一、项目背景及目标

本项目针对财务公司传统流动性管理依赖人工经验、数据孤岛严重、预测滞后等痛点，基于集团成熟的数据中台，创新性引入私有化GLM-4.7与qwen-3.5双模型。项目构建了由“预测Agent”、“校验Agent”和“调度Agent”组成的智能体集群，实现了从“事后反映”向“事前预测、事中控制”的跨越。系统上线后，资金日计划偏差率由60%优化至80%以上，流动性匹配率提升至226%，年节约人工工时超200小时，成功构建了安全、流动、盈利三者平衡的智慧资金管理体系。

1.需求分析

随着集团业务版图扩张，资金管理的复杂度呈指数级上升。参考集团财务公司的实践经验，我们发现传统模式面临三大挑战：一是数据割裂，核心业务、票据、信贷等系统数据标准不一，整合困难；二是风控滞后，依赖T+1报表，无法实时捕捉大额资金异动；三是决策盲区，缺乏对未来7-30天资金缺口的精准推演，导致资金闲置或备付不足。

2.项目目标

技术目标：构建基于私有化大模型的智能体协同框架，实现数据驱动的自动化资金调度。

业务目标：确保流动性比例、资本充足率等19项监管指标100%达标，提升资金使用效率，降低资金冗余成本。

二、创新点

本项目的核心创新在于“双模驱动”与“智能体自治”，突破了传统BI看板的局限：

创新一：基于MoE（混合专家）架构的双模协同机制

不同于单一模型应用，本项目设计了智能路由机制。通义qwen3.5（Qwen）专注于多模态数据处理，自动识别发票、合同等非结构化单据，核验支付指令真实性；GLM模型专注于复杂逻辑推理，进行长周期现金流预测与监管指标推演。两者互补，解决了单一模型在精度与广度上的短板。

图：GLM与Qwen双模能力互补雷达图

创新二：Multi-Agent（多智能体）的闭环资金调度

构建了“感知-预测-决策-执行”的智能体工作流。

预测Agent（GLM）：基于历史时序数据，结合宏观经济指标，生成未来7/30天滚动现金流预测。

校验Agent（Qwen）：实时扫描资金流向，识别异常交易模式，防止合规风险。

调度Agent（RL）：引入强化学习算法，在保证支付安全的前提下，自动生成最优的资金摆布策略（如同业存放、回购、提前还贷），实现资金收益最大化。

创新三：动态可解释的监管合规引擎

将死板的监管指标（如流动性比例≥25%）转化为动态的AI监控模型。系统不仅能计算当前指标，还能基于GLM的推理能力，模拟极端压力场景下的指标变化，并生成人类可读的风险处置建议书，实现了“知其然更知其所以然”的可解释AI。

三、项目技术方案

本项目采用“大中台、小前台、智能体协同”的先进架构理念，依托集团高价值的数据中台底座，构建了由“数据底座层-模型服务层-Agent编排层-应用交互层”构成的四层技术架构。通过私有化GLM与通义千问（Qwen）的MoE（混合专家）协同机制，结合Multi-Agent（多智能体）的自治与协作，实现了流动性管理从“被动看数”到“主动算数、智能调度”的跨越。

1.四层核心技术架构（Architecture）

系统整体架构自上而下分为四层，各层解耦，通过标准化API接口通信，确保系统的扩展性与稳定性：

四层核心技术架构图

数据底座层（DataFoundation）：

充分利用集团现有的数据中台算力与存储优势。通过Flink+CDC技术实现核心业务系统（存款、贷款、票据、司库）的实时数据捕获，构建实时数仓。在数据资产层（ADS），预置了19维监管指标视图和客商资金画像，为上层模型提供毫秒级响应的高质量特征数据（FeatureStore）。

模型服务层（ModelHub）：

采用云原生容器化部署（Docker+K8s）私有化大模型。引入vLLM高性能推理引擎，将GLM和千问的API响应延迟控制在200ms以内。同时保留传统的LightGBM、Prophet等时序模型作为基准对照（Baseline），形成“传统统计+深度学习+大模型”的三驾马车。

Agent编排层（CoreInnovation）：

基于LangGraph构建多智能体工作流引擎。定义了StateGraph（状态图），明确了预测、校验、调度三个核心Agent的输入输出格式（PydanticSchema）。通过条件边（ConditionalEdges）实现Agent间的自主跳转，并利用Reducer函数管理全局状态，确保多个Agent在修改资金计划时不会产生数据竞态。

应用交互层：

前端采用Vue3+TypeScript架构，集成WebSocket实现资金大屏的实时推数。创新性地引入了自然语言交互（NL2SQL）功能，高管可通过对话框直接提问：“明天的流动性比例预计是多少？”，系统自动路由至Agent集群生成图表并返回结论。

2.核心工作流程：Multi-Agent协同机制

系统打破了传统“单向数据流”的限制，建立了“感知-预测-决策-执行-反馈”的五位一体闭环系统。具体Agent协同流程如下：

Multi-Agent核心工作流程图

步骤1-3（智能预测）：预测Agent不再依赖死板的公式，而是利用私有化GLM强大的长序列依赖捕捉能力，将历史资金流水、宏观SHIBOR利率、甚至日历特征（如季末、缴税期）作为输入，输出具有概率分布的未来现金流预测。

步骤4-6（多模校验）：针对大额资金流出，校验Agent调用Qwen-VL模型，对附带的上传发票、合同扫描件进行OCR与语义一致性检查，有效防范了操作风险与欺诈支付。

步骤7-10（强化学习调度）：调度Agent是系统的“大脑”。我们设计了一个包含安全性（LiquidityCoverageRatio）、盈利性（Yield）、合规性（RegulatoryConstraints）的综合奖励函数（RewardFunction）。通过不断的自我对弈（Self-play），Agent学会了在监管红线内寻求资金收益最大化的调度策略。

三、关键技术攻关与创新实现

RAG（检索增强生成）在金融合规中的深度应用：

为避免大模型在面对严格监管时的“幻觉”，我们将《商业银行流动性风险管理办法》等数百份监管文档进行切片（Chunking），通过BGE-M3嵌入模型存入Milvus向量数据库。当系统需要进行合规判断时，优先从向量库检索精准法条，作为GLM推理的“定海神针”（Few-shotPrompting），实现了100%可溯源的合规解释。

基于LoRA（低秩自适应）的金融垂直领域微调：

通用大模型缺乏对资金业务的理解。我们利用集团过去3年的真实资金计划与执行差异数据，构建了包含5万条样本的指令跟随数据集（InstructionTuning），对GLM模型进行了轻量化微调。微调后的模型在“资金计划偏差分析”任务上的准确率从基座模型的65%跃升至92%。

短时突发流量控制（Sentinel机制）：

资金交易具有极强的时段集中性（如上午10点扎堆付款）。我们在Agent调用层集成了Sentinel流量防卫兵，当监测到瞬时高并发请求时，自动对非核心的“报告生成”任务进行线程池隔离与排队，优先保障“支付校验”与“头寸计算”的算力资源。

四、实战推演：

“系统实战推演：1月13日的‘人机协同’一日”。

1.场景背景设定

时间：2026年1月13日（周二），临近春节假期，集团成员单位资金回笼波动加大。

参与角色：金融市场部经理（人类）、AI调度助手（Agent）。

目标：确保当日及未来3天资金链安全，同时最大化资金收益。

2.推演过程（Timeline）

08:30【晨会：AI生成全景视图】

传统模式：金融市场部经理需要花费1小时，手动汇总各子公司昨晚发来的Excel日计划，再打电话询问几个大户的回款情况，数据滞后且不完整。

SmartFlow模式：经理打开系统驾驶舱（见下图），大屏上已自动生成“1月13日资金全景图”。系统基于预测Agent（GLM）的分析，显示：今日预计流入58亿元，预计流出52亿元，理论上盈余6亿元。但同时发出黄色预警：某核心煤炭子公司的一笔5亿元回款因天气原因存在不确定性。

10:15【危机：突发大额支付】

事件：某建筑子公司项目部突然发起一笔3亿元的紧急工程款支付指令。

传统模式：金融市场部经理手忙脚乱，需要临时调集资金，可能导致原本计划的同业存款无法存入，损失利息收入。

SmartFlow模式：经理将该笔支付指令拖入系统。系统瞬间启动调度Agent（RL）进行推演：

推演结果：若批准支付，今日备付金将降至警戒线以下。

AI建议：“建议立即启动与集团财务公司的15亿元同业拆借（利率2.1%），并在下午2点将闲置资金存入7天通知存款（利率1.8%）。此举虽产生少量拆借成本，但可确保流动性安全，且综合收益仍为正。”

14:00【决策：人机确认】

金融市场部经理审视AI方案，确认无误后点击“一键执行”。系统自动对接核心业务系统完成支付，并向同业交易对手发送报价请求。

16:30【复盘：自动生成报告】

传统模式：会计加班制作日报，手工粘贴数据。

SmartFlow模式：报告Agent（GLM）自动抓取全天数据，生成《1月13日资金运行与AI调度日志》，直接发送给公司领导。报告中清晰记录了：“今日AI成功规避流动性缺口风险，预计为集团增加综合收益约12万元。”

图：基于GLM+Agent的T+0资金驾驶舱界面示意图。

系统将复杂的数据转化为可视化的决策建议，极大降低了人工操作的复杂度。

五、运营情况

推广范围：已全面覆盖集团总部及下属717家成员单位，接入账户990个。

运行稳定性：系统采用容器化部署，支持弹性伸缩。自上线以来，核心交易零中断，系统稳定运行率达99.99%。

用户反馈：资金结算效率提升显著，原先需要3小时完成的日报编制，现由系统自动生成仅需5分钟；风控部门对资金异动的响应速度从“次日”提升到“实时”。

六、项目成效

1.经济效益

降本：实现了资金计划、监管报表的自动化生成，年节约人工工时超200小时，大幅降低人力成本。

增效：通过调度Agent的智能理财与同业议价，资金日均收益率提升3BPs（基点），预计年增加收益150万元。

避险：流动性匹配率由150%提升至226.56%，资金链安全垫显著增厚。

2.社会效益与管理效益

合规标杆：19项监管指标实时监控，自动预警，确保了监管评级的稳定与优异。

决策支持：为集团重大投融资决策提供了精准的数据支撑，真正实现了财务从“核算型”向“价值创造型”的转型。

七、经验总结

项目最大的收获在于建立了“预测-执行-校验-反馈”的AI自进化机制，让系统越用越聪明。

数据治理是基石：项目中我们发现，大模型的能力上限取决于数据的质量。前期对中台数据的清洗与标准化是项目成功的首要前提。

人机协同是关键：AI并非完全取代人工。我们建立了“AI预警+人工复核”的机制，既发挥了AI的高效，又保留了人类对重大风险的终极裁决权。

持续迭代是保障：随着集团业务的调整，Agent的提示词（Prompt）和模型参数需要定期微调，以适应新的资金流动模式。