从模型能力到确定性执行，天阳科技天元平台推进金融AI工程化

金融机构对人工智能的关注，正在从“模型能否回答问题”转向“AI能否稳定进入业务系统”。

大模型在自然语言理解、知识问答、文本生成和代码辅助方面展现出较强能力，但银行核心业务涉及客户信息、风险规则、审批权限、交易流程和监管要求，仅靠通用模型输出内容，难以直接支撑企业级应用。

金融AI真正进入生产环境，需要同时解决模型准确性、业务专业性、过程可追溯性、结果可解释性和执行可控制等问题。模型不仅要理解业务人员提出的需求，还要能够调用结构化数据、专业模型和业务规则，并将结果转化为可以审核、路由和执行的业务动作。

天阳科技天元平台正在围绕这一方向构建AI原生金融科技底座。平台通过大模型与专业小模型协同，将业务建模、知识体系、智能决策和应用开发连接起来，推动金融AI从单点模型能力走向可管理、可复用和可交付的工程体系。

AI原生不等于给开发平台接入一个大模型

当前，越来越多的软件平台加入了自然语言问答、代码补全和文档生成能力。但增加一个对话入口，并不意味着平台已经具备AI原生能力。

对银行而言，AI原生需要进入软件研发和业务运行的多个环节：

• 理解业务人员提出的自然语言需求；

• 识别需求中的流程、角色、数据和规则；

• 将业务语言转化为结构化模型；

• 辅助生成原型、接口和代码；

• 调用专业模型完成风险分析和指标计算；

• 将模型结果转换为业务策略；

• 在权限和流程控制下完成任务执行；

• 记录模型调用、人工审核和业务处理过程。

这意味着，AI不能作为独立工具悬浮在银行系统之外，而要成为需求管理、业务建模、应用开发和业务执行的一部分。

天阳科技天元平台定位于业务层与技术层之间的A-PaaS平台，通过统一研发体系将AI能力嵌入金融应用建设过程。其目标不是用模型替代所有传统系统，而是让模型、数据、规则、流程和软件资产形成协同。

大模型与专业小模型承担不同任务

通用大模型擅长理解语言、处理非结构化信息和完成开放式交互，但银行业务中仍有大量任务依赖结构化数据、明确规则和专业计算。

例如，信贷审批中的财务指标分析、额度测算、客户评级和风险识别，需要在确定的数据口径和计算逻辑下运行；营销、运营和风险预警也需要调用专业模型，而不能只依靠自然语言推断。

天元平台采用“大模型＋小模型”的协同思路。

大模型主要发挥三类作用：

• 理解业务人员以自然语言提出的需求；

• 处理制度、报告、合同和知识文档等非结构化信息；

• 提供自然语言交互、结果解释和任务编排能力。

专业小模型则更适合承担：

• 结构化数据分析；

• 预测、分类和评分；

• 金融指标计算；

• 风险模型和策略模型调用；

• 需要稳定复现的专业任务。

在这一架构下，大模型负责理解复杂语义和组织任务，小模型负责专业分析和确定性计算，业务规则则进一步限定执行条件。

这种分工并不能完全消除人工智能的不确定性，但可以降低单一通用大模型在专业金融场景中的偏差，使模型输出更容易验证、解释和审计。天元平台由此将AI能力从单纯的内容生成，进一步延伸到金融业务建模和系统执行。

业务模型为金融AI提供专业约束

金融AI能否真正理解业务，很大程度上取决于平台是否拥有结构化的业务模型。

银行的制度文件、流程规范和业务经验通常以文本、表格或人员经验的形式存在。如果直接将这些信息交给大模型处理，模型可能理解部分语义，却难以稳定掌握不同对象、流程和规则之间的关系。

天元平台通过业务建模，将金融业务拆解为可以被系统识别和维护的结构化对象。

在既有建模体系中，银行业务可以按照“领域—子领域—活动—任务—步骤”逐级拆分。信贷、支付、营销或风险管理等复杂业务，由此被转化为业务对象、处理流程、参与角色、操作任务和执行规则。

例如，贷款审批不再只是一个笼统的业务名称，而可以进一步拆解为：

• 客户提出申请；

• 系统采集资料；

• 调用准入规则；

• 开展尽职调查；

• 完成评级授信；

• 进入审查审批；

• 生成合同；

• 执行放款；

• 开展贷后管理。

当这些业务活动被结构化后，大模型理解需求时就不再完全依赖自由推断，而能够结合已有业务对象、流程节点和规则进行分析。

业务模型因此成为连接AI与金融业务的重要中间层。它一方面帮助模型理解银行业务，另一方面也使模型产生的建议能够回到具体流程和系统功能中。

数字孪生让金融业务成为可计算对象

天元平台进一步将业务建模与数字孪生思路结合。

这里的数字孪生，并不是简单复制一套银行系统，而是将客户、产品、流程、规则、风险和运营对象转化为可描述、可计算和可追踪的数字模型。

在这一体系中，金融业务对象可以具有明确的属性、关系和行为：

• 客户关联具体身份、资产、负债和风险特征；

• 产品关联期限、定价、额度、准入和担保规则；

• 流程关联角色、节点、任务和审批权限；

• 风险对象关联指标、模型、规则和处置策略；

• 业务事件关联触发条件和后续执行动作。

这些模型共同构成金融AI运行的业务基础。

天阳科技在天元平台整体设计中，将业务模型、金融知识库、智能决策和执行路由纳入统一架构。大模型可以基于知识和场景理解问题，专业模型完成计算和预测，决策机制根据业务规则形成处理建议，执行路由再将任务分发到相应系统或人员。

这种结构使AI不只是输出一个答案，而是可以沿着既有业务模型进入实际流程。

从智能判断到执行路由形成业务闭环

金融AI应用的难点，往往不在于模型能否给出判断，而在于判断之后由谁处理、怎样执行以及结果如何反馈。

以风险预警为例，模型识别到客户风险上升后，还需要进一步确定：

• 风险属于哪一类型；

• 是否需要提高预警级别；

• 应发送给客户经理、风险人员还是审批人员；

• 是否触发额度冻结、补充调查或贷后检查；

• 哪些动作可以自动执行；

• 哪些动作必须经过人工审核。

如果缺少执行和管理机制，模型结果很容易停留在报告、评分或提示页面中。

天元平台强调智能决策与执行路由的连接。模型产生分析结果后，可以结合业务规则、流程节点和权限体系形成相应任务，再将任务分发至具体系统、岗位或数字员工。

这里的“确定性执行”并不是指AI可以在所有场景下自动作出最终决定，而是指执行过程具有明确边界：

• 数据来源可以追踪；

• 使用的模型可以识别；

• 触发的规则可以解释；

• 执行的流程可以记录；

• 人工审核节点可以保留；

• 异常情况可以转入人工处理。

这使金融AI的运行方式更加接近银行现有的管理体系，也为模型治理、业务复核和合规审计提供基础。

AI能力进入需求、设计、开发和测试环节

天元平台的AI原生能力不仅面向银行前台业务，也进入金融IT研发过程。

银行系统建设通常要经历业务需求、软件需求、架构设计、研发、测试、投产和运维等多个阶段。传统模式下，每个阶段可能使用不同工具和文档，需求在多轮传递中容易出现遗漏或偏差。

天元平台将业务需求作为研发主基线。业务人员提出需求并完成确认后，需求可以进入拆分、分析、业务建模和场景设计，并进一步连接原型、规则和研发任务。业务、产品、研发和测试人员围绕同一需求对象协同，减少多套文档和口头传递造成的信息损耗。

在这一链路中，AI可以承担多种辅助任务：

• 理解和检查需求描述；

• 识别需求之间的关系与冲突；

• 辅助形成数据模型和业务模型；

• 根据场景生成界面原型；

• 辅助生成接口、代码和测试案例；

• 分析日志和运行异常；

• 支持知识检索和研发问答。

天元平台已有能力体系覆盖AI需求理解、AI数据建模、AI设计、AI Coding、AI测试和AI运维等研发环节，使人工智能从业务应用工具进一步进入软件工程过程。

场景、原型和代码连接业务与研发

AI工程化最终仍要落实到可交付的软件成果。

天元平台以业务场景作为需求和开发之间的连接点。需求分析人员可以基于业务活动创建具体场景，复用既有流程、任务和步骤，再根据实际业务配置流程节点、页面和规则。

通过可视化原型，业务人员可以提前确认页面展示、操作顺序和流程关系；研发人员则可以在结构化场景基础上理解需求，并完成后续开发。

部分原型还可以进一步转化为前端页面代码，由研发人员进行二次开发并部署到业务系统中。

这一方式并不意味着平台能够自动生成完整的银行核心系统。复杂金融应用仍然需要架构设计、专业研发、测试验证和项目实施。

天元平台的价值在于，将需求、业务模型、场景、原型和代码建立更紧密的关联，使AI生成和低代码能力处于受管理的研发链路中，而不是生成一段与现有系统脱节的孤立代码。

“业务专家＋数字员工”重构人机协作方式

天元平台提出的“业务专家＋数字员工”，并不是简单用人工智能替代银行员工。

更准确地说，它代表一种新的任务分工：

• 业务专家负责确定业务目标、风险边界和处理原则；

• 数字员工负责资料整理、信息提取、流程执行和重复性任务；

• 专业模型负责风险分析、预测和计算；

• 大模型负责语义理解、知识交互和任务编排；

• 人工人员负责审核关键结果、处理异常和作出最终判断。

在这种协作方式中，AI并不脱离银行业务体系独立运行，而是在权限、规则和流程约束下承担具体任务。

对于金融机构而言，这种模式有助于将业务专家长期积累的知识沉淀到平台中，使经验不再只掌握在个别人员手中。同时，数字员工可以承担大量标准化工作，让业务人员将精力更多投入复杂判断、客户服务和风险管理。

金融AI竞争正在转向工程化能力

随着模型能力逐渐普及，金融机构选择AI平台时，关注重点正在发生变化。

未来的竞争不只是比较模型参数、生成速度或问答效果，而是考察平台能否解决一系列企业级问题：

• 模型是否能够理解金融业务；

• 数据和知识是否形成统一基础；

• 专业模型与通用大模型能否协同；

• 决策结果能否解释和验证；

• AI任务能否进入业务流程；

• 权限、审计和人工干预是否完整；

• 研发成果能否持续复用和维护。

天阳科技天元平台将业务建模、大小模型协同、智能决策、执行路由和软件研发体系连接起来，体现出金融AI由模型应用向工程化平台演进的方向。

从模型能力到确定性执行，核心并不是让人工智能代替所有业务系统和专业人员，而是将AI纳入企业级架构，使模型在明确的数据、知识、规则和流程中运行。

当人工智能能够被管理、被验证、被复用，并稳定进入金融软件和业务流程时，AI才真正从技术展示走向生产能力。天元平台所推进的，正是金融机构从“使用模型”向“建设AI原生研发与执行体系”的进一步转变。