一、项目背景及目标

1.项目背景

当前银行业数字化转型已进入AI赋能研发提效的深水区，程序代码成为银行管理中重要部分，监管部门持续强化系统安全、业务连续性等管控要求。各系统的脚本程序作为数据流转、业务落地的核心载体，这些代码的标准化与管控水平，成为决定银行稳定、合规与业务响应效率的核心因素。但金融行业内普遍面临历史程序繁杂、异构化严重、治理难度高、新程序兼容开发难度高的共性难题，传统解决方案存在明显瓶颈，尚未形成可复制、可推广的解决方案。

2.核心痛点

数据高速增长导致繁杂代码堆积：银行湖仓一体架构在业内普遍落地，数据湖、数据仓库、各领域集市的数据快速增长，目前行内的程序脚本随着业务场景的复杂化，程序规模维持高速积累态势，需要投入大量资源进行开发与维护、测试。

高昂的分析成本与管理成本：存量脚本逻辑复杂，维护修改困难，代码可读性、可维护性差。人员流动极易造成 “逻辑断档”。传统程序脚本开发完全依赖人工编码，研发周期长、门槛高。每年开发、维护的成本约800~1000 余万。

传统静态分析方案慢：仅能通过开发人员做表层词法、语法校验，无法深入解析代码背后的业务语义，无法适配各类脚本灵活语法与复杂正则的分析需求，存在环境适配难、无法实现体系化治理的问题，治理效果高度受制于研发人员的能力与经验。

通用生成式 AI 方案不够精确：处理精密金融逻辑时存在严重的 “幻觉” 风险，无法满足金融场景下数据可靠、可信的核心要求，易引发生产故障与合规风险。

3.项目目标

实现异构脚本程序研发智能化、标准化、精确化，解决大模型“幻觉”问题。对存量代码清洗优化、缩短研发周期，降低开发成本与项目负担。

锚定我行数据中台程序脚本的核心：Perl脚本进行新技术下的研发与治理。目前我行数据仓库和反洗钱等系统中，存在1600余个Perl脚本，近50万行代码，且每年加速增长。

基于双引擎的 Perl 脚本智能治理路径：通过Agent Skill模块化体系构建“语义感知+符号逻辑” 双引擎的技术底座，打造程序脚本编排智能体，实现 我行“存量 Perl 脚本代码的标准化改造、增量 Perl 脚本标准化开发”，解决程序脚本研发与管控的困难。

二、创新点

1.技术创新点

符号逻辑与语义感知双引擎协同架构，打造脚本代码领域符号逻辑智能体

精准拆解语义感知与符号逻辑的链条路径：语义感知负责实现语义理解、翻译与生成，符号逻辑侧通过规则库 + 求解器实现规则约束、逻辑校验与稳定输出。彻底解决了通用大模型在金融精密逻辑场景的幻觉、不可控、不可解释三大核心痛点。

MPP→MySQL 语义标准化适配技术，解决异构数据环境适配难题：不仅实现协议转换，更核心的是将异构脚本的特殊语法，统一降维映射为 AI 易理解的标准 SQL 符号，消除异构语法歧义，将大模型生成准确率提升 40% 以上，同时无缝对接恒AI工坊智能体平台，实现与银行现有行内架构的无侵入适配，为规模化推广打下基础。

基于Skill编排机制，实现智能体能力持续迭代优化：构建了Skill动态学习与优化框架，通过执行结果反馈、专家修正标注、场景适配评估三重强化机制，使智能体能够从历史任务中自动提炼最佳实践，形成可复用的Skill知识文档。每个skill模块，专精单一核心环节，可按实际需求适配不同银行的差异化业务场景，同时绑定金融合规硬规则，实现专业能力高复用、新业务场景适配效率提升 80% 以上。

2.业务创新点

AI时代代码开发新路径：构建增量代码标准化开发、自动化 Review闭环体系，目前“数据湖-数据仓-数据集市”中数据湖不用Perl脚本，数据仓库及分行集市中Perl脚本格式不一致，AI代码可实现脚本格式统一，从根源上遏制新增技术债务累积，可以实现非技术人员可以通过指令生成代码。

创新 “老代码去冗焕新” 的资产盘活模式：改变传统 “要么人工全量重写、要么全部替换” 的高风险治理模式，通过神经符号智能体的逻辑还原技术，把银行沉淀了多年、锁死在代码里的核心业务逻辑，转化为可搜索、可配置、可复用、可传承的数字化业务资产，解决了核心业务逻辑随人员流动流失的风险，实现了沉睡资产的价值释放。

打造低门槛开发模式，实现业务人员直接编脚本：业务人员无需精通代码，仅需通过自然语言描述业务需求，系统即可自动生成符合技术规范、业务要求的脚本，大幅缩短研发周期，解决了传统开发流程长、技术门槛高、需求传递偏差的痛点。

三、项目技术方案

1.项目规划

第一阶段（1年内）：脚本治理工具深化优化，持续完善金融规则知识库，优化神经符号引擎的适配能力，覆盖更多 Perl 版本与异构数据环境，实现全行 Perl 资产 100% 纳管治理，构建更完善的数字化业务逻辑资产库，打造行业内最专业的 Perl 脚本治理工具。

第二阶段（1-2年内）： 全行数据智能中枢建设，将核心技术能力扩展至 Python、SQL、Shell 等全行异构脚本语言治理，深度融合银行数据仓库全链路建设，实现数据加工全链路的智能编排与优化，打造全行统一的数据智能中枢。

第三阶段（3-5年内）： 数据湖、数据仓库、数据集市等做到全流程AI能力，可以根据业务人员一键输入需求，然后实现从需求端到应用端的自动化运行，实现人人可用的自助式智能数据分析。

2.项目实施

筹备阶段：梳理行内1600余个脚本，50多万行代码，明确并且梳理痛点的优先级，关联基础设施层（MPP数据库、大模型、GPU）,完成部署和测试。

核心开发阶段：构建双引擎（符号逻辑+语义感知）与SKILL模块化体系开发数据适配层、数据调度层及应用层核心功能，完善符号化翻译器、约束求解器等关键模块，

试点运行阶段：选取数据仓库、反洗钱等系统进行试点运行，验证脚本还原、生成以及治理效果，收集反馈优化规则库与功能模块。

全面推广阶段：推广平台应用，完成存量脚本的治理，然后落地增量脚本标准化开发流程，实现流程的合规管控。

迭代优化阶段：根据业务需求以及技术的迭代发展，来持续优化双引擎的性能，拓展Python等多语言适配的能力，持续完善知识沉淀与反馈机制。

3.体系架构

3.1总体思路

本项目采用“能力原子化封装”（SKILL）为基础，进行语义化编排，并且在符号化逻辑的约束下实现脚本的智能转化与闭环生成。

3.2技术方案

（1）总体架构

本项目采用“能力原子化封装”（SKILL）为基础，进行语义化编排，并且在符号化逻辑的约束下实现脚本的智能转化与闭环生成。使用“skill封装-语义感知 - 符号逻辑处理 – 金融脚本知识库支撑 - 约束求解器验证” 为技术内核。自下而上分为 3层纵深架构设计，具体如下

基础设施层： MPP 数据库（包含部分业务系统  / 数据仓库 / 数据集市）、大模型（deepsek\qwen3）、GPU

数据适配层：MPP→MySQL 语义标准化适配层适配skill（语法中转站）

“语义感知与符号逻辑智能体”核心层：语义感知引擎（理解 / 翻译 / 生成）、符号逻辑引擎（规则库 / 逻辑求解 / 校验 / 稳定输出），双引擎双向协同、原子化 SKILL 封装

智能调度层：恒AI工坊智能体工作流编排平台

应用层：存量脚本治理平台、新增脚本标准化开发平台、人机协作全流程合规管控。 对应架构图如下。

图1. 总体架构

（2）系统技术架构

对应架构图如下。

图2. 系统技术架构

输入环节：

输入内容为用户的语义、参数、存量脚本等。系统首先通过大模型识别能力，对输入内容进行初步的语义理解和分析。

Skill 调用 - Context_Injest_Skill：

职责：抓取数据库元数据（Schema）和金融业务参数（如基准利率）

产出：输入语义、参数、上传文档，作为事实内容的佐证。

处理环节：

第一步：语义感知与意图提取。

执行单元：Intent_Anchor_Skill

利用大模型的理解能力，从复杂的用户输入中提取出用户的核心意图（例如：识别出用户是想做“数据清洗”还是“利息计算”）。

关键协议：生成结构化的JSON格式的文档，明确用户提出问题的主体、动作和关键数值。

第二步：符号化翻译与去歧义。

执行单元：Symbolic_Logic_Transpiler_skill

这个是消除幻觉的关键一步。进入核心引擎层，通过我行金融规则知识库配置规则，利用符号化翻译器将提取出的核心意图翻译成严谨的数学公式。在核心转换环节中，强制消除人类语言中的歧义（例如：明确界定“大于100”是否包含100），将模糊的自然语言转化为确定的逻辑公式。

核心逻辑：将不可控的语言文字转化为确定性的数学公式。

第三步：逻辑等价校验与约束求解。

执行单元：Formal_Equivalence_Judge_skill+ Constraint_Solver_skill

系统发起逻辑等价校验，判断生成的逻辑是否合格。同时，约束求解器依据数学逻辑进行判定，元数据中心介入防止代码操作错误的数据库，金融规则库加载合规规则，确保逻辑符合安全与性能规范。

风险控制：防止代码在操作数据库时出现由于逻辑错误导致的误删或数据溢出。

第四步：修正问题、反馈问题、迭代程序。

执行单元：Expert_In_Loop_Refiner_skill

若校验失败，系统进入自动化修正环节，对逻辑进行重构与调优，并将纠错经验反馈，人工介入检核或丰富规则库后进行重跑，直到校验通过。

输出环节：

调用skill，经过符号校验生成标准化 Perl 业务逻辑脚本。

执行单元：Perl_Code_Synthesizer_skill

（3）安全架构

以原子化skill封装为符号逻辑 + 语义感知双引擎融合，金融安全规则库，保障脚本安全合规与稳定运行

对应架构图如下。

图3. 安全架构

3.3关键技术解释

（1）SKILL详细讲解：

skill以及skill作用：简单的说，skill就是“带了说明书的标准化工具”，相当于赋予的技能，专门来处理一类问题，不同场景下的skill，它的技能侧重点也是不一样的，所以skill=专项技能。

组件标注与 Skill 功能详解：

我们将流程图中的每个核心节点封装为具备特定职责的 Skill：

（2）符号化翻译器（Symbolic Translator）

核心定位：基于一阶谓词逻辑，为映射函数，是实现异构脚本 / 自然语言到标准化逻辑转换的核心基础。        什么是谓词？谓词 = 一个只有 对 / 错（真 / 假）的明确判断条件没有模糊描述，计算机可以直接识别，是符号化翻译的最小单元。例：余额>0、日期不为空、账户状态正常 都是谓词。

核心功能：把用户输入的核心意图，翻译成严谨的数学公式（如：把“大概也许”翻译成“绝对必须”）

（3）约束求解器（Constraint Solver）

核心定位：执行逻辑推理与一致性检验的计算，是保障脚本逻辑 100% 准确、合规、无风险的核心。

核心功能：据数学逻辑判定（检查代码有没有问题），解决了如何决策的问题。

（4）金融规则库（Financial Rule Base）

金融规则库是存储金融领域知识与约束的集合体，存储业务规则等，目的是将专家经验转化为机器可读的逻辑公式，目前已沉淀 300多条规则，涵盖 980 个脚本。

例子：规则库中关于 “数据转换 (Transform)” ，特别是 “数据清洗” 子类的规则。

下图是一个典型的数据清洗函数模块。它展示了如何将去除空格和处理空值这两条清洗规则，封装成可重用的Perl子程序。

规则解析

规则分类：数据转换 (Transform) -> 数据清洗

规则描述：

必须提供专门的数据清洗函数，对原始数据中的噪音进行标准化处理。

典型的清洗操作包括：去除字符串首尾的空白字符、将特定空值标记（如空字符串）统一转换为编程语言中的空值。

清洗函数应设计为可复用、模块化的子程序。

将一条明确的规则（“必须清洗数据中的首尾空格”）转化为了一段可执行、可复用的机器逻辑。它被存储在规则库中，可以直接调用 clean_csv_data这个函数，确保所有数据在入库前都遵守了统一的清洗标准。

恒AI工坊的工作流示意图：

四、运营情况

1.推广应用

本项目成果可应用于恒丰银行生产环境，成功覆盖了数仓加工、财务报表、信贷风险监控、反洗钱合规过滤等核心业务场景。

实用性与适配性：平台提供的以skill脚本封装，语义感知与神经符号逻辑引擎能够自动识别不同版本的脚本语法差异，确保了在多级数据架构下的极高适用性。

推广应用规模：平台预计接管并治理大量存量脚本，自动化编排生成新业务脚本。

行业推广潜力：本项目沉淀的“神经符号逻辑校验”模型具有极强的通用性，不仅适用于 Perl，亦可扩展至 Python、Shell 等其他金融常用脚本语言。后续可具备向中小型银行及证券、保险等泛金融领域大规模推广的技术基础。

2.系统运行情况

本平台自上线部署于全行级私有云环境以来，经过多轮压力测试与真实生产环境的检验，各项性能指标均表现优异，充分满足了全行级数仓开发与存量资产治理的高并发、高可用需求。

- 智能编排响应： 针对日常数据提取、报表加工等常规自然语言需求，从“需求输入”到“生成带标准注释的 Perl 脚本”的生成。

- 存量逆向解析： 针对单文件千行级别、包含复杂正则与多层嵌套的存量 Perl 脚本，系统进行语义降维与拓扑还原的平均耗时小于 10 秒。

六、项目成效

1.核心量化指标成效

2.社会效益

打造金融行业数仓存量复杂代码的治理方案：攻克了银行数字化转型深水区的脚本资产管理核心痛点，打造了异构脚本智能治理的行业标杆，为同业机构提供了可复制、可推广的标准化解决方案，具备所有脚本全同业推广的行业价值。

提升金融行业合规与风险防控能力：平台通过全链路合规管控与逻辑可追溯设计，帮助金融机构落实监管部门关于 “算法可解释性、数据安全、合规经营” 的相关要求，提升了金融行业整体的风险防控能力与合规管理水平，有效维护金融系统稳定运行。

3.管理效益

实现资产的精细化管理：构建了全行脚本的统一管理体系，实现了从零散、无管控的脚本，到标准化、可追溯、可复用、可修正的数字资产的转变，彻底解决了银行多年技术债务持续累积的管理难题，大幅降低了数据中台复杂度，提升了银行数据资产管理的精细化水平。通过自动化代码 Review、人机协作的管控卡点，构建了覆盖脚本开发、治理、部署、运行全流程的合规管理体系，实现了 “事前可约束、事中可管控、事后可追溯”，彻底解决了脚本引发的生产故障与监管报备问题，关键业务按时完成率从 85% 提升至 100%，大幅降低了合规管理成本。

提升研发效能，降低开发与人员管理成本：大幅减少了开发、运维、治理的人力投入，永久降低了后续脚本的开发与维护成本；通过逻辑还原技术，将沉淀在代码中的隐性业务知识，转化为显性的、可传承的数字化业务资产，解决了银行核心业务逻辑随人员流动流失的风险。

七、经验总结

1.项目建设经验

可以精准的锚定代码复杂、AI幻觉等痛点，以脚本为核心，来衔接行内现有的体系，并且构建了双引擎与SKILL模块化架构，来破解现有的技术难题，针对以上特点，来分步进行推进，降低建设的风险。

2.推广经验总结

首先需要打造一个标杆的案例，再逐步拓展至其他部门，针对不同的场景，进行不同的调整，分层精准推进并且进行定制化适配，然后需要针对技术、业务人员进行分层培训，配套相应的技术手册，让非技术人员也可以快速进行上手，并且根据实际使用情况，总结出一套可以复制的解决方案，通过业内交流展示成效。