一、项目背景及目标

本项目基于内部构建的大模型的多模态融合型数智中台，深度融合自然语言处理、知识图谱与可视化技术，构建起覆盖数据查询、分析洞察、报告生成的全链路智能问数能力。平台通过自然语言交互实现对文本、图片等多模态数据解析，支持业务人员“零代码”发起复杂分析请求，并依托多模态数据中台自动生成可解释的分析结论与动态可视化图表，提供智能BI、报告AI解读、归因分析等能力，显著提升数据决策效率。

1.项目背景

①政策驱动：宏观政策利好数据基建和数据要素市场。政策影响与市场机遇：推动数字经济发展：利好的宏观政策为数据应用产品创造广阔市场空间，尤其在金融行业，数据要素确权、流通与价值释放成为监管重点方向。同时，政策也推动了数据基础设施建设，《国家数据基础设施建设指引》等文件为行业数据标准化、互联互通提供了顶层指导，指导数据基础设施建设，促进数据流通与应用，为数据应用产品创造良好市场环境。推动数据应用产品在金融行业的创新应用是当前面临的巨大机遇与挑战。

②技术驱动：随着行业大模型技术的迅猛发展，依托大模型技术，在数据模型构建、指标语义处理等方面的技术理念，与企业数字化进程中对数据应用产品的技术要求高度契合。立足政策催生的数据应用市场机遇，推出Data Agent类创新产品，精准满足各行业的数据应用需求，推动数据应用产品的创新发展与市场拓展。

③业务驱动：企业经营决策中的痛点。分析决策深度问题：知其然，不知其所以然。当核心指标（如销售额、资产规模等）出现波动时，企业往往只能看到数据表象，难以洞察背后的深层原因；即便尝试分析，也多依赖经验或专家能力，无法规模化覆盖所有业务场景。数据分析效率问题：多环节、跨部门协作导致决策效率低下。管理层或业务人员需要呈现核心指标时，需由分析师、数据开发人员介入并遵循相应开发流程才能完成数据报告，整个周期以“天”甚至“周”计算，沟通成本高企，最终造成决策效率低、洞察滞后。分析决策宽度问题：日常数据分析场景受限。管理层或业务人员若想了解数据表现，需借助BI、SQL、Python等专业工具和技术，数据洞察的想法难以快速落地，导致分析场景相对有限。

在此现实背景下，上海证券与网易知数联合打造“智能问数”平台，聚焦金融行业数据应用痛点，以“懂业务、会思考、可进化”为设计理念，助力一线人员实现秒级响应、自然语言交互、零门槛洞察——让每一位业务人员都能成为自己的数据分析师。

2.项目目标

聚焦“智能问数”平台在证券行业的落地实践，本项目确立四大核心目标：

①构建业务语义可理解的数据中枢——打通客户、产品、交易、风控、投研等核心业务域的数据壁垒，构建行业特色高质量数据集，实现语义层统一建模与跨域指标管理和联动分析。

②打造自然语言可交互的分析引擎——支持用户以日常口语化表达发起数据查询，自动完成语义解析、指标匹配、上下文理解与多轮对话，降低使用门槛，支持多轮上下文追问与意图纠偏，让复杂分析如对话般自然流畅。

③实现数据价值可度量的业务闭环——通过归因分析、AI报告解读，将分析结果与业务动作深度耦合，并转化为可执行的业务动作，例如自动触发风险预警、生成合规检查清单、推送个性化营销策略或联动投研报告生成，真正实现“分析即服务、洞察即决策”。

④形成持续进化的智能体能力——基于真实业务反馈与问答日志，动态优化语义理解模型、指标推荐策略与反馈闭环机制，持续提升问答准确率与业务适配度。

二、创新点

1.整合多模态数据，融合大模型工具，实现多模态融合性数智中台。打通文本、表格、图像、音视频等异构数据源，构建统一语义层与跨模态对齐机制。基于大模型的多模态理解能力，自动提取非结构化数据中的关键实体、事件与关系，与结构化数据深度融合，构建高质量数据集。

2.构建多个垂直领域知识库，基于高质量数据集，沉淀行业知识图谱与领域规则引擎，支撑投研、风控、营销等场景的联合分析与智能推理。

3. 构建智能数据治理Agent，依托大模型与规则引擎双驱动，实现数据标准自动映射、质量异常实时感知、问题根因智能归因、智能修复任务自动编排与闭环验证。同时，结合多模态数智中台，构建数据资产量化评估体系，实现数据资产价值的可衡量、可追溯、可运营。

4.基于指标的问数能力，准确性有保障。基于网易自研NL2MQL模型，结合上海证券的指标平台和数据模型体系，可智能化实现模型问答、指标问答、BI报表分析、报告解读、归因分析能力，覆盖指标探查、同环比归因、交叉归因、预实比归因等核心分析场景。

5.构建业务助手能力，构建场景化智能分析引擎，支持财务、风险、营销、投研、金融科技、管理层等不同角色人员，通过工作流、指标问答、问答反馈管理与推送管理等多维能力组合，为各业务线提供“开箱即用”的智能服务入口。例如，财务人员可一键发起费用归因分析等。

6.全链路、个性化的数据安全可信保障。能够实现场景化的数据权限分级管控，可基于业务助手、数据模型、指标等实现数据问答的精细化权限管理，支持按角色、场景、指标、模型等多维度动态脱敏与审计追溯，确保敏感数据“可用不可见、可控可审计”。

三、项目技术方案

1.技术架构

本项目技术方案紧密围绕“数据—模型—应用”全链路协同演进理念，以网易“网易知数智能分析助手”为能力底座，结合上海证券的指标平台和数据模型体系，同时融合大模型等底座能力，构建多模态数智中台。借鉴上海证券在财富管理、投研分析、资产管理等核心业务领域的实践经验，打造面向上海证券核心业务场景的数智化业务助手，深度赋能财富管理、智能投研与资产配置等关键业务环节，助力上海证券构建“数据驱动决策、模型驱动服务、智能驱动增长”的新一代数智化运营范式。

多模态智能问数助手平台整体技术架构如上图所示。该架构采用分层设计理念，下层是融合型数智中台，上层是智能应用服务层，外围是配套打造的数据管控与合规平台。数据来源方面，涵盖上海证券内部各业务系统、监管报送系统、外部第三方数据源等多类型数据源，支持结构化、半结构化与非结构化数据的统一接入与标准化处理。在数据存储与计算处理能力上，平台实现了重大创新，将离线计算、实时计算与向量检索三大核心能力深度融合为一体，构建起“批流一体、向量融合”的新一代数据处理范式。大模型侧，深度融合内外部多模态大模型能力，支持文本、表格、图表、音视频等多模态数据的理解与生成，实现从“单模态问答”到“跨模态推理”的能力跃迁。通过私有化部署的轻量化大模型与领域微调机制，支持领域知识的持续注入与模型能力的动态演进，确保在金融合规、投研逻辑、监管规则等关键场景下，模型输出既精准可信，又具备可解释性与可追溯性。在高质量数据集构建上，聚焦金融领域高质量语料的采集、清洗、标注与向量化，构建覆盖投研报告、监管文件、基金公告、交易日志等各类核心业务场景的专属知识库，支撑大模型在金融场景下的精准理解与可信推理。

在智能应用服务层，平台构建了“三横三纵”能力矩阵：“三横”指财富管理助手、智能投研助手、资产配置助手三大业务级智能体；“三纵”指自然语言交互、多模态交互、智能服务编排三大技术支柱；“三横”与“三纵”能力矩阵共同构成平台的核心服务能力，支撑各业务助手在自然语言理解、多模态内容生成、复杂任务分解与跨系统服务协同等维度的深度能力融合。

在数据安全侧，通过构建数据治理Agent，构建覆盖数据全生命周期的智能治理闭环。该Agent具备自动识别敏感字段、动态打标分级、策略化脱敏、血缘追踪与影响分析等核心能力，支持基于规则引擎与大模型语义理解双驱动的数据质量稽核，可实时发现并预警数据异常、逻辑冲突与合规风险。同时，通过与指标平台深度联动，实现治理动作与业务语义的双向映射，使“谁在用、为何用、是否可信”，一目了然、有据可查，真正让数据治理从“被动响应”走向“主动防控”。

2.业务模式

多模态智能问数的业务分析路径和架构如下图所示。聚焦“数据驱动决策、模型赋能业务”的双轮协同路径，

以“问数即服务”为核心范式，将数据查询、分析、解读、决策建议等能力封装为可编排、可复用、可度量的原子化服务单元；用户通过自然语言发起需求，系统自动完成意图识别、指标匹配、多源数据融合、逻辑推理与结果可视化，实现从“查得到”到“看得懂”、从“看得懂”到“用得上”的三级跃迁。

技术层面上，问数平台基于底座融合型数智中台构建，深度融合指标平台、数据模型平台与语义层平台深度协同，打通指标定义、数据建模、多源接入的全链路闭环。其中，指标平台提供统一的指标定义、计算与发布能力；数据模型平台支撑多维建模与语义抽象，实现业务语言到技术逻辑的精准映射。

功能上，问答模块作为平台面向用户的首要交互入口，集成自然语言问数、归因分析、报告解读、代码生成与工作流编排等核心能力，支持用户以自然语言发起复杂分析任务（如“对比近三个月客户流失率变化，并识别出下降最显著的产品线及其关键影响因子”），系统自动解析多维指标、调用关联模型、生成趋势图表与归因热力图，并同步输出可执行的客户总结建议。

归因分析模块深度嵌入业务语境，支持“指标-维度-因子”三级穿透式下钻，用户可一键定位异常波动的根因维度（如产品组合、营收分析等）。

通过构建场景化业务助手，可面向财富管理、智能投研、资产配置等高频业务场景，提供场景化、可配置的智能分析助手，支持业务人员“零代码”完成策略回测、组合模拟与风险预警等专业任务，让数据能力真正下沉至业务单元。目前已在管理驾驶舱、报表与BI分析、客户生命周期管理、智能投研、资产配置等核心业务场景中，形成覆盖“分析－决策－执行－反馈”的全链路智能支持体系。同时也在持续探索大模型与业务知识的双向驯化——让算法理解业务逻辑，也让业务规则持续反哺模型进化。

3.关键技术

1）全栈信创的多模态融合型大模型数智底座。依托MPP实时数据库与向量数据库的协同调度，支持多模态数据的联合建模，实现跨模态关联推理。

2）语义建模与低代码能力深度融合。依托拖拽式建模、多源异构数据统一接入、指标低代码加工等核心能力，平台将复杂的数据建模过程转化为业务人员可理解、可操作的可视化界面——用户无需编写SQL，即可完成关联聚合、层级构建、维值加速与物化视图配置。

3）基于指标的数据问答体系，以“指标即服务”为核心范式，构建从指标定义、血缘追踪、影响分析到智能问答的端到端能力链。用户输入自然语言问题（如“上季度哪只基金的夏普比率下降最多？原因是什么？”），系统自动解析语义意图。

4）动态知识演化机制。通过实时流计算、RAG引擎与在线学习框架的深度融合，构建知识增量更新闭环。

5）数据治理与AI模型融合，在数据标准、质量规则、血缘追踪等数据管理中融入大模型，实现数据治理规则的智能识别、自动标注与动态优化，实现数据安全管理。

四、运营情况

截至目前，平台已稳定运行满8个月，且在持续迭代升级中：每月平均发布2.5个功能版本，累计完成17次核心能力增强，包括问答意图识别准确率提升至60%、归因分析响应速度优化40%、归因分析准确率提升至90%，关键业务指标平均提升35%。

平台已完成300个数据模型设计，累计完成3180个数据指标，覆盖客户画像、产品推荐、风险评估、交易行为分析、投资研究等核心业务域，完成共计57个业务助手设计，覆盖资管、财富、投研、经营管理等多个业务领域，如财富管理助手已支撑线上客户分层运营与智能推荐，实现客户分层精准触达与个性化资产配置建议。资管助手已支撑资管产品全生命周期管理，覆盖产品设计、发行募集、投资运作、信息披露与风险监控等关键环节。投研助手已支撑深度研究报告自动生成、市场热点实时追踪与投资策略动态优化等。

系统运行期间，未发生重大安全事件，整体稳定性达99.99%。

五、项目成效

项目目前部分场景展示如下：

1.经济效益

1）业务效率提升：通过平台的高效数据处理，显著提升业务效率，如投研助手将研究报告生成周期从平均5天压缩至8小时内，同时基于问数平台，实现投研数据的精准分析，通过流式计算框架实时接入市场行情、舆情资讯与持仓数据，实现投资信号捕捉时效性提升300%，助力投研团队由“经验驱动”向“数据+模型双驱动”跃迁。

2）风险识别与响应能力增强：风控助手模块依托平台分析和大模型语义理解能力，实现对异常交易、市场异动、舆情风险的毫秒级识别与自动归因，风险预警准确率提升至85%，实现对风险报告的自动化生成、解读与分析，平均处置时长缩短50%，显著降低潜在损失规模。

3）合规风控能力强化：全面适配金融行业监管新规，实现数据分类分级自动打标覆盖率100%、敏感字段识别准确率92%。

4）经营管理决策升级：通过融合问数平台与管理驾驶舱，依托AI增强分析能力，构建起“数据—洞察—决策—执行—反馈”的闭环管理机制，实现对经营管理数据的全方位解读、分析与应用。实现经营计划动态校准、资源智能调度与绩效闭环追踪。提升了管理决策效率。通过自动化监控和预警，人工监控成本降低约80%，每年节约运维成本超过百万元。

5）支持全业务链条关键业务指标的实时监控，决策响应时间从小时级缩短至分钟级。

2.社会效益

1）多模态高质量数据集：通过多模态智能数据中台，构建高质量数据集，通过高质量数据集的建设与应用，本项目有效提升了行业的智能化水平，推动了金融科技领域的创新发展。

2）信创与自主创新：融合型数智中台、问数平台以及各各应用平台均实现了信创，为行业自主创新探索了一条新路。

3）智能场景：多模态问数平台，以业务助手为依托，以指标模型为基础，已初步探索涵盖经营管理、财富营销、资产管理等大模型应用案例，为行业提供了可复制、可推广的AI落地范式。

4）合规风控：本项目实现了在问数过程中数据安全等相关个性化配置，以及对高质量数据集的合规管理与风险控制，为大模型在保障金融市场稳定安全、保护投资者合法权益等方面开展了初步探索，为后续相关技术健康良性发展奠定了一定的基础。

六、经验总结

本项目立足行业实践与技术演进双视角，在实际探索中，我们提炼出以下几条可复制、可推广的数智化建设方法论：

1.强化“业务—技术—治理”三元协同，以业务价值为锚点、技术能力为引擎、治理体系为保障，构建“AI原生”的数据治理体系，推动数据资产从“可用”迈向“好用”“智用”。将AI和大模型能力融入到数据标准、数据质量、数据安全等数据治理的各个环节中，推动数据标准、质量规则与安全策略在AI训练、推理、反馈各环节动态适配与自动执行，实现治理规则与AI行为的双向对齐与动态演进。

2.高质量数据集和垂直知识沉淀。通过融合型数智中台，完善多模态数据处理能力，提高多源异构数据整合的效率。降低对人工标注的依赖，加速数据集构建进程。垂直知识图谱构建：重点围绕财富、风险、资管、投研等专业领域，联合业务专家，梳理领域知识体系，构建领域知识图谱，沉淀专业知识，提升模型对专业领域问题的理解和推理能力。

3.以业务助手为核心的场景化建设。聚焦AI智能业务助手在具体场景中的落地路径：以“小场景、深耦合、快见效”为原则，以投研、风险等高频高价值场景为突破口，打造“懂业务、会思考、能决策”的智能助手，融合BI分析能力，实现从“查数”到“析数”再到“策数”的能力跃迁。

4.“数据－模型－指标－服务”一体化贯通，以数据为基、模型为核、指标为纲、服务为用，构建“采—治—建—用—评”全生命周期智能闭环，实现数据资产价值从沉淀到释放的跃迁，有效避免大模型幻觉等，确保模型输出可信、可控、可审计。

5.组织形式上，构建“业务—技术—治理”深度融合的AI协同组织，组成场景化应用专项攻坚团队，全员深度参与、高频协同、闭环迭代，形成AI应用的敏捷交付机制。