企业官网建设流程全解析

金融信贷这个行业，表面上看是资金生意，骨子里其实是风险生意。我在消费金融和银行零售信贷条线摸爬滚打这些年，见过太多团队在"审批效率"和"不良率"之间反复横跳——放宽一点，坏账飙升；收紧一点，获客成本压不住。最近半年我把不少精力放在用华为云智果 AgentArts 搭建金融信贷 AI 智能体上，从贷前资料核验到贷中风险预警再到贷后催收话术生成，跑通了几条完整的链路。这篇就把我踩过的坑、验证过的配置、以及那些文档里不会写的经验，一次性摊开讲清楚。

1. 为什么金融信贷场景值得单独搭一个智能体

1.1 信贷业务链条里，哪些环节最"吃"智能体

先说结论：不是所有信贷环节都适合上智能体。我见过有团队一上来就想做一个"全能信贷助手"，结果做出来的东西四不像，业务方用两天就扔了。真正值得投入的，是那些高频、规则密集、但又需要一定语义理解的环节。

贷前阶段，最典型的是资料核验与反欺诈初筛。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，有的是扫描件，有的是手机拍照，还有的是PDF加密文件。传统OCR只能做字段提取，但"这张流水单的进账是否呈现工资特征""这份收入证明的公章位置是否异常"这类判断，需要智能体结合规则库做推理。

贷中阶段，风险预警和额度调整建议是重头戏。一个客户今天突然在三个平台同时申请贷款，或者他的还款账户余额连续三天低于月供，这些信号单独看都不致命，但组合起来就是风险前兆。智能体在这里的价值是把分散的信号聚合成可解释的风险提示，而不是简单抛一个分数给风控经理。

贷后阶段，催收话术生成和还款意愿识别是我实测下来ROI最高的场景。不同逾期天数、不同客户画像，话术策略完全不同。M1阶段的客户可能只是忘了，一句提醒就够；M3以上的客户需要施压，但措辞必须合规，不能踩红线。智能体可以根据客户历史交互记录，动态生成既有效又合规的话术。

1.2 华为云智果 AgentArts 在这个场景里的定位

AgentArts 本质上是一个智能体编排平台，它把大模型的推理能力、工具调用能力、知识库检索能力封装成可配置的组件。对金融信贷场景来说，它解决的核心问题是：让业务人员能参与智能体的调优，而不是所有改动都排队等研发。

我举个实际例子。风控策略里有一条规则是"近三个月查询次数超过6次且无放款记录，标记为高风险"。这条规则以前写在代码里，改一次要走完整的发版流程。用 AgentArts 之后，我把这条规则做成知识库里的一个条目，风控经理自己就能在后台调整阈值，智能体实时生效。这个变化看起来小，但在业务节奏快的信贷公司，意味着策略迭代周期从两周缩短到半天。

另一个关键点是 AgentArts 的工作流编排能力。信贷审批不是单轮对话，而是一个多步骤的决策链：先核验身份，再查征信，再跑反欺诈规则，最后综合评分。AgentArts 允许我把这些步骤串成可视化的工作流，每个节点可以独立配置模型、提示词和工具，出了问题能快速定位是哪个环节的偏差。

1.3 一个必须先想清楚的问题：智能体替谁做决定

这是我在项目启动会上一定会问业务方的问题。金融信贷是强监管领域，智能体可以辅助决策，但不能替代决策，至少现阶段不行。我的做法是把智能体的输出定位为"建议+依据"，最终审批权保留在人工手里。

具体到配置上，我会在智能体的系统提示词里明确写：你是一个信贷风险辅助分析助手，你的输出是分析建议，不构成最终审批结论。所有涉及拒绝、降额、冻结的建议，必须附带至少三条可追溯的数据依据。这个约束看起来是合规要求，实际上也提升了业务方对智能体的信任度——他们能看到"为什么"，而不是一个黑盒结论。

2. 用 AgentArts 搭建信贷智能体的核心配置拆解

2.1 知识库的切分策略：别把制度文件整篇塞进去

我见过最常见的错误，就是把公司的信贷政策制度PDF直接上传到知识库，然后指望智能体自己找到相关条款。实测下来，这样做的检索准确率惨不忍睹。原因很简单：一份制度文件动辄几十页，切分粒度太粗，检索出来的片段往往包含大量无关信息，模型容易被干扰。

我的做法是按"决策点"切分。比如《个人消费贷款审批细则》里关于收入认定的部分，我会拆成独立条目："工资收入认定标准""奖金收入认定标准""经营收入认定标准""收入证明异常情形"。每个条目控制在300到500字，包含具体的数值阈值和例外情况。

切分的时候有个技巧：在每条知识的前面加上"适用场景"标签。比如"适用场景：客户提供银行流水但无代发工资标记时使用"。这个标签会参与向量检索，能显著提升召回的相关性。我实测过，加了场景标签之后，知识库检索的准确率从大概六成提升到八成五以上。

另外，信贷政策经常更新，知识库的版本管理必须做好。AgentArts 支持知识库的多版本管理，我的习惯是每次政策调整后新建一个版本，保留旧版本至少一个季度。这样万一新版本出了问题，能快速回滚，也方便对比新旧策略的差异。

2.2 工具调用的编排：哪些能力必须外挂

大模型本身的能力有限，信贷场景需要的很多能力必须通过工具调用实现。我在项目里配置了这几类工具：

第一类是征信查询接口。这个不用多说，智能体需要根据客户授权去拉取征信报告，然后解析关键字段。这里要注意的是接口的幂等性设计，避免重复查询导致征信记录被多次硬查询。

第二类是规则引擎。有些硬性规则不适合让模型判断，比如"年龄必须在22到55岁之间""当前逾期天数超过90天直接拒绝"。这些规则我封装成独立的规则引擎工具，智能体调用后直接返回布尔结果，不经过模型推理。这样做的好处是确定性高、可审计，监管检查的时候能清楚说明每条拒绝理由的来源。

第三类是计算工具。信贷审批涉及大量计算：负债收入比、月供收入比、综合评分。这些计算必须精确，不能让模型"心算"。我把计算公式封装成工具，模型只负责提取参数和调用，计算结果由代码保证。

第四类是话术模板库。贷后催收场景用得多，不同逾期阶段、不同客户类型对应不同话术模板。智能体根据客户画像选择模板，再根据具体情境做微调。

这里有个坑要提醒：工具调用的超时设置很关键。征信接口有时候响应慢，如果超时设置太短，智能体会反复重试，既浪费资源又可能触发接口限流。我的经验是把征信查询的超时设到15秒，同时配置最多两次重试，重试间隔3秒。

2.3 提示词工程：把风控逻辑翻译成模型能懂的话

提示词是智能体的灵魂，信贷场景的提示词尤其讲究。我的提示词结构一般分四层：

第一层是角色定义。不要只写"你是一个信贷助手"，要写清楚具体职责边界。比如："你是一名消费信贷贷前审核辅助分析员，负责根据客户提交的资料和征信数据，识别潜在风险点并给出审核建议。你不做最终审批决定，你的输出仅供人工审核参考。"

第二层是分析框架。把风控经理的思考逻辑显性化。我会写："分析时请按以下顺序进行：第一步，核验身份信息一致性；第二步，评估收入稳定性；第三步，检查负债水平；第四步，识别异常申请行为；第五步，综合给出风险等级建议。"

第三层是输出格式约束。信贷场景要求输出结构化，方便后续系统处理。我会指定JSON格式，包含风险等级、风险点列表、建议措施、依据来源等字段。

第四层是合规红线。明确写出不能做的事："不得基于性别、地域、民族等非相关因素给出差异化建议""不得使用歧视性语言""所有拒绝建议必须附带具体数据依据"。

实测下来，这四层结构能把智能体输出的可用率从不到五成提升到八成以上。特别是分析框架那一层，相当于把资深风控经理的思维过程教给了模型，效果立竿见影。

2.4 多轮对话的状态管理：信贷审批不是一问一答

信贷审批流程往往需要多轮交互。客户可能先提交了部分资料，审核员追问后再补充；或者智能体发现某个疑点，需要审核员确认后再继续。AgentArts 的会话管理能力在这里很重要。

我的配置是每个申请单对应一个独立的会话上下文，会话里维护几个关键状态：已收集资料清单、待确认疑点列表、当前审批阶段、历史交互记录。这样即使用户中途离开，下次回来还能接着上次的进度继续。

有个细节值得注意：会话上下文的长度要控制。信贷审批可能涉及几十轮交互，如果把所有历史都塞进上下文，token消耗会很大，而且模型容易被早期信息干扰。我的做法是只保留最近五轮完整对话，更早的交互压缩成摘要形式保留关键结论。

3. 贷前资料核验智能体的完整落地过程

3.1 从一份银行流水说起：智能体到底要看什么

银行流水是贷前审核的核心材料，但很多人不知道的是，同样一份流水，不同审核员关注的点差异很大。我访谈过十几个资深审核员，把他们的关注点归纳成几类：

• 收入真实性：进账是否呈现规律性？是否有明确的"工资""代发"标记？进账方是否与客户声称的雇主一致？
• 流水稳定性：近六个月月均进账是多少？波动幅度多大？有没有突然的大额进账？
• 负债痕迹：是否有固定的还款扣款记录？扣款金额和频率是否暗示了其他贷款？
• 异常信号：是否有当天进当天出的"过桥"资金？是否有与客户身份不符的大额交易？

这些关注点就是智能体提示词里"分析框架"的来源。我把它们写成具体的检查项，让模型逐项分析并给出结论。

3.2 资料解析的工程细节：OCR之后还有大量工作

AgentArts 本身不直接做OCR，但可以调用OCR工具。我的流程是：客户上传资料后，先调用OCR提取文本和版面信息，然后把OCR结果连同原始图片一起交给智能体分析。

这里有个关键细节：OCR结果必须保留置信度信息。有些字段OCR识别置信度低，比如手写签名、模糊的公章，这些地方智能体要特别标注出来提醒人工复核。我在提示词里明确写："对于OCR置信度低于0.8的字段，请在输出中标注'需人工复核'。"

另一个细节是多页资料的关联。一份完整的银行流水可能十几页，OCR是逐页处理的，但智能体需要跨页关联信息。我的做法是在OCR结果里保留页码和版面坐标，提示词里告诉模型"同一笔交易的借贷信息可能分布在相邻页面，请结合上下文判断"。

实测中我还发现，不同银行的流水格式差异极大。有的银行流水是表格形式，OCR效果好；有的是文本流形式，OCR容易串行。针对这个问题，我在知识库里维护了一份"各银行流水格式特征"的文档，智能体分析前先识别银行类型，再选择对应的解析策略。

3.3 反欺诈规则的智能体化改造

传统反欺诈靠规则引擎，但规则引擎的问题是只能处理结构化信号，对非结构化信息无能为力。比如"客户提供的收入证明公章模糊"这种信号，规则引擎处理不了，但智能体可以。

我把反欺诈规则分成两类：硬规则和软规则。硬规则仍然走规则引擎，比如"身份证号与姓名不匹配直接拒绝"。软规则交给智能体，比如"收入证明的公章位置偏移超过正常范围，建议人工复核"。

软规则的提示词写法很讲究。不能写得太绝对，否则误报率高；也不能太模糊，否则没有指导意义。我的写法是给出具体的判断标准和置信度分级。比如："如果公章边缘模糊但整体轮廓可辨，标记为低风险疑点；如果公章完全无法辨认或明显为PS痕迹，标记为高风险疑点。"

这里分享一个实测数据：纯规则引擎的反欺诈误报率大概在15%左右，加入智能体软规则分析后，误报率降到8%以下，同时漏报率没有明显上升。这个提升主要来自智能体对非结构化信号的识别能力。

3.4 人工复核环节的交互设计

智能体的输出最终要交给人工复核，这个交互界面的设计直接影响使用体验。我的经验是：智能体的输出要"可追溯、可操作、可反馈"。

可追溯是指每个风险点都要能点开看到原始依据。比如智能体说"流水显示近三个月有两笔当天进当天出的资金"，审核员点击后应该直接跳转到流水对应位置，高亮显示那两笔交易。

可操作是指智能体给出的建议要具体。不要只说"建议进一步核实收入"，要说"建议要求客户补充近六个月个税缴纳记录，或提供劳动合同"。

可反馈是指审核员能对智能体的判断做标注。这个反馈数据非常宝贵，是后续优化提示词和知识库的依据。我在系统里加了一个简单的"采纳/不采纳/部分采纳"按钮，每周统计一次，针对不采纳率高的场景做专项优化。

4. 贷中风险预警与贷后催收的智能体实践

4.1 贷中预警：从"事后发现"到"事前提示"

贷中风险预警的核心挑战是信号稀疏且分散。一个客户可能今天改了一次手机号，明天换了一张还款卡，后天在另一个平台申请了贷款。这些信号单独看都不严重，但组合起来就是风险前兆。

我用 AgentArts 搭了一个预警智能体，它的工作流程是：每天定时拉取客户的各类信号（还款行为、账户变动、外部查询记录等），然后让智能体做综合分析，输出风险等级和预警理由。

提示词里我特别强调了一点："不要孤立地看待每个信号，要分析信号之间的关联性。"比如客户同时出现"还款账户余额下降"和"新增外部查询记录"，这两个信号叠加的风险等级应该高于单独出现。

预警智能体的输出我设置了三个等级：绿色（正常）、黄色（关注）、红色（预警）。黄色和红色会推送给对应的客户经理，绿色只记录不推送。这个分级机制很重要，否则客户经理每天收到几百条预警，很快就会忽略。

实测下来，预警智能体的准确率大概在七成左右，也就是说十条红色预警里有七条确实是风险客户。这个准确率不算完美，但比纯规则引擎的五成准确率已经好很多。而且智能体的预警理由更详细，客户经理能快速判断是否需要介入。

4.2 催收话术生成：合规与效果的平衡

催收话术是智能体在信贷场景里最"出彩"的应用，也是最容易踩坑的地方。踩坑的点在于：模型很容易生成过度施压的话术，触碰合规红线。

我的做法是在提示词里设置硬性约束："禁止使用威胁、恐吓、侮辱性语言""禁止提及客户家人、朋友、同事""禁止暗示将采取法律手段以外的强制措施""所有话术必须包含明确的还款指引"。

同时，我维护了一个合规话术模板库，智能体生成的话术必须与模板库的风格一致。如果模型生成的话术与模板库差异过大，系统会自动拦截并提示重新生成。

效果方面，我做过一个对比测试：同一批逾期客户，一半用人工话术，一半用智能体生成的话术。结果智能体话术的还款转化率比人工话术高约12个百分点。分析原因，主要是智能体话术更"个性化"——它会根据客户的历史交互记录调整措辞，比如对之前态度好的客户用温和提醒，对多次失联的客户用更正式的通知口吻。

4.3 还款意愿识别：从对话中提取信号

还款意愿识别是催收场景的进阶应用。客户在对话中的措辞、语气、承诺具体程度，都暗示了还款意愿。智能体可以实时分析这些信号，给催收员提示。

我配置的识别维度包括：客户是否主动询问还款方式（高意愿）、是否承诺具体还款日期（中高意愿）、是否只说"知道了"但不给具体时间（中意愿）、是否直接挂断或辱骂（低意愿）。

这些信号会实时显示在催收员的工作界面上，帮助催收员调整策略。比如识别到高意愿客户，催收员就重点提供还款便利；识别到低意愿客户，催收员就准备升级处理流程。

这里有个伦理边界要注意：还款意愿识别不能用于歧视性对待。我在系统里明确禁止将识别结果用于"决定是否采取过激催收手段"，只用于"调整沟通策略"。

5. 实测中踩过的坑与优化经验

5.1 模型幻觉在信贷场景的致命性

大模型的幻觉问题在信贷场景是致命的。我遇到过智能体"编造"征信记录的情况——客户征信报告里明明没有某笔贷款，智能体却在分析里提到了。这种错误如果没被发现，可能导致错误的审批结论。

我的应对措施有三层：第一层是关键数据强制引用来源。提示词里要求智能体在提到任何具体数据时，必须标注数据来源（如"征信报告第2页第3段"）。第二层是交叉验证。对于智能体提取的关键字段，系统会自动与OCR原始结果比对，不一致时触发人工复核。第三层是定期审计。每周随机抽取一定比例的智能体输出做人工复核，统计幻觉率。

实测下来，这三层措施能把幻觉导致的实际错误率控制在千分之一以下。但要注意，完全消除幻觉目前不现实，关键是建立发现和纠正机制。

5.2 知识库更新滞后导致的策略偏差

信贷政策更新频繁，知识库如果更新不及时，智能体会给出过时的建议。我踩过一次坑：公司调整了某类客户的收入认定标准，但知识库没同步更新，智能体连续三天按旧标准审核，导致一批本该通过的客户被拒。

后来我建立了一个知识库变更管理流程：政策调整后，由政策制定部门在系统里提交变更申请，风控和合规部门会签，然后由我这边更新知识库并做回归测试。整个流程控制在24小时内完成。

另外，我在智能体的输出里加了一个"策略版本号"字段，每次知识库更新后版本号递增。这样如果发现某批审批有问题，能快速定位是哪个版本的知识库导致的。

5.3 工具调用失败的降级策略

工具调用失败是常态，征信接口超时、规则引擎报错、计算服务不可用，这些都会发生。关键是失败后的降级策略要明确。

我的配置是：征信查询失败时，智能体不继续分析，直接输出"征信数据获取失败，请人工处理"。规则引擎失败时，智能体跳过规则判断，但标注"规则校验未完成"。计算工具失败时，智能体给出计算所需的参数，由人工完成计算。

降级策略的核心原则是：宁可少做，不可做错。信贷场景里，一个错误的自动结论比没有结论更危险。

5.4 业务人员的接受度曲线

技术团队容易忽略的一点是：智能体最终是给业务人员用的，他们的接受度决定了项目成败。我观察到的接受度曲线大概分三个阶段：

第一阶段是好奇期，业务人员愿意试用，但期望值可能过高，以为智能体能解决所有问题。这个阶段要主动管理预期，明确智能体的能力边界。

第二阶段是质疑期，试用一段时间后遇到误报或漏报，业务人员开始不信任。这个阶段要快速响应反馈，针对高频问题做优化，用实际改进重建信任。

第三阶段是融合期，业务人员逐渐摸清智能体的脾气，知道什么场景该信、什么场景该自己判断。这个阶段要建立常态化的反馈机制，让优化持续进行。

我的经验是，整个曲线走完大概需要两到三个月。期间最重要的是快速响应，业务人员提的问题如果一周内没有反馈，信任度会急剧下降。

6. 关于智能体在信贷场景的边界思考

6.1 哪些决策永远不该交给智能体

做了这么多项目，我越来越清楚一件事：智能体在信贷场景的价值是放大优秀审核员的能力，而不是替代他们。有几类决策我坚持不交给智能体：

第一类是涉及重大金额的审批。比如单笔超过一定额度的贷款，必须人工审批。智能体可以做前期分析，但最终决定必须由人做。

第二类是涉及特殊客群的审批。比如老年客户、残障客户、特殊职业客户，这些客群的风险特征复杂，智能体的训练数据可能不足，容易产生偏差。

第三类是涉及政策模糊地带的审批。政策不可能覆盖所有情况，遇到模糊地带，需要人的判断和担当，智能体给不出这种判断。

6.2 可解释性不是可选项，是必选项

金融监管对可解释性的要求越来越高。智能体的每个输出，都必须能回答"为什么"。我在项目里坚持几个原则：

每个风险点必须关联具体数据。不能只说"综合评分低"，要说"综合评分低，主要因为近三个月查询次数6次（超过阈值5次）、当前负债收入比65%（超过阈值60%）"。

每个建议必须关联具体规则。不能只说"建议拒绝"，要说"建议拒绝，依据《个人消费贷款审批细则》第3.2条关于查询次数的规定"。

每个结论必须可复现。同样的输入，智能体应该给出同样的输出。我通过固定随机种子、记录完整提示词和工具调用日志来实现这一点。

6.3 人机协作的最佳比例

最后分享一个我一直在思考的问题：人机协作的最佳比例是多少？我的观察是，智能体处理70%到80%的常规案例，人工处理20%到30%的复杂案例，这个比例下效率和质量的平衡最好。

低于这个比例，智能体的价值没充分发挥；高于这个比例，人工复核的压力太大，容易流于形式。当然这个比例因机构而异，风控能力强的机构可以适当提高智能体处理比例，风控能力弱的机构应该降低。

我在实际项目里会持续监控几个指标：智能体自动通过率、人工复核推翻率、不良率变化。这三个指标结合起来看，能判断当前的人机比例是否合适。如果自动通过率高但不良率上升，说明智能体太激进；如果人工推翻率高，说明智能体的判断标准与人工差异太大，需要校准。

这套东西我还在持续迭代，信贷场景的智能体应用远没有到成熟阶段。但有一点我越来越确信：智能体的价值不在于它多聪明，而在于它多稳定、多可解释、多可管理。在金融这个容错率极低的行业，稳定和可控比聪明重要得多。