数据工程以提升数据质量为牵引、以深化数据应用为目的，基于大数据平台持续丰富和完善行内外数据，并结合监管要求和行业趋势，大力推进数据治理工作，为大模型提供高质量数据资源，形成数据价值循环链条。

广发银行知识工程的规划建设以企业知识逻辑架构为核心，涵盖金融通识、企业融合知识及业务领域知识，基于业务应用场景建设企业知识库产品。其中，企业融合知识以融合认知方式实现跨领域知识的融合与获取；业务领域知识按部门和专业门类进行组织、存储、权限划分及应用，实现知识歧义消除及领域精细化管理。

在AI人才体系建设方面，广发银行根据全行不同需求和受众，构建三层AI人才体系，分层分类推进：在全行通识层面，面向全体员工推广智能办公工具，整合行内外信息入口，完善企业知识体系，并开展大模型使用技能培训，助力全员快速掌握和便捷使用，提升日常办公效率；在业务条线层面，以岗位业务提升为目标，组建“AI中心”统筹业务需求与解决方案，推动业务与科技深度融合，并组建大模型“先锋队”挖掘业务场景，从应用价值、技术可行性和数据基础等方面综合评估场景价值，推动业务创新；在核心技术层面，组建人工智能实验室，打造掌握大模型核心技术的团队，深入研究平台、算法及应用的关键技术，提升各个应用研发团队的大模型业务场景开发能力，熟练使用大模型研发工具，在方案设计、项目管理、开发测试、上线运维及安全管理等环节实现高效运作，推动软件产品高质量交付，为业务发展提供强劲支撑。

在AI人才培养方式方面，广发银行采取外部引进与内部培养相结合的策略。一方面积极引进具有丰富人工智能技术经验的中高端人才，充实技术人才资源储备；另一方面通过定期组织“人工智能日”活动，开展人工智能技术培训课程、竞赛活动以及实验室技术交流活动，打造内部社区、订阅号、交流群等传播媒介，帮助全员快速掌握最新技术和工具，持续提升应用能力，形成浓厚的技术氛围。

大模型技术既是银行业智能化发展的“加速器”，也是“试金石”。广发银行将在探索与务实中锚定航向，通过加大投入、优化机制、深化合作，持续拓展人工智能技术应用的广度和深度，为智能化转型注入强劲动力。

一是紧跟行业趋势，加大技术研发投入。重点加强在大模型开发、算法优化、工具平台建设等领域的投入，加快智能体平台建设，完善技术开发生态，提升科技与业务人员的智能应用孵化效率，增强自主创新能力；同时，持续夯实算力基础设施，优化算力资源布局，提升算力使用效率。

二是聚焦核心场景，完善人工智能赋能路径。围绕智能助手建设，打造覆盖全员的通用办公助手，以及契合信贷、营销、客服、风控、研发等岗位的专属助手，实现多任务、全流程、端到端的岗位工作覆盖，推动大模型能力深度融入全行各业务领域。

三是推动内部转型，优化管理机制与流程。探索新形势下的组织协作机制，统筹人工智能技术在各业务领域的应用，深化技术与业务融合，持续提升技术应用转化效率，不断丰富创新成果。

四是强化风险防控，注重数据安全和隐私保护。加强数据安全防护，确保用户数据在采集、存储、处理等环节的安全可控；同时，加强模型安全技术研究，确保人工智能应用的安全性、可靠性和合规性。

五是加强外部合作，共建开放创新生态。积极与头部科技企业、高校及研究机构开展合作，引入前沿理念和技术成果，推动人工智能技术的联合研发与应用落地。

未来，广发银行将继续秉持金融为民的初心，持续推动大模型成为贯穿前中后台的智能顾问，打造更多业务领域的数字员工，积极建设以人工智能技术为核心驱动力的智慧银行。

本文刊于《中国金融电脑》2025年第5期