一、项目背景

当前金融行业数字化转型进入深水区，数据价值日益凸显。福建省农村信用社联合社（以下简称“福建农信”）传统数据处理模式存在响应慢、门槛高、过度依赖科技人员等痛点，业务人员获取数据通常需经历“提交需求—等待排期—人工取数”的冗长流程，难以满足快速变化的市场响应需求。

为此，福建农信以信贷风险与金融市场为试点，引入基于大语言模型（LLM）与AI Agent的智能问数系统，采用“Agent+NL2DSL+RAG”技术路线，构建规划器、代码执行器与记忆体协同机制，规避NL2SQL的指标二义性与表关联歧义，实现从描述性到指示性分析的闭环，降低数据分析门槛、提升响应效率、释放数据价值。

二、项目方案

本项目以大语言模型与AI Agent为核心技术，构建了支持自然语言交互、具备智能分析与决策支持能力的对话式BI平台。系统采用模块化、服务化设计，实现从底层基础设施到上层应用的全栈自主可控。

1.应用架构

系统整体架构围绕“对话式分析”核心场景，分为四个层次：

数据连接层：支持关系库、大数据平台、NoSQL、API、本地文件等多源异构数据接入。

数据准备层：提供一站式敏捷建模能力，支持跨库数据整合和丰富的时间智能计算（如同比、环比），解决口径不一致与性能问题。

检索增强与知识分析层：基于LLM和AI Agent框架，通过规划器、代码执行器、记忆体协同，将复杂问题拆解为子任务并执行，实现多轮对话、动态图表生成与高级分析。

应用场景层：面向决策者与业务人员，提供智能看数、问数、用数体验，支持MCP协议及第三方系统集成，内置精细化的数据权限控制。

2.核心引擎与关键技术

智能对话式分析引擎：基于DeepSeek-V4、Qwen3-32B等大语言模型，结合AI Agent任务规划与执行能力，实现从自然语言到结构化查询的精准转换，可处理多数据集融合、异常检测、归因分析、预测等复杂需求。

业务专属知识库：基于RAG和图谱技术，自动从数据模型中学习向量表示并存储至向量数据库；支持同义词配置、知识体系配置、示例配置，将业务知识、同义词、示例与元数据抽象为图节点，关联关系抽象为边，形成数据知识图谱，显著减少模型幻觉。

统一指标模型与数据模型引擎：以“指标”为核心，从根本上解决数据口径不统一、指标二义性问题，确保同一指标在不同用户、报表中理解一致。

分层计算与数据能力融合：数据量大及同环比等计算下压到数据模型执行；复杂函数计算由Python代码处理，用户无需切换平台即可完成全流程。

数据安全管控：支持字段级细粒度权限控制、私有化大模型部署、插件化扩展，满足金融级安全合规要求。

三、创新点

1.技术创新

任务动态自主规划引擎：集成DeepSeek-V4、Qwen3-32B等大模型，通过意图识别、语义解析与任务拆解，将用户问题自动转化为可执行的子任务流程，支持复杂问题多步推理与动态规划。

高效多路检索技术：构建行内专属指标向量库与业务知识图谱，根据任务类型自动匹配检索策略，较传统RAG技术显著提升查询意图匹配准确率，减少模型幻觉。

NL2DSL与代码生成技术：将自然语言转换为Python代码，代码内部通过JSON SQL格式的DSL调用数据模型查询，经代码解释器双重校验与自主纠错，提升检索效率和准确率，支持高级分析任务。

2.模式创新

依托Agent智能体框架（规划器+代码执行器+记忆体），本系统实现了从数据查询到决策建议的闭环，支持四阶智能分析：首先通过描述性分析回答“发生了什么”，利用NL2DSL与指标库精准匹配指标与维度，自动生成图表或表格；继而通过诊断性分析回答“为什么会发生”，调用归因分析插件，自动评估各维度贡献度，快速定位变化原因；在此基础上，通过预测性分析回答“接下来可能发生什么”，利用趋势预测插件，基于历史数据输出未来趋势及置信区间；最终通过指示性分析回答“应该采取什么行动”，结合数据解释插件，自动生成个性化行动建议。业务人员无需学习复杂工具，仅通过对话即可完成全部四阶分析，真正实现“数据到决策”的端到端自动化。

3.安全合规内嵌设计

为满足金融级安全合规要求，系统将安全合规作为内嵌式设计：一方面基于数据模型实现字段级细粒度权限管控，并支持按用户、用户组、角色动态配置；另一方面提供全链路审计与监控能力，通过对话记录查询日志功能，支持监控查询结果、追踪问题并评估模型准确率，据此持续调优；同时，权限、脱敏、审计等合规策略均在架构层原生融入，确保全流程可追溯、可审计、可控制。

四、技术实现特点及优势

1.全栈自主可控：基于国产化软硬件生态，私有化部署大模型，保障金融数据安全。

2.架构先进性与扩展性：模块化、服务化设计，支持MCP协议，易于与现有系统集成。

3.精准语义理解：通过业务专属知识库与统一指标模型，显著提升问数准确性，确保“词能达意，答有所问”。

4.安全合规：权限、脱敏、审计原生内嵌，全链路可追溯、可审计、可控制。

五、项目过程管理

本项目于2025年5月正式启动，聚焦经营分析问数与信用风险报告撰写两大核心场景，历经场景规划、需求调研、指标维度梳理、信创环境部署、数据加工与模型搭建、大模型及智能体调试等关键实施阶段，经过多轮次联调测试、回归验证与上线筹备，于2025年12月正式投产，并且上线后持续进行迭代优化。

六、运营情况

系统上线以来，累计处理智能分析请求超过13,176次。信贷风险场景已上线100余项关键风险指标、20余个分析维度；金融市场业务覆盖294项关键市场指标、26个分析维度。业务人员通过对话式交互自助完成不良率归因、风险趋势预测、客户结构画像等深度分析。系统运行稳定，有效支撑信贷风险管理与金融市场业务的日常数据分析需求。

七、项目成效

1.重塑数据获取范式

通过自然语言交互替代传统冗长流程，将数据获取周期压缩至秒级、分钟级响应，效率提升达90%以上，实现“随时随地、即问即答”的敏捷数据服务，大幅释放IT支撑人力，缩短决策链路。

2.赋能核心业务场景

信贷风险管理：覆盖100余项关键风险指标，支持不良率归因、风险趋势预测、客户结构画像等深度分析。以“不良贷款率变化原因分析”为例，系统可自动拆解地区、行业、产品等多维度贡献度，辅助风险管理人员快速锁定问题源头，增强风险早识别、早预警、早处置能力。

金融市场业务：覆盖294项关键市场指标，为资金交易、同业往来等核心业务提供准确数据支撑，提升市场研判时效性与决策科学性。

3.实现业务一线数据分析师

通过对话式BI模式，将数据分析能力下沉至业务一线，业务人员无需掌握SQL或专业BI工具，仅通过自然语言提问即可获得专业级分析结果，实现从“等数据”到“用数据”的转变，降低人力成本与跨部门沟通成本，推动数据价值普惠化释放。

4.突破传统分析边界

构建“描述性-诊断性-预测性-指示性”智能化分析链条，支持自然语言时间表达自动解析，无需预构建时间维度即可实现同比、环比、累计、占比等复杂时间智能计算，具备归因分析、趋势预测、行动建议生成等高级功能，满足灵活多变的探索性业务需求，为管理层提供前瞻性、可执行的决策依据。

5.自主可控技术创新

项目沉淀的技术方案、指标体系及运营模式具备高通用性和强复制性，为全行推广至更多业务领域奠定基础，也为金融行业数字化转型升级提供可借鉴的实践范本。

八、经验总结

项目坚持以业务场景为驱动，选取信贷风险与金融市场作为试点，聚焦高频高价值分析场景快速验证技术可行性并形成标杆示范；技术架构全面聚焦自主可控，基于国产化大模型与AI Agent路线全栈适配国产软硬件生态，筑牢金融数据安全底座；将知识库建设作为能力跃升的关键抓手，通过同义词映射、知识体系构建与示例配置打造业务专属知识库，显著提升模型对专业术语的理解精度并有效抑制“幻觉”；安全合规理念贯穿研发全流程，将权限管控、数据脱敏与操作审计等能力作为原生模块前置嵌入系统架构，全面契合金融级监管要求；同时依托对话日志监控、问题追踪与模型评估机制，构建“监控-分析-优化”的运营闭环，实现系统能力与业务需求的持续迭代与长效演进。