企业官网建设流程全解析

从去年开始，我一直在琢磨怎么把大模型真正塞进金融信贷业务流程里，而不是只做一个能聊天的Demo。市面上客服机器人、智能问答一堆，可真到了信贷进件、材料预审、额度试算、贷后提醒这些环节，大多数模型应用就歇菜了。最近我把华为云智果 AgentArts 拉出来做了一轮深度实践，发现这类AI智能体平台的价值在于：它让大模型从一个“会说话的人”变成了“会干事的人”。这篇学习笔记会从业务痛点、智能体设计、平台实操、工程化排障四个维度展开，适合正在做信贷系统集成的工程师，也适合金融业务侧想了解智能体能解决什么问题的朋友。

1. 信贷业务痛点与AI智能体的落地方向

1.1 信贷全链路里到底哪里最痛

信贷业务流程可以拆成获客、进件、审批、签约、放款、贷后几个阶段。每个阶段都有大量重复性、规则性的工作，这些工作恰恰是智能体能发力的地方。

先说最简单的咨询环节。我在银行项目里见过真实数据：客服中心每天接进来的电话，接近四成是重复问题，“我能贷多少”“利率是多少”“需要准备什么材料”，这些话术完全可以由智能体前置承接。再看进件环节，客户提交的身份证、营业执照、银行流水，样式五花八门，人工录入和核对成本极高。审批环节更不用说，客户经理要对着征信报告、财报、流水逐项看，很多判断依赖个人经验，容易漏掉风险点。贷后管理也有痛点，还款提醒、逾期催收、结清证明这些事务性工作量大且紧急程度不高，但占据了不少人力。

这些痛点的共性是什么？信息处理量大、规则相对明确、重复度高，同时又需要结合上下文完成多步操作。传统自动化脚本只能处理固定表单，纯大模型问答又不懂业务流程，所以需要智能体来解决“既要理解语义，又要执行动作”的问题。

1.2 智能体和普通问答机器人不是一回事

很多朋友会问，我用大模型API接一个客服机器人不就行了，为什么还要搞AgentArts这种智能体平台？

区别在于决策和行动。问答机器人本质是一个“检索+生成”的封闭系统，用户问一句，它去知识库里找答案，然后生成回复。但信贷场景里有大量任务是分步骤的，比如“客户说想贷款，智能体需要先确认贷款类型，再判断需要哪些材料，接着调用OCR识别证件，校验材料是否齐全，最后调用额度试算接口”。这不是一次问答能完成的，需要智能体具备记忆、规划、工具调用和分支处理能力。

我用一个类比：问答机器人是给你递菜单的服务员，智能体是能帮你点菜、协调后厨、处理结账的大堂经理。AgentArts这类平台把大模型、知识库、工作流、API工具组合在一起，让智能体可以“想一下、查一下、调一个接口、再回答”，这才是信贷场景真正需要的形态。

1.3 平台核心能力快速画像：四件套

从我使用华为云智果AgentArts的体验来看，智能体构建主要围绕四块能力展开：

这四个模块不是孤立的。知识库负责“知道”，模型负责“理解”，工作流负责“安排”，工具负责“执行”。智能体的可靠性就来自于这四者之间的协同，而不是某一个大模型单独有多强。

我见过不少团队把大模型包装一下就当智能体用，结果遇到需要调系统接口的环节就卡住。原因是没有把“工具调用”作为一等公民来设计。在AgentArts里，工具是跟模型平级的存在，模型只负责生成决策，真正干活的是工具节点。这个设计理念，我认为是智能体能落地的关键。

2. 金融信贷智能体的核心设计拆解

2.1 先想清楚意图，再动手搭智能体

信贷场景的对话看似自由，其实可以大致划分成几个稳定的意图类别。我在搭建时习惯先列一张意图清单，让后面所有配置都有依据。

• 产品咨询：询问额度、利率、期限、还款方式、申请条件等。
• 进件申请：想要申请贷款，需要引导填写基础信息、上传材料。
• 进度查询：我的贷款批到哪一步了，为什么还没通过。
• 材料补充：上传了什么材料、缺什么、格式不正确怎么办。
• 贷后服务：还款日查询、提前还款、结清证明、还款记录。

每个意图背后对应不同的处理策略。产品咨询类意图走知识库检索，回答时以产品手册为准；进件申请类意图要启动一个工作流，涉及多轮对话确认信息；进度查询类意图要调用查询接口。如果一开始不划分意图，把所有问题都丢给大模型自由发挥，后面一定会出现“答非所问”和“乱承诺”的情况。

划分意图还有一个衍生作用：可以做流程分级。比如用户随便问一句“利率多少”不需要进入正式流程，但用户说“我要借钱”，就触发进件流程。这个分级可以通过每个意图节点的触发条件来实现，不需要单独写代码。

2.2 信贷知识库的构建不只是“扔文档进去”

很多人以为把产品手册和规章制度上传到知识库就完事了，实际上RAG的检索质量决定智能体的上限。信贷场景的知识库有几个特别要注意的地方。

分片策略。我建议按文档原有的标题层级和段落边界来切片，而不是简单按固定字数切。固定字数切片会把“贷款对象”和“贷款用途”切到两个片段里，检索的时候容易丢上下文。AgentArts里可以选择“结构化切分”或“智能切分”，我实际测试下来，按标题层级切分的召回准确率明显更高。

版本管理。信贷政策、产品利率变化频繁，知识库里容易同时存在旧版和新版内容。我给知识文档强制加“生效日期”“版本号”字段，在检索时把“生效日期”作为过滤条件。这个细节很重要，不然客户问“现在的利率是多少”，智能体可能检索到三个月前的旧政策。

脱敏与权限。知识库里一定不要放包含真实客户身份证号、手机号的文档。即使内部测试环境，也要用脱敏数据。同时，不同角色看到的知识范围应该不同，但这通常是知识库权限体系的事，AgentArts可以通过“知识库归属”和“访问身份”来控制。

再提一个容易被忽略的点：知识库不是一劳永逸的。信贷产品调整后，旧文档要归档，新文档要重新向量化。我建议每次知识库更新后跑一遍“回归测试”，用固定问题集检查智能体的回答是否跟着变了。这个习惯能避免很多上线事故。

2.3 工具调用与外部系统集成是重中之重

智能体真正值钱的地方在于能调用信贷系统里的接口。我在AgentArts里把这些能力封装成“工具”，每个工具都有名字、描述、入参、出参。描述写得越清晰，模型越知道什么时候该调用这个工具。

典型工具有：

• 客户信息查询：根据客户编号查基本信息。
• 征信摘要解析：解析脱敏后的征信报告，提取逾期记录、负债率等。
• 身份证OCR识别：识别证件图片中的关键字段。
• 额度试算：根据客户收入、负债、抵押物等参数返回预授信区间。
• 审批进度查询：查当前节点和处理人。
• 还款计划生成：根据贷款金额、利率、期限生成还款计划表。

工具调用设计有三个坑。第一个坑是接口超时。我在测试时发现，额度试算接口偶尔会超过3秒，导致智能体以为自己调用失败，直接回复“暂时无法查询”。解决方案是在工具节点上设置超时时间，超时后走“重试一次仍失败则转人工”的分支。第二个坑是参数校验。模型从对话中抽取“客户编号”“收入金额”时可能抽错，工具入参缺失时不能盲目调用。可以在工具前加一个“参数补齐”节点，缺哪个参数就问哪个。第三个坑是鉴权。金融系统接口通常需要token或签名，千万不要让模型直接接触敏感密钥。AgentArts的鉴权配置可以做到密钥只存在服务端，模型只传业务参数，这个一定要用上。

2.4 多模态能力怎么用进信贷预审

信贷材料里有大量图片和PDF，比如身份证照片、营业执照扫描件、银行流水截图、财报PDF。如果智能体只能读纯文本，这些材料就只能走人工。好在现在的大模型很多支持多模态输入，AgentArts里也可以接入多模态模型做材料初审。

我试过的典型流程是：用户上传一张身份证图片，先调用专用OCR服务提取字段，再用多模态大模型做“图像是否清晰、是否存在翻拍痕迹、证件是否过期”的简单判断。OCR负责高精度的字段识别，多模态模型负责模糊判断，两者配合比只用一种效果好很多。

多模态模型也可以解析银行流水PDF。把流水PDF转成图片后，让模型提取“月均收入”“主要支出”“异常大额进出账”等信息，再结合额度试算规则给出预审结论。需要提醒的是，多模态模型的解析结果不能作为最终审批依据，只能作为预审参考，必须保留人工复核环节。

模型选择上不要盲目追求最新最大。信贷场景对延迟和稳定性敏感，我更倾向于选择“中档模型+规则校验”的组合。模型输出“月收入大概2万”这种带模糊性的结果，规则引擎再根据“交易流水统计”修正为精确值，这样既省成本又可靠。

3. 实操过程：从零搭建一个信贷资料预审智能体

3.1 创建智能体：先定人设和边界

在AgentArts里创建一个智能体项目后，第一步不是写提示词，而是定“系统角色”。我给这个信贷智能体定义的角色是“信贷业务助手”，强调它是“辅助客户完成申请和材料提交”的角色，而不是“审批决策者”。

系统提示词里我明确写了三条边界：第一，不承诺贷款结果，所有额度、利率以系统试算或人工审批为准；第二，不收集与贷款无关的个人隐私信息；第三，遇到无法确定的问题，主动建议转人工。这三条边界在后面的测试中帮我减少了很多合规风险。

模型选择方面，我配置了一个主模型用于日常对话，又配置了一个审核模型用于对智能体的输出做敏感信息过滤。审核模型的职责不是理解业务，而是检查回复里有没有“保过”“必批”“最低利率”这类敏感承诺，一旦发现就拦截并改写。这种“生成+审核”的双模型架构，在金融场景里非常值得采用。

3.2 配置知识库并调整检索参数

我把信贷产品手册、常见问题FAQ、材料清单说明三类文档上传到知识库。产品手册按“贷款类型”分成不同文档，每个文档内部保留原章节结构。FAQ文档我做了手工整理，一个问题一条记录，方便精确匹配。

检索参数我做了几轮调试。topK初始是5，但发现返回的片段太多，模型容易把不相关的内容也组织进回答。后来调成3，配合相似度阈值0.7，效果明显稳定。这里说的阈值要根据实际测试调整，不能照搬别人的数，因为不同知识库的向量分布差异很大。

有一个实用的调试动作：每调整一次参数，用同样20个问题去问智能体，记录“回答正确”“回答正确但冗余”“错误引用”“无法回答”四类结果。反复几次后，你会找到当前知识库的最优参数组合。这个回归测试集建议长期保留，作为知识库更新后的验收标准。

3.3 编排工作流：以一个完整进件为例

我选“信贷进件资料预审”作为第一个正式工作流，因为它业务流程清晰、数据闭环好、效果容易度量。这个工作流在AgentArts里用可视化编排，节点比代码更直观。

流程设计如下：

1. 入口意图判断：用户表示想申请贷款后，进入进件流程。
2. 信息收集：智能体依次询问贷款类型、申请金额、贷款期限、收入情况。这里不要一次性问完所有字段，信贷客户通常需要边问边解释，所以采用一问一答。
3. 材料上传：提示用户上传身份证、收入证明、银行流水。用户可能只传了一部分，智能体需要检查文件类型和数量。
4. OCR提取：调用身份证OCR工具，提取姓名、证件号、有效期等字段。
5. 流水解析：调用多模态模型解析银行流水，提取收入稳定性和异常交易。
6. 规则校验：用规则节点判断必填项是否齐全、证件是否过期、收入是否满足准入门槛。
7. 分支输出：材料齐全且规则通过，生成“预审通过，已转人工复核”的摘要；材料缺失则列出缺失清单；存在风险项则直接转人工并标注风险等级。

这里最关键的是第6步。规则校验最好用固定代码或规则节点实现，不要让模型自己判断“收入是否达标”。我在测试时发现，让模型根据解析结果“认为”月收入2万就满足条件，实际上不同产品的准入门槛完全不同，所以必须把产品对应的规则表固化在规则节点里，模型只负责抽取字段。

提示词方面，信息收集节点我给了一个模板：“请先确认客户申请的贷款类型，然后分步询问申请金额、期限、收入来源。每收到一个信息都做简短确认，不要一次给出过长的清单。”这样对话节奏会更自然，客户不容易反感。

3.4 测试、调优与兜底话术

工作流编排完，我用真实脱敏数据做了一轮完整测试。开始暴露了不少问题，最有代表性的有三个。

第一个问题是模型会在材料不齐时“脑补”缺失信息。用户只上传了身份证，模型却以为“收入证明也有”。解决方式是在OCR提取和流水解析节点后加一个“字段校验”节点，显式检查所有必填字段是否为空，为空就不允许进入下一节点。

第二个问题是用户用口语提问，比如“我这情况能贷多少”，模型直接回复一个具体额度。这是典型的模型幻觉，我通过提示词约束“没有完成进件流程前，不得给出预估额度”，同时在额度试算工具节点上增加了“必须提供贷款类型和收入数据”的前置条件，两个手段一起才压住了。

第三个问题是流程中途用户突然问“那你们周末上班吗”，如果不做处理，工作流会卡住。我在工作流外围接了一个“离题检测”节点，检测到用户话题偏离当前流程时，先回答他的问题，再询问“我们继续刚才的贷款申请吗”，这个交互细节对用户体验提升很大。

4. 常见问题与工程化落地经验

4.1 高频问题速查表

我在实战中整理了一张问题排查表，分享出来供参考：

表格里的每一项，我都在实际项目中踩过。尤其是“工具调用超时”这条，往往不是智能体的问题，而是上游系统慢。金融系统接口老化很正常，所以一定要把超时视为“预期内情况”，而不是异常情况，在设计工作流时就预留降级分支。

4.2 让智能体更可靠：从ReAct模式到自主容错

我在调研多模态智能体应用案例时，看到不少团队都提到一个思路：让智能体先思考再行动，也就是ReAct模式。简单说，就是模型在回答前先列出“我需要查什么、调用什么工具”，执行完工具后再把结果整合成最终回答。AgentArts的工作流天然支持这种模式，大模型节点可以输出“下一步动作”，工作流根据动作路由到对应工具节点。

可靠AI系统的工程实践里经常讲“自主容错控制”，放到信贷智能体上就是：当工具调用失败或数据异常时，系统要能自行决定降级策略。我设计了一条容错路径：第一次工具调用失败，重试一次；第二次失败，不再重试，而是回复“暂时无法获取数据，请稍后重试或转人工”；同时把失败信息记录到日志中。不要让智能体陷入反复重试的死循环，那只会浪费资源、恶化体验。

容错的另一个方向是输出校验。模型生成的回复在发给用户前，先跑一遍规则引擎，检查是否含有“逾期”“负面结果”等敏感词，以及是否包含未经验证的额度数字。如果校验不通过，就改为通用话术或转人工。把“校验”作为独立的工程节点，而不是依赖模型自觉，是我认为最值得推广的做法。

4.3 上线前的合规自查与权限设计

信贷场景的特殊性决定了我们不能只看效果，还要看合规。我列了一个上线前自查清单，每一次发布都按这个过：

• 是否使用脱敏数据完成所有测试？没有真实客户信息残留。
• 是否配置了人工接管机制？用户能随时要求转人工，系统不强制留AI。
• 是否保留完整的交互日志？包括用户提问、模型中间步骤、工具调用结果、最终回复。
• 是否有敏感词和违规承诺的监控？违规回答能够被拦截并告警。
• 工具密钥是否只存在于服务端？没有把密钥暴露在模型上下文里。

其中人工接管机制尤其重要。就算智能体做得再好，也要在界面上明显展示“转人工”入口，而且转人工时要把当前对话上下文一并传给人工客服。这一条我在项目里反复强调，因为缺少上下文的转人工等于让客户把信息重新说一遍，体验非常差。

权限设计上也值得注意。AgentArts里不同角色可以有不同的可见范围，建议至少区分“管理员”“运营人员”“审计人员”三类角色。管理员能修改工作流和工具，运营人员只能看运营数据，审计人员只能读日志。职责分离在金融场景不是可选项，是必选项。

4.4 从资料预审扩展到更多金融场景

跑通资料预审智能体之后，后面的扩展路径就清晰了。我总结了一条经验：先做“高重复、低决策权重”的场景，再做“有一定决策支持”的场景，最后才考虑辅助决策。

比较稳妥的扩展顺序是：

1. 智能客服与产品咨询，替代重复问答。
2. 进件资料预审，提高材料收集效率。
3. 审批辅助，自动提取征信、财报关键信息，生成摘要供人工参考。
4. 贷后提醒，自动生成还款通知、催收话术。
5. 风险预警，根据合同数据和外部信息快速生成风险信号工单。

每一步都要保持“机器提效、人工决策”的原则。AI智能体可以做信息收集、提取、初步筛选，但最终的风险判断和合规责任一定在人身上。这也是我在金融行业做智能化项目时的底线。

如果你也正在做信贷智能化，我的建议是别一上来就铺大图。找一个像资料预审这样数据闭环完整、业务边界清晰的场景，用华为云智果AgentArts快速搭一个MVP，跑通模型、知识、流程、工具四件套，你就知道后面该往哪走了。很多工程问题，只有真实跑起来才会暴露。