专题演讲嘉宾：于浩军

金融监管数据是一个“零容错、强追溯、口径复杂”的场景：一张报表背后是成百上千的指标口径、明细数据和监管规则，任何一处口径漂移或数据错误都可能带来合规风险。当我们尝试用 Agent 来承接采集、计算、检核、复核这些工作时，很快发现——决定 Agent 能否“跑得稳”的，不是模型能力，而是它背后的数据资产与知识资产质量，以及一套让二者持续相互增强的工程体系。

本次分享将先从金融监管的真实应用场景切入：从监管要求解析、数据采集处理、日常质量检核，到问题根因/血缘追溯、缺失数据补全、数据复核，看清 Agent 在每个环节要解决什么、又卡在哪里、如何解决。

演讲提纲

1. 第一部分：应用场景——Agent 在金融监管中要解决什么
   • 背景：金融监管为什么“不容 Agent 犯错”
     • 场景特点：口径复杂、频度高、零容错、强追溯。
     • 通用 Agent 直接上场的三大痛点：口径漂移、幻觉、不可解释。
   • 端到端应用场景全景
     • 需求侧：解析监管要求 + 比对内部数据情况，自动生成采集逻辑、处理程序、质量控制规则。
     • 报送中：智能数据初始化、自动质量检核。
     • 问题处置：根因分析、血缘分析、数据追溯、缺失数据智能补全。
     • 报送前：数据复核、生成复核报告、给出审核建议。
2. 第二部分：解决方案——Harness 体系如何支撑场景落地
   • AIR Harness：面向金融监管的智能体底座
     • 定位：让 Agent 在监管“零容错、强追溯”要求下稳定运行的工程底座。
     • 核心能力：Agent / Skill / Tools / MCP 创建——但都服务于“口径受控、数据可查、逻辑可溯”。
     • 监管特性一 · 口径受控执行：Agent 依据已治理的知识/数据资产执行，取数逻辑与指标计算被“钉”在治理成果上；高频监管场景（指标计算、报表勾稽校验）固化为标准 Skill。
     • 监管特性二 · 面向监管数据形态的受控连接：MCP 精准对接明细/指标/报表库、监管知识库、勾稽血缘图库，每次取数与知识引用可审计、可留痕。
     • 监管特性三 · 全链路可追溯：记录每一步（调用哪个 Skill、引用哪条口径、取哪张表、走哪条血缘），报送结果可逐层回溯到规则与数据源。
   • 两大知识底座：让 Agent“既懂知识，又懂关系”
     • 向量知识库：基础知识部分，分类存储监管制度/口径说明/数据字典，MCP 接入增强 RAG。
     • 图数据库：关系与逻辑部分，以图存储指标勾稽、数据血缘、报送逻辑关系，MCP 接入增强 RAG。
     • 双底座如何解决“口径依赖上下文、指标依赖计算逻辑”。
   • 数据资产管理：数据即知识，知识反哺数据
     • 数据分层：明细类、指标类、报表类、非结构化。
     • 三类定义入库为知识：表/字段定义、指标口径与计算逻辑、报表口径频度范围。
     • Agent → 治理提效：自动完善元数据、识别数据标准、安全分级分类、数据确权。
     • 数据资产 → Agent 反哺：自动生成取数 SQL、取指标方法、数据知识问答。
   • 数据质量管理：Agent 驱动的质量闭环
     • 以数据资产为基础的动态监测。
     • Agent 自动生成检核规则、评估有效性。
     • 问题闭环：根因/血缘/追溯 → 处置流程 → 考核评价。
     • 自动生成质量分析报告、考核评价报告。
   • 回扣场景：双向驱动如何让前述场景稳定运行
     • Agent 按“知识资产的业务逻辑 + 数据资产的定义信息”执行，而非自由发挥。
     • Skill 固化 + MCP 受控接入：抑制幻觉、锁定口径。
     • 全链路可解释与可追溯：结果回溯到规则、数据与血缘（呼应第一部分痛点）。
3. 第三部分：经验与展望
   • 落地经验与展望
     • 双向驱动飞轮：治理越好 → Agent 越稳 → 治理更高效。
     • 踩坑与经验总结。

这样的技术在实践过程中有哪些痛点？

• 数据资产和知识资产在初步形成及后续维护过程中的质量稳定性及稳定性评价方面，还存在不可控因素。

听众收益

• 金融监管场景下 Agent 落地的全流程拆解与真实痛点。
• 一套可复用的“知识/数据资产 → Harness → Agent”工程范式。