一、项目背景及目标

（一）项目背景

在金融高质量发展的时代要求下，信用风险防控成为银行持续稳健经营的核心能力。2023年中央金融工作会议明确提出风险“早识别、早预警、早处置、早化解”要求，监管部门亦持续强化对商业银行风控精细化、智能化的标准要求。近年来，九江银行在金融科技赋能业务发展方面持续发力、积极作为，产生了一系列面向金融业务的场景应用，在行内产生了非常大的实用价值，同时也获得了行外的高度认可。比如，作为902数字风控项目群中重点建设之一的“信用风险预警系统”，正是为面向四早中的“早识别、早预警”而生，旨在通过汇聚处理行内外客户风险原始基础信息数据，经大数据模型加工处理形成可理解性强、指示性强的风险预警信号，便于及早发现授信业务及客户风险，从而及早采取措施进行干预或退出，保障信贷资金安全，防范或减轻可能产生的信用风险，该系统应用获得了《金融电子化》杂志社2021年颁发的金融业风险管控突出贡献奖、城银清算2024年颁发的风险管理创新优秀案例等奖项。同样作为902数字风控项目群建设的重点系统“智能风控系统”，依托大数据、人工智能等技术和人工经验沉淀，实现自动化、智能化决策分析，在风险识别、风险预警、风险暴露、风险处置及新业务拓展方面不断创新，大大提升了风险识别评估的精准度，提高了授信决策效率，该系统应用获得了城银清算2024年颁发的风险管理创新优秀案例等奖项，2025入选了由国家金融与发展实验室金融科技研究中心指导的第五届“NIFD-DCITS金融科技创新案例”，并收录在人民日报出版的《数智创新+金融强国：金融科技创新实践》图书。尤其是，九江银行也积极利用大模型技术，开展创新应用与实践，构建了九江银行金融大脑——“九银大脑”，荣获了2023年中国人民银行金融科技发展奖“三等奖”，前述数字化、智能化平台能力与应用为本项目的开展奠定了扎实的技术和平台基础。

作为服务区域经济的中小城商行，前述金融科技应用取得了可观的成效，获得了一定的认可，非常不易，但必须清醒地看到，当前应用更多地集中在单环节、单系统、单场景应用，跨环节、跨系统、复杂场景的应用还存在不足，内外部多维度的风险信息集成利用还存在短板，高阶的面向客户的综合风险识别能力还有所欠缺，基于此，依托902数字风控项目群既有成果，启动本次AI大模型风控赋能升级研究课题，旨在通过技术创新与机制创新破解上述痛点，进一步提升风险“早识别、早预警、早暴露、早处置”能力，增强风险防范控制水平，为更好服务实体经济资金融通，助力中小城商行信贷业务高质量发展保驾护航。

（二）项目目标

本课题的总体目标是以“系统集成”理论为指引，以解决实际业务痛点为落脚点，通过技术创新与机制创新双轮驱动，致力于构建集成化、智能化、自动化的信用风险智能识别与闭环控制体系。全面提升九江银行在复杂环境下的信用风险主动防控能力，并为中小城商行提供可供参考的实践范式。具体目标如下：

1.实现风控数据与能力的跨系统集成。融合串通行内关键业务系统与基础技术平台，形成跨系统的集成能力，更大发挥金融科技功效。通过在行内关键业务系统中集成九银大脑AI大模型能力，可以使用户在不跨系统界面的前提下使用大模型智能分析能力，首要保证了数据安全，避免了客户隐私数据泄露问题，并且在业务系统嵌入大模型能力，业务同事更加熟悉操作方式，减少了新系统学习培训时间，降低了AI使用壁垒，将AI融入业务，使业务人员可以在本系统内获取基于大模型的专业金融视角，更大发挥金融科技功效，真正将AI赋能业务。

2.形成多模态、高精度的信用风险识别能力。建立多模态信息数据识别与分析能力，更早、更精准的识别客户信用风险，通过多模态数据的融合分析，构建更加全面、准确的客户风险画像。在信贷业务全流程环节，通过利用多模态大模型及OCR增强技术技术对客户基础信息、外部征信、收支流水、贷前调查报告、贷后检查报告等多元数据的综合分析，更早、更精准地识别客户信用风险，提升风险识别的全面性与准确性，为风险决策提供有力支持。

3.建立行之有效的风险处置闭环管理机制。根据识别出的信用风险等级和类型，制定差异化的风险处置策略，建立风险预警与处置的联动机制，实现风险信息的快速传递和响应，提高风险处置效率。同时，建立风险处置应对效果评估体系，定期对风险处置措施实施效果进行评估，根据评估结果及时调整风险处置策略。

4.形成经过实践验证、具备行业价值的实践范式。开展在行内实际业务场景中试点应用，并通过建立AI风险报告与线下人工双线贷后检查交叉验证，形成可执行、可落地、可验证、有成效的AI场景应用案例，为中小城商行在信贷风险控制核心领域快速拥抱并应用AI大模型技术提供可供参考的实践范式。

二、项目创新点

（一）技术创新。通过构建多系统协同平台，创新性地实现了银行业务系统的深度融合与高效联动，突破传统银行系统间信息孤岛的技术壁垒，建立起跨系统的标准化通信机制和数据交互通道。实现了信贷系统、信用风险预警系统、风险管理工作台等系统的无缝衔接与自动化协同，将原本分散的业务流程整合为高效统一的数字化风控体系。不仅大幅提升了业务处理效率和服务响应速度，更通过系统间的智能联动为银行业务创新提供了坚实的技术基础，为金融行业数字化转型树立了标杆。综合运用大模型、大数据分析、自然语言处理、机器学习、OCR图像识别等新兴技术，通过封装异构AI能力，基于多Agent协同机制，实现了多模态信息的同步处理和理解，可处理多种客户信息，如征信、流水、贷后调查报告等多元数据，通过全面分析客户各类资质信息，做到及时、准确的识别当前客户存在风险，实现风险苗头一旦暴露，立刻识别，精准控制，减少损失。同时，基于行内大量历史数据，通过知识蒸馏技术，实现大模型微调。及时使大模型具备我行特色风险识别能力，使得输出结果更加契合我行专业特色，减少业务人员再修改的工作量。

（二）场景创新。将AI大模型技术创新性地应用于信贷业务流程，在贷后环节，搭建多智能体协同框架，将优化后的模型能力深度嵌入现有贷后检查、风险排查与预警处置流程中，实现贷后风控险穿透式排查，推动传统抽样检查模式升级为全量覆盖的智能风控新模式。实现了AI风险识别体系与风险预警、智能风控、双线贷后检查等风险管理机制协同融合，强化了通过跨系统联动信用风险预警冻结联动处置的闭环管理机制落地。

（三）应用机制创新。建立基于AI大模型的智能决策机制，实现风险识别、评估与处置的自动化和智能化。通过将大模型与业务规则引擎相结合，根据预设的风险阈值和决策策略，自动生成风险处置建议，并将相关信息推送给对应的风险管理角色，实现风险信息的快速传递与响应。同时，引入实时反馈与动态优化机制，根据风险处置的实际效果和业务数据的实时变化，自动调整风险评估模型和决策策略，确保风险管理的有效性和适应性。另外，构建跨部门协同的风险管理机制，打破传统的部门壁垒，实现业务部门、风险管理部门、技术部门等多部门之间的信息共享与协同工作，共同应对复杂多变的信贷风险。

三、项目技术方案

本项目在我行902数字风控项目群的基础上，构建了一套以大模型等模型层为技术底座，从底层原子能力到上层风控应用的完整闭环体系，具体如下。

模型层主要包含本项目中使用到的各类AI模型，分别有生成式文本大模型Qwen3系列、DeepSeek-R1系列，多模态大模型Qwen-VL，用于构建知识库的词嵌入模型，各类文档解析MinerU等模型，以及RAG过程中涉及到的重排序算法模型等，模型层实现多模型间的动态协同、负载均衡与结果融合，确保在风险排查、报告生成、异常识别等场景中“看得准、写得对、判得准、跑得快”，作为稳定、高效、可解释的AI基础能力支撑，是智能化风控体系从“辅助工具”迈向“自主决策”的关键技术基石。

在可调用的工具组件模块中，集成了可信源搜索及互联网广信息搜索的搜索引擎，可有效提高知识检索效率。并且集成了代码解释器、图片生成等工具，进一步提质增效。在本项目的知识工程中，采用多元能力提升知识召回效果，通过query改写、预设问答、优先级排序等综合提高模型理解能力，并配置化多种嵌入模型以及召回模型，可提高知识库动态适配能力，提升召回内容的可用性。搭建内网智能体平台，可高效实现大模型提示词管理，通过灵活编排agent智能体，继而构建出特定化工作流、对话流，并通过统一发布管理，形成定向格式接口，实现任务流程自动化，可广泛用于多项应用。

服务层聚焦业务支撑能力建设，系统化构建涵盖知识库搭建、报告模板生成、工作流引擎、Agent管理与插件配置、指标库管理等核心能力，全面支撑风险报告智能生成、客户风险自动排查、贷后预警推送、反洗钱线索筛查、客户画像动态更新等AI应用场景。通过知识库实现监管政策、内部制度、历史案例的结构化沉淀与语义检索；依托报告模板引擎实现多维度、多角色报告的自动化编写与合规校验；Agent管理平台支持多智能体协同调度与任务分解；插件配置管理实现多系统灵活接入；指标库统一管理风险评估模型与监控阈值，确保评估口径一致、结果可追溯。服务层作为AI大模型落地的中枢神经系统，打通“数据-模型-流程-决策”全链路，推动业务从人工驱动向智能驱动转型，助力打造敏捷、智能、合规的数字化风控体系。

Agent中心作为业务协同枢纽，整合关联方分析、股权穿透、财务数据提取、交易流水异常识别、涉诉信息联动、黑名单匹配、行为模式建模等20余项核心风险分析能力，构建标准化、可复用的智能代理服务矩阵。通过统一调度引擎实现跨系统、跨模块的数据自动调取、任务并行执行与结果智能聚合，打通风控知识库、指标库、报告模板与工作流系统，形成“感知-分析决策-执行”闭环。在风险排查场景中，可自动识别隐性关联方与资金闭环；在风险预警中，基于动态阈值与多因子加权模型实现早发现、早干预。Agent中心兼具技术前瞻性与强业务落地性，成为驱动风控从“经验判断”迈向“智能协同”的核心引擎。

应用层进一步通过系统集成与应用开发，实现了直接面向用户（信贷业务管理人员）的风险识别评估系统功能，并直接嵌入至风险管理工作台与信贷管理系统流程，供用户直接发起调用，直接应用于风险排查、风险预警、风险评估、风险处置等全流程风控场景，赋能风险管理各业务环节。课题技术架构如图1所示。

图1 AI风险识别体系技术框架图

四、运营情况

本项目在追求“系统集成、智能识别、闭环处置”目标过程中，并非简单应用现有技术，而是针对性进行深度适配、系统集成、技术创新与机制建立的过程。课题在研究过程中，系统性梳理并应对了从数据融合、技术应用到管理机制的全链路挑战，这一攻坚克难的历程，是前述研究成果得以扎实落地、产生实效的关键。项目运行情况具体如下：

（一）数据覆盖面大幅提升

通过加强与外部数据源供应商的深度协作，完成电力、工商、司法等全部规划数据源接入，特别是电力数据的接入，为风险识别提供了新的维度；采用自动化清洗工具与人工核验相结合的方式，完成行内历史数据格式统一与缺失补充，数据完整性达95%，数据标准化处理按时完成，保障了数据质量与安全性。

（二）技术能力有较大突破

针对复杂复合型风险识别短板，补充行业风险数据、关联企业数据等训练样本，对大模型进行多轮微调，复杂复合型风险识别准确率提升18%；优化算力分配策略，应用混合并行计算、批处理优化等技术，解决高并发场景下系统响应波动问题，系统峰值达每秒20笔，满足月末信贷审批高峰等业务需求。

（三）闭环管理机制有效建立

完善了AI风险报告应用机制，明确其在双线贷后检查、日常风险排查中的核心作用与操作流程；建立了风险预警信号分级响应机制，构建了风险常态化反馈与迭代方案，根据业务实际需求持续优化系统功能与管理规则，确保机制落地见效。

五、项目成效

本项目围绕“系统集成、智能识别、闭环处置”的核心主线开展攻关，成功构建了以AI大模型为驱动的智能风险识别体系。研究成果不仅体现在多系统集成、关键技术的创新上，更实现了风险识别能力、效率与闭环管理机制的全面升级，课题主要研究成果如下：

（一）技术创新成果显著

1.非机构化数据解析能力突破。构建多模态数据处理体系，融合OCR增强技术与多模态大模型，攻克金融领域非标准合同、混合影像（歪斜、重叠、手写体、多表头）等复杂场景识别难题，识别准确率较传统OCR识别方案提升18%，数据输入准确性与可用性大幅提升。

2.模型优化技术路径创新。创新“大模型驱动数据集构建-知识蒸馏能力迁移-高质量数据微调小模型”技术路径，成功研发适配九江银行场景的“小而精”风险识别模型，兼顾识别精度与部署效率。

3.全流程智能风控应用落地。搭建多智能体协同框架，将优化后的模型能力深度嵌入现有贷后检查、风险排查与预警处置流程中共，实现贷后风控险穿透式排查，推动传统抽样检查模式升级为全量覆盖的智能风控新模式。

（二）风险识别能力全面升级

1.风险识别维度与颗粒度：形成多维度风险评估体系，通过AI大模型直接解析授信标准化信息与PDF、图像等非标准化信息，形成可追溯、可解释的风险评估体系，构建全面准确的客户动态风险画像，风险识别维度较传统模式更广泛，颗粒度更精细，实现风险“早识别、早预警”目标。

2.实证验证了复杂风险识别准确率。经全行范围实际业务验证，利用AI风险报告对客户经理提交贷后检查的业务进行了风险评估，与人工贷后检查结论交叉验证，风险识别准确率达67.97%，能够较为精准识别关联企业担保风险、行业周期性风险等复杂复合型风险，有效填补传统风控盲区。

（三）风险识别效率有效提升

1.单笔业务风险评估效率指数级提高。AI风险报告实现全自动化生成，单个个性化风险评估报告生成时间仅需5分钟，较传统人工检视模式（平均耗时数小时）效率大幅提升，极大减轻业务人员工作负担。

2.批量业务风险识别能力实现规模化。批量处理功能支持按信贷产品、机构、授信金额区间等维度对指定客户群进行集中分析，批量报告生成效率达单批次千笔级，且自动同步更新客户详情，为业务决策提供高效数据支撑。

（四）风险闭环管理机制形成

建立了“识别-预警-反馈-处置”风险闭环管理机制，也实现了AI风险识别体系与风险预警、智能风控、双线贷后检查等风险管理机制协同融合，强化了通过跨系统联动信用风险预警冻结联动处置的闭环管理机制落地。2025年，通过联动预警有效冻结风险客户授信可用额度5.12亿元，风险预警客户累计压降敞口11.10亿元，合计止损挽损16.22亿元，充分验证了该闭环管理机制的有效性。

六、总结与展望

（一）总结

本研究课题以贯彻落实中央金融工作会议精神为根本遵循，紧扣金融高质量发展时代要求，深入贯彻风险“早识别、早预警、早暴露、早处置”原则，以“系统集成”理论为指引，基于“九银大脑”“智能风控”“信用风险预警”“人行资金流平台”等现有数字风控技术与平台，深度融合大数据、人工智能与AI大模型等新兴信息技术，研发出了集大数据融合、跨系统集成、智能信息解析、多Agent协同、自动化报告生成输出等于一体的智能风险识别架构，构建了适应九江银行实际场景需要的集成化、智能化、自动化的信用风险智能识别与闭环控制体系，配套建立了处置风险闭环管理机制，成功投入实际应用，并通过人工线下识别交叉验证方式，验证了课题成果的适用性、有效性和精准度。为九江银行信用风险管理数字化、智能化转型奠定了坚实技术基础与机制保障，为中小城商行在信贷风险控制核心领域快速拥抱并应用AI大模型技术提供了最佳实践。该研究课题在技术创新、风险防控、效率提升、机制建设等方面取得一定成效：

一是大模型技术集成与创新应用取得突破，奠定了AI智能风控的坚实基座。课题构建了多模态大数据融合处理体系，实现了数字风控平台跨系统集成。复杂场景下的非结构化数据识别准确率较传统OCR识别方案提升18%；创新“大模型+知识蒸馏+小模型微调”技术路径，研发“小而精”专属风险识别模型；搭建多智能体协同框架，实现风险识别模式从传统抽样检查升级为全量覆盖智能排查。

二是信贷风险识别能力与准确率得到较大提升，筑牢风险防线。课题构建了多维度、可追溯、层次化的客户动态风险画像体系，极大提升了风险识别的维度和颗粒度。经全行实际推广与人工线下交叉验证，AI风险识别准确率达到67.97%，尤其在关联关系、复杂交易、行业周期等复杂复合型风险的识别上展现出显著优势，有效填补了传统风险识别手段的盲区，切实提升了风险“早识别、早预警”的能力。

三是风险识别效率大幅提高，释放风险管理潜能。课题实现了风险评估报告的自动化、智能化生成，将传统单笔业务风险评估时间从数小时缩短至5分钟。同时，系统具备单批次千笔级的批量处理能力，能按需对特定客户群进行集中、快速的风险扫描与报告更新，为业务决策提供了高效、精准的信息支撑，极大减轻了业务人员负担，使风控资源得以聚焦于更高价值的分析决策与处置方案设定环节。

四是风险处置闭环管理机制有效建立，构建了持续稳定运行的长效保障体系。课题不仅集成了大数据、AI等新兴技术，串联了复杂系统平台，实现了风险高效识别，更构建了“识别-预警-反馈-处置”的闭环管理机制，也实现了AI风控体系与风险预警、智能风控、双线贷后等现有流程环节的协同融合，强化了风险闭环处置的落地与见效。2025年，通过跨系统联动预警冻结处置实现风险止损挽损合计16.22亿元，充分验证了机制建设的实践成效，随着课题成果的长期稳定运行，风险识别与处置成效还将进一步增长。

（二）展望

课题的顺利结题，标志着九江银行信用风险管理数字化、智能化迈入新阶段，为银行信贷业务高质量发展提供了有力保障。未来，课题组将继续围绕AI大模型赋能风险识别与控制，持续推进技术持续创新、系统迭代优化、成果深化应用，具体规划如下：

一是深化AI风控体系建设。基于业务数据积累进一步优化大模型，试点部署风险知识图谱系统，构建涵盖客户集团、关联关系、担保圈、资金流向等要素的图模型，增强对复杂风险传导路径的识别能力。建立模型动态调优机制，结合行业政策、监管要求和本行业务发展需求持续完善算法逻辑，提升AI风险识别能力。

二是拓展风险智能识别场景。进一步整合供应链金融、电力、工商等多维度特征数据，形成核心风险监测指标。提升对公小微风险识别颗粒度，实现行业风险、关联交易风险的穿透式识别；构建零售信贷智能预警矩阵，实现对个人消费贷、住房按揭、信用卡等对私场景的风险动态评估。

三是完善风险闭环管理机制。持续推进风险信号分级分类管理，分层推送信贷业务经办人及管理层，推动风险全流程闭环处置，持续迭代优化风险信号“识别-预警-反馈-处置”闭环流程，配套建立风险处置“硬约束”管理机制，更好推动风险管控落地。

四是加强科技业务融合团队建设。打造拥抱AI、持续创新的科技业务融合团队，探索建立科技成果转化应用激励机制，推动创新成果不断向风控效能转化，进一步提升九江银行信用风险防控的智能化、精细化水平，为金融高质量发展、做实金融“五篇大文章”保驾护航。