一、项目背景及目标

1.项目背景

中信建投证券打造了“找好投顾——到中信建投”的行业品牌。形成了人工投顾+智能投顾+基金投顾三位一体的、涵盖股债基的完整的投顾业务体系。特别是基于大数据与人工智能技术的智能投顾，为全体客户提供投前、投中、投后全投资周期内的个性化的智能化投顾服务。但传统智能投顾服务，因为受限于AI技术的发展水平，侧重于“智能投”而非“智能顾”，只能通过分析客户画像、产品画像，基于客户自选、持仓、交易行为、使用行为，结合投研端策略信号提供预测型“智能投”服务，而提供陪伴、心理按摩的“智能顾”服务深度不足。

核心原因是传统NLP技术在意图识别、多轮对话、上下文语义理解等方面的能力不足,难以支撑“智能顾”服务的预期体验。随着以OpenAI的ChatGPT为代表的大语言模型技术的突破，其在多轮对话、意图识别、上下文语义理解等自然语言方面的能力远超传统NLP技术，可以大幅度提升“智能顾”方面的服务体验。同时，agent在规划、反思等方面的能力可以进一步提升大语言模型处理复杂任务的能力，弥补大语言模型的技术不足。比如AutoGPT能够自主进行问题识别和拆解，分步骤解决复杂问题，FinGPT可以作为投资顾问自主输出投资建议，并能够根据用户的反馈自主改进建议。但大模型同时带来了幻觉、数学计算能力差、可控性差、道德偏见等问题。比如AutoGPT自主处理问题经常陷入自我反思的无限循环导致问题处理失败，FinGPT输出的投资建议缺少依据，不能说明其投资原理。

2.项目目标

本平台旨在搭建一个集大模型训练、微调、开发、测试、验证为一体的完整的开发框架，通过研究投顾领域大模型的开发方法，以及基于RAG、Agent等技术的智能体改进方法，全面提升“智能顾”的能力。通过模型训练实现道德对齐、提升模型的业务专业性。

（1）使用RAG实现答案引用的知识可溯源，通过固定场景人工辅助Agent进行业务编排、发散场景注入专家知识引导Agent进行自主规划来指导模型进行正确的问题处理。通过取长补短，利用大模型优势的同时实现模型输出可信、可控，以技术创新实现AI+业务创新。

（2）在B端提高投顾人员在客户问答、技术分析、话术生成、日报生成、热点分析、报表生成、策略推荐等方面的一致性、专业性、可信性，提高专业下限。

（3）在C端提高自主对客业务的智能化水平，为自主客户分析、交互、产品解读、推荐、服务等方面实现突破。

二、创新点

（1）解决现有投顾业务体系难点

实现多技术融合的智能投顾体系。大语言模型与Agent协同，基于KGPT大语言模型突破传统 NLP 限制，结合Agent技术实现复杂任务规划与自主决策。RAG技术实现知识可溯源，通过检索增强生成（RAG）技术整合金融知识库（如研报、财报、产品库），确保回答内容引用来源透明，解决大模型“幻觉”问题，提升可信度。

（2）全流程开发框架与场景覆盖

模型工厂一体化开发，搭建集大模型训练、微调、测试、部署于一体的开发平台，支持自定义Agent工作流编排（如人工预设流程或基于意图理解的智能规划），降低技术门槛，加速业务落地。多场景智能化服务，覆盖投顾业务全链条。

业务赋能与用户价值

通过产品助手实现投顾产品问答自动化，解决客户经理长尾问题，释放运营专家精力；策略助手整合选股、诊股工具，通过API调用与大模型汇总，提升投顾响应速度。多模态与多渠道支持，支持文本、图片、视频等多格式知识库，适配企微群、APP等多终端交互，例如企微机器人实时答疑、APP端智能诊股报告生成。

（4）行业价值与创新示范

树立金融科技应用标杆，突破“重投轻顾”瓶颈，通过“智能投+智能顾”双轮驱动，构建覆盖投前、投中、投后的全周期服务，为行业提供可复用的 AI+财富管理实践范式。探索大模型在金融领域的合规应用，通过 RAG、Agent等技术平衡创新与风险，为证券行业智能化转型提供技术参考。

四、项目技术方案

1.项目规划主要分为以下几个阶段：

（1）基础构建与智能体设计，包括需求分析与场景定义，调研投顾业务痛点，技术选型与模型训练，单智能体功能验证。

（2）多智能体协同与系统集成涉及，包括多智能体通信机制开发，实时数据融合与决策链路，合规与可解释性增强。

（3）投顾场景落地与优化，主要包括首个客户场景正式上线，性能优化与规模化，以及打造一个安全、高效、可解释的AI投顾平台。

2.技术架构图如下所示：

（1）基础设施层

计算资源：GPU 服务器（如NVIDIA A100）支持大模型训练与推理，CPU服务器部署Agent调度、数据服务等轻量级任务。容器化部署（Docker）实现资源弹性扩展，通过Kubernetes管理容器集群，支持动态扩容与负载均衡。

存储系统：数据库：MySQL/MongoDB存储用户会话、权限数据；Redis缓存高频访问数据（如客户画像、历史分析结果），缓存有效时长5分钟。

非结构化数据：研报、财报、公告（PDF/Word/Excel格式），通过IDP（智能文档处理）技术解析为文本，存入向量数据库（如 Milvus），支持 Embedding 检索。

网络与安全：内外网隔离，API接口通过 HTTPS加密传输，采用 CAS 统一身份认证，防止未授权访问。部署Web应用防火墙（WAF），定期进行渗透测试与代码安全扫描。

（2）核心技术层

基础模型基于 Transformer架构的自研模型（如K-GPT），混合金融领域数据（研报、政策、交易数据）预训练，支持多轮对话与意图理解。技术增强中RAG（检索增强生成）针对用户问题，先通过向量数据库检索相关知识库内容（如产品 QA、研报片段），再由大模型生成回答，确保内容可溯源。

Agent技术中主 Agent作为交互入口，负责意图识别（如判断 “选股”“诊股”需求）、子 Agent调度、结果汇总与风控审核。子 Agent中产品助手基于 RAG 解析投顾产品知识库，解决标准化问答（如 “Level2 黄金版是否含白银版服务”）。策略助手调用选股 / 诊股 API（如同花顺因子选股接口），生成策略建议（如“成交量

（3）应用服务层

投顾 Copilot平台前端交互中提供智能诊股、策略推荐、投后分析报告。企微群机器人支持多群并发答疑，界面类似 ChatGPT的LUI交互，显示知识源引用。

后端服务模型工厂支持可视化Agent创建、工作流编排、知识库管理（上传、解析、版本控制）。评估服务三级评测体系（通用能力+金融能力+场景测试），结合 GPT-4 初评与人工专家终评，优化模型准确率。

（4）业务场景层

投顾服务中产品问答覆盖20+投顾产品，通过RAG快速定位知识库 QA对，秒级响应。具体业务流程图如下所示：

投资分析中个股诊股调用技术指标（MACD、KDJ）、主力资金流向数据，生成多维度分析报告。行业分析基于研报 RAG 提取行业政策、竞争格局等信息。策略推荐根据用户风险偏好（如“保守型”），调用多因子模型生成选股组合，支持因子参数自定义（如 “市盈率 < 20 且股息率 > 4%”）。客户运营中个性化匹配基于五维投资性格标签，提供投资总结。

3.商业模式

收入来源方面，C 端增值服务定制化报告，个股深度分析、客户画像投资总结。B 端解决方案向中小券商输出投顾大模型能力，收取技术服务费或分成，与金融机构合作，提供定制化产品解读服务。

成本结构方面，技术投入包括大模型训练算力、数据标注、API 接口采购。运营成本有知识库维护、合规审核、客户服务。

4.业务模式

服务场景方面，投顾服务产品问答，覆盖 Level2、点金投等 20 + 投顾产品，支持 7×24 小时自动答疑；投资分析中提供个股诊股（技术面 / 资金面）、行业分析、券商研报解读；策略推荐中多因子选股、主力动向跟踪、资产配置建议（需人工审核后输出）。

客户分层方面，B 端客户包括客户经理、投顾专家，通过平台提升服务效率与专业度。C 端客户包括普通投资者（免费基础服务）、高净值客户（付费深度分析），差异化定价。

四、项目过程管理

项目各阶段的实施周期

五、运营情况

目前推广到投顾与客户，B 端投顾赋能中用户规模：已覆盖数客户经理与投顾人员，通过企微群机器人、内部管理平台提供实时支持，日均处理产品咨询、技术分析等问题超万次，累计调用次数7500频次，系统运行稳定。

场景落地方面，产品培训中产品助手解决80%以上的高频问题（如“Level2港股版签约限制”），释放总部运营专家30%的精力。投研助手可以提供金融知识问答、投顾产品问答、个股基本面分析、技术面分析、资金面分析、选股、诊股等投资顾问服务，投顾观点生成效率提升80%。C 端用户中企微生态中接入企微客户群，机器人自动答疑覆盖率达30%，客户咨询响应时效缩短至秒级。

六、项目成效

1.经济效益

提升投资决策效率：多智能体系统可并行处理海量市场数据、宏观经济指标和投资者偏好，快速生成个性化投资建议，降低人工投顾成本，提高金融机构的运营效率。

优化资产配置与风险控制：通过多智能体协同分析（如交易策略智能体、风控智能体、客户画像智能体等），动态调整投资组合，减少人为情绪干扰，提升长期收益稳定性。

创造新型金融服务模式：支持7×24小时智能投顾服务，覆盖长尾客户群体，扩大金融机构的客户基数与收入来源（如订阅制、绩效分成等）。

2.社会效益

普惠金融推广：降低专业投顾服务门槛，让中小投资者以更低成本获得高质量的财富管理建议，缩小投资信息鸿沟。

增强市场稳定性：多智能体系统可通过实时监测市场异常（如波动预警、舆情分析），减少非理性交易行为，促进资本市场健康发展。

推动金融科技伦理实践：通过可解释AI技术（如智能体决策溯源），提高投顾透明度，帮助监管机构防范算法操纵风险，保障投资者权益。

七、经验总结

（1）技术融合驱动创新，以大语言模型为底座，结合 RAG、Agent 技术构建分层架构，实现知识可溯源与任务自动化，解决传统投顾 “重投轻顾” 痛点。

（2）分阶段精准落地，从单一场景（产品助手）逐步扩展至多场景协同（个股分析、策略分析），通过小步快跑降低风险，确保技术与业务深度适配。

（3）生态化推广策略，内部聚焦于智能投顾业务线，外部探索 SaaS 化输出与第三方合作，构建开放生态，推动技术价值最大化。