2024年权威AIGC智能问答财富管理实战评测
先看一个行业痛点
居民财富高速增长，证券业的财富管理业务进入黄金发展期。但机遇伴生挑战：用户基数急剧膨胀、金融产品矩阵日趋复杂、业务流程持续拉长、系统孤岛现象严重，一线投顾与客户经理面临巨大的展业压力。在此背景下，AIGC技术开始深度介入财富管理领域，其核心能力在于：基于海量数据的分析与生成能力，输出个性化的文字、音频、图像等内容。在财富管理场景中，这意味着不仅能通过智能化手段处理庞杂数据、为投顾赋能提效，还能凭借智能投顾、精准营销等工具，向客户提供更具个性化、更高频次的高质量服务。
广发证券推出的“财富AI助理”正是针对上述痛点落地的一套围绕财富管理业务全流程的智能化解决方案。其目标是为总部及分支的管理者、投资顾问、客户经理等角色提供全方位、高效能的支持。从行业视角看，它为AIGC在财富管理领域的深化应用树立了一个值得关注的标杆。
接下来，本文将深入分析财富AI助理与Agent平台的对接过程、工作流构建中的关键挑战与应对策略，分享AI智能问答与财富管理业务融合的实战经验。
与智能Agent平台的融合路径
智能Agent平台的核心架构与能力
财富AI助理依托广发证券内部部署的AskXBOT AI Agent平台作为核心架构。该平台以LLM基座为基础，不仅支持单体智能应用的快速搭建，更致力于构建多智能体协作的复杂场景，能够自动化执行并处理各类专业且繁琐的工作任务。作为面向金融领域的智能体平台，AskXBOT在数据积累与模型支撑方面形成了独特优势，为财富管理业务提供了坚实的技术底座。
平台集成多种Agent设计器，配置灵活，上手便捷，且支持自由定制：
智能会话Agent：基础Agent类型，基于LLM复合基座的一问一答模式。核心特点包括灵活的提示词编排、变量管理、上下文维护，以及开场白和推荐问题的个性化配置。
知识检索Agent：通过RAG技术，将大语言模型与知识库深度融合。相比智能会话Agent，增加了知识库Pipeline配置环节。核心组件包括：文档知识库（存储和管理特定业务场景的专业文档，支持智能化分段与检索）和问答知识库（维护预设问题的标准答案，通过相似度匹配实现快速响应）。
数据分析Agent：专注于数据处理与分析。支持接入多种数据源，允许用户通过自然语言查询，快速获取数据洞察，显著提升工作效率。
对话流Agent：平台最具特色的能力。通过可视化方式，基于组件灵活构建完整的对话工作流，确保输出稳定性。同时支持多Agent协同调度，保证对话过程的流畅性与可控性。
财富线智能问答的深度集成实践
在实际业务中，财富线面临的核心挑战：如何在统一的对话界面下，同时支撑财富管理解决方案、金融产品、管理经营数据、投顾业务知识等多样化场景？针对这一难题，广发证券基于AskXBOT平台设计了一套综合解决方案。
整体架构设计：采用“工作流主导+多Agent协作”的架构模式。通过精心设计的意图识别分类器，将用户询问精准路由至对应的专业Agent。该模式既提升了系统可扩展性，也确保了问答质量的稳定可控。
三种核心问答模式的落地：
文档知识库模式——应用场景包括财富管理解决方案问答、投顾资讯服务问答、业务知识问答。技术上基于知识检索Agent，结合RAG技术实现精准答案生成。优势在于答案的专业性与权威性，并支持知识库持续更新。
工作流+API模式——应用场景包括金融产品数据查询、经营数据分析、解决方案数据查询。技术实现借助对话流Agent的多节点能力（LLM节点、Python代码执行节点、条件判断节点等），通过“API数据转义处理+同类API数据整合模式”完成。优势在于实现了与广发证券财富管理平台的深度对接，支持实时数据查询与分析。
问答知识库模式——应用场景主要为预设的解决方案类问题问答。基于预设问答实现快速匹配，响应速度极快，答案准确度极高。
能力扩展与优化：为进一步提升服务能力，财富AI助理还通过引用其他对话流Agent扩展系统功能。例如，集成联网搜索节点，使AI助理具备获取最新市场资讯的能力，为用户提供更全面的信息支持。
通过这种多层次、多模式的融合设计，财富AI助理不仅解决了多场景支持的技术难题，也为后续功能扩展预留了充足空间。从实际效果看，该设计既保证了系统的专业性与可靠性，也提供了优质的用户体验。
智能问答工作流的设计与应用
工作流设计整体规划
基于广发证券财富管理业务的实际需求，财富AI助理的智能问答功能采用多分支工作流方案。当系统接收到用户提问后，首先将问题送入总控意图识别分类器，进行基本场景划分——包括解决方案、金融产品问题、管理经营数据问题和投顾资讯问题等类别。随后，系统通过参数提取器从用户问题中提取隐含参数信息，并通过参数分类器调用相应接口进行更细致的分类。
对于需要采用工作流+API模式处理的问题，系统会通过财富管理平台的API接口调用过程获取问题依赖的数据，然后将这些数据整合到Prompt中，通过大模型生成最终答案。而对于采用文档知识库模式的问题，系统则会先通过分类器定位到对应的知识库，然后进入知识库检索过程，获取与用户问题最相似的知识库内容片段，同样将这些内容放入Prompt中通过大模型生成答案。
API数据转义处理+同类API数据整合模式
在财富AI助理需要解决的智能问答场景中，有很大一部分问题并不依赖知识库文档支撑，而是需要依托广发证券内部财富管理平台的API接口作为数据基座。这类问题需要采用工作流+API模式处理，但在实际操作过程中，实践中发现以下关键难点：
第一，API接口返回的JSON格式数据存在诸多问题。许多接口返回的数据量庞大，但包含大量无效冗余数据。这些冗余数据不仅占用大量问答token，降低问答效率，甚至可能超过本地化部署大模型的token限制。部分JSON数据还存在数组、嵌套等复杂数据结构，增加处理难度。许多JSON数据的返回值与其实际含义之间存在映射关系，如果仅通过描述方式向大模型说明这层关系，不仅会产生额外冗余，还会降低数据理解的准确性。
第二，用户经常提出较为笼统的问题，如“XX金融产品的历史表现”、“XX金融产品怎么样”等。这类问题往往需要整合多个API的数据才能给出完整答案，单一API的数据通常无法满足需求。
在AIGC处理API接口调用的过程中，最常用的解决方案是Function Call模式。其核心在于通过API描述建立大模型对接口的理解——包括API的功能说明、调用参数含义以及返回数据解释等。通过预先设置好这些API描述，大模型能在接收到用户问题后，自主选择需要调用的API并配置相应参数，然后根据API返回的数据结合API描述生成答案。
然而，在对接财富管理平台API的具体场景中，Function Call模式存在明显局限性，难以有效解决上述两个关键难点。对于第一个难点，仅依靠API返回数据的描述很难处理复杂的JSON数据结构，也无法有效清理无效冗余数据；对于第二个难点，从实践经验来看，目前Function Call模式在处理需要多接口调用的场景时，支持效果并不理想。
为解决Function Call模式的不足，财富AI助理创新性地构建了API数据转义处理流程。在这一流程中，API接口的选择和参数配置不再依赖大模型对API描述的理解，而是通过专门设置的LLM分类器和参数提取器实现，从而提高了系统稳定性。在获取API数据后，系统会通过对话流Agent的Python代码执行节点，将API返回的原始数据转换为大模型更容易理解的自然语言表述。这一转义过程不仅能处理返回数据中的冗余部分，还能有效处理JSON嵌套、JSON数组等复杂数据格式。同时，针对涉及映射关系、日期转换等需要二次处理的特殊情况，转义处理工程也设置了专门的处理模块。与传统Function Call模式相比，这种API数据转义处理方式能够让大模型更准确地理解接口返回数据的实际含义，从而生成更准确和高质量的回答。
此外，为更好地解决第二个难点，财富AI助理对财富平台的API接口进行了分类整合，将相关性较强的接口归为一类——例如将“金融产品业绩走势”相关API归为一类，将“金融产品风格评价”相关API归为另一类。当用户提出笼统性问题时，系统会首先判断问题可能涉及的API类别，然后整合相关API的转义文本。这样一来，不仅扩充了大模型的知识储备，还实现了对多数据问题和笼统问题的有效支持，大大拓展了AI问答可支持的问题范围。
分类器和参数提取器
由于财富AI助理需要支持范围广泛、种类繁多的问题，同时在Agent工作流的具体问题解决过程中又需要细分到专门的场景进行“专事专办”式处理，因此系统需要对用户问题进行精确且细致的意图识别。为此，系统专门设计了多种分类器和参数提取器来完成这一任务。
分类器分为两大类：基于LLM的意图识别分类器和基于具体参数的参数分类器。意图识别分类器通过对话流Agent的LLM节点构建，主要依靠大模型对用户问题进行具体的意图判断和场景划分。因此，分类器设计的关键在于精心设计的Prompt提示词。在构建意图识别分类器时，提示词工程遵循以下结构：角色定义——明确告知大模型当前作为分类器的任务角色和分类目标；场景具体描述——详细说明每个待分类场景的具体情况和特点；回答格式说明——明确规定回答的具体内容和格式，这对于确保工作流的稳定性和可控性至关重要；注意事项——说明分类过程中可能遇到的特殊情况；分类举例——根据前述回答格式提供具体的问答示例。
通过这种结构化的提示词工程设计，意图识别分类器能够准确理解自身角色并给出符合要求的格式化答案。在财富AI助理的工作流设计中，分类器采用“总分-细分”的层级结构。用户问题首先会进入总控意图识别分类器，对大的场景（如解决方案、金融产品问题、管理经营数据问题、投顾资讯问题等）进行分类。随后再对具体场景进行细分，例如在经营数据场景下，还需要进一步细分为销售天眼的数据、保有分析的数据等具体类别。
参数分类器则主要依靠通过API调用或参数提取器获取的参数，将这些参数传入指定的API接口，根据接口返回的特定字段数据，通过对话流Agent中的条件判断节点进行划分。参数分类器主要用于问题的进一步细分场景，例如在处理财富线金融产品的问题时，需要区分公募基金和私募基金等具体情况，这时就需要调用财富管理平台的产品查询接口，获取基金分类字段数据进行判断。
参数提取器在整个工作流中也发挥着重要作用，主要用于从用户问题中根据关键词提取特征点和具体意图，为后续的参数分类器使用或API接口调用提供必要参数。与意图识别分类器类似，参数提取器也是通过对话流Agent的LLM节点构建，主要依赖精心设计的提示词工程。参数提取器的提示词同样遵循结构化设计：角色定义、参数具体描述、回答格式说明、注意事项和参数提取举例。
在财富AI助理中，参数提取器的应用十分广泛且关键。例如，在解决方案和金融产品问题的场景中，需要依靠参数提取器从用户问题中提取金融主语（如解决方案名称、基金名称、基金代码等）。在管理经营数据场景的问答中，参数提取器更是准确识别用户真实询问意图的关键工具。因为经营数据问答中需要获取的参数种类繁多，包括问题中的日期信息、分公司、营业部、销售人员信息、基金种类、客户类型（个人/机构）等多个维度。只有准确获取这些用户问题中的关键参数，才能生成真正符合用户期望的答案。
异常情况处理与权限控制
为优化用户体验，财富AI助理在工作流中对可能出现的异常情况也实现了多分支的处理机制。该机制能够根据识别到的问题所属具体场景和内容，采取相应的专门化处理策略。例如，当系统遇到无法准确识别用户意图、缺少必要数据支撑等异常情况时，会给出友好的提示信息，引导用户重新表述问题或转接到专门定制的聊天机器人服务。通过这种灵活的多分支设计，AI助理能够有效应对各种复杂的用户问题，确保用户在任何情况下都能获得准确和适当的回答，从而显著提升了系统的应对能力和整体用户体验。
在合规性方面，财富AI助理严格遵循金融行业监管要求，构建完善的数据保护与安全管理机制。智能问答模块依据财富管理平台角色与白名单权限控制机制，判断用户访问权限，有效保障敏感信息的安全性与隐私性，为财富管理业务智能化转型筑牢安全防线，推动广发证券在财富管理领域稳健前行。
对比商业化AI助手的优势与实践效果分析
随着AIGC技术持续火热，市场上涌现出豆包、Kimi、元宝、文心一言等多款商业化AI智能助手，这些助手也具备解答金融领域相关问题的能力。对比这些商业化的公共AI助手，广发证券的财富AI助理在多个维度都具有显著的竞争优势，这些优势源于其深度的业务场景融合与技术创新，具体体现在以下三个方面：
数据基础优势：财富AI助理最显著的优势在于其独特的数据基础。作为广发证券自主开发的智能助手，它可以深度对接财富管理业务条线的内部数据体系，比如广发证券财富管理解决方案产品的相关数据，分公司、营业部的管理经营数据等等。这些高价值的专有数据构成了财富AI助理的核心竞争力，是商业化AI助手无法获取和复制的重要资源。
数据质量与处理机制优势：即便是针对公募基金等公开的市场数据，财富AI助理也展现出了明显的数据质量优势，这主要得益于两个关键因素。一是数据源质量保障：财富AI助理直接对接广发证券财富管理平台的核心数据库，确保了数据的准确性、及时性和完整性。相比之下，商业化AI助手主要依赖互联网搜索引擎获取数据，容易出现数据滞后、不准确或片面的问题。二是数据处理机制创新：针对金融产品数据，财富AI助理采用了创新性的“API数据转义处理+同类API数据整合模式”，通过API接口直接调用核心业务数据，这种模式相比传统知识库模式具有更高的稳定性和可控性，而商业化AI助手主要依赖网络搜索结果和内部知识库文档进行回答，这种处理机制的结果可靠性难以保证。
数据分析能力优势：在数据分析类问题的处理上——比如“易方达上证科创板50ETF从12月3日到今天的涨幅”——财富AI助理表现出了显著的专业优势。这种优势主要体现在两个方面。一是精确的数据计算能力：得益于专业的Agent工作流设计和分类器与参数提取器的构建，财富AI助理能够准确理解用户意图，并进行精确的数据提取和计算。二是多维度数据整合能力：通过同类API数据整合模式，财富AI助理可以自动整合多个维度的相关数据，提供全面的分析视角。
为直观展示财富AI助理的优势，以下通过三个具体案例与某商业化AI助手的结果进行对比分析：
案例一：588220的近一年最大回撤
财富AI助理的回答：[此处为图片，包含准确数据]
某商业化AI助手的回答：鹏华上证科创板100ETF（588220）成立于2023年9月6日，从其成立至2024年10月25日的阶段涨幅数据来看，近一年最大回撤为7.02%。
案例一充分体现了直接对接核心数据源的重要性，也揭示了财富AI助理与商业化AI助手在处理同一问题时的显著差异。财富AI助理通过对接广发证券财富管理平台的API，精准呈现了真实的最大回撤数据；反观商业化AI助手，其答案却存在错误偏差。深入分析后发现，该商业化AI助手的答案源自网络搜索，摘录自一篇发布于一年前的资讯。这种获取答案的方式存在两大弊端：一是缺乏时效性，数据陈旧，无法反映当前情况；二是未能紧扣用户实际需求，用户询问的是近一年的最大回撤，而商业化助手截取的却是资讯里面的“区间最大回撤”数据。
案例二：588060从12月3号到昨天的收益率
财富AI助理的回答：[此处为图片，包含准确计算过程与结果]
某商业化AI助手的回答：广发上证科创板50成份ETF（588060）12月3日至12月22日期间，部分日期的收益率如下：12月20日：1.83%；12月19日：1.17%；12月18日：1.48%；12月17日：-0.82%；12月16日：-1.47%。12月21日和22日为周末，非交易日无收益率数据。近一周（12月14日-12月21日）该基金累计收益率为-1.83%。
案例二是一个数据分析类问题。财富AI助理通过意图识别到用户问题中的两个日期节点，从财富管理平台中获取到具体的净值数据，并通过详细的计算过程说明，给出了准确的计算分析结果。而该商业化AI助手的答案中可以看到，通过网络搜索只获取到了部分零散的单日收益率数据，没有完整的数据作为支撑，也没办法得到符合用户期望的正确的结果。
案例三：广发多因子最近收益如何
财富AI助理的回答：[此处为图片，包含最新净值、收益率对比、净值走势分析等多维度专业分析]
某商业化AI助手的回答：以下是广发多因子近期收益情况：广发多因子混合（002943），近一周：收益率为-2.61%；近一月：收益率为-1.83%，在同类基金中排名1161/2318；近三月：收益率为39.04%，在同类基金中排名232/4650；近半年：收益率为25.75%；近一年：收益率为22.37%，在同类基金中排名229/4584。
案例三是一个笼统范围的问题。财富AI助理的回答包含最新净值、收益率对比，净值走势分析等多维度的专业分析。商业化AI助手仅提供了简单的收益率数据罗列，并且因为网络搜索数据源的不稳定性，近一周和近一个月的收益率数据也不符合事实。
这些案例对比可以清晰地反映出财富AI助理在数据基础、数据质量和分析能力等方面的明显优势。这些优势不仅体现了财富AI助理的技术创新，更印证了其在实际业务场景中的实用价值。
总结
在财富AI助理的开发实践中，AI智能问答与财富线业务的结合在四个关键维度上进行了深入思考和创新。首先是业务场景的精准定位，通过多层分类器和参数提取器的协同，实现对用户意图的准确理解，从而提供精准的问答服务。其次是数据处理的灵活性，针对财富管理平台复杂的API数据结构，创新性地采用了数据转义处理和多API整合的方案，突破了传统Function Call模式的局限性。此外，通过知识体系的动态构建，整合API数据与文档知识库，形成了一个完整的知识支撑体系。最后，通过建立完善的权限控制机制和异常处理流程，实现了AIGC助理在实际业务环境中的安全可控运行。
与市面上的商业化AI助手相比，财富AI助理展现出了显著的竞争优势。这些优势主要体现在三个方面：深度对接广发证券财富管理业务条线的内部数据体系；通过直连财富管理平台的核心数据，确保了数据的准确性和时效性；基于创新的技术架构，在数据分析类问题上展现出了更强的专业能力。这些优势使得财富AI助理能够为用户提供更加专业、精准的服务。
从这些经验和优势分析来看，一个完善的AIGC智能问答系统不仅需要先进的技术支撑，更需要深入理解业务需求，通过合理的架构设计和流程优化，真正实现技术赋能业务的目标。这一实践也为金融行业的智能化转型提供了有益的参考案例。