一、项目背景及目标

（一）项目背景 随着国家数字经济战略的深入推进和人工智能技术的飞速发展，金融行业的数字化转型已进入深水区。在这一浪潮中，数据被提升到前所未有的战略高度，成为驱动业务创新和精细化运营的核心生产要素。我行积极响应国家关于强化科技创新、推动金融高质量发展的号召，深刻认识到数据资产化、知识化、智慧化的重要性。正如《新一代数据架构》所倡导的，数据架构需向以知识和智慧为方向的更高价值密度演进。

在数字经济战略驱动下，金融业正加速向智能化转型。数据作为核心生产要素的战略地位日益凸显，但传统数据服务模式面临多重结构性挑战：一是系统架构之困—经多年信息化建设，银行普遍存在多套异构业务系统，数据整合效率低下，需求交付周期难以匹配业务敏捷化要求；二是人机协同之困—业务人员普遍受限于数据库等专业技术，长期依赖IT部门支持，导致数据价值释放滞后于业务创新节奏；三是安全发展之困—多数AI技术链依赖外部厂商，存在核心技术受制于人和数据安全隐患。正如《新一代数据架构》所指出，数据服务需向知识化、智慧化方向演进，方能实现价值密度跃升。

作为地方性金融机构，我行已完成数据治理体系的基础建设，构建了统一数据仓库、实时计算平台、数据中台等核心能力。然而，实践中仍存在四大痛点：

数据“可用”与“易用”的鸿沟：尽管我行已建成强大的数据中台和各类数据服务，但业务人员在实际用数过程中，仍高度依赖IT部门进行数据提取、报表开发，响应周期长，难以满足日益敏捷化、场景化的业务需求。

业务需求与技术实现的错配：业务人员难以用精确的技术语言描述其数据需求，而IT人员对业务场景的理解深度有限，导致沟通成本高，数据成果与实际业务目标可能存在偏差。

数据价值释放不充分：海量数据中蕴藏的洞察和知识未能得到充分、高效的挖掘和利用，业务决策的智能化水平有待提升。一线业务人员渴望更直接、更便捷的方式洞察数据，赋能日常工作。

对自主可控技术的要求：在核心技术领域，特别是人工智能和大数据处理方面，积极采用并发展国产化技术，确保金融系统的安全稳定与长远发展。

在此背景下，大语言模型（LLM）技术的突破为解决上述痛点提供了革命性的路径。本项目通过构建基于大模型的智能问数，将复杂数据分析能力赋予业务人员，旨在打通数据服务的“最后一公里”，实现“人人用数据、时时用数据、处处用数据”的愿景，真正做到“用数赋智赋能业务发展”。

（二）项目目标 本项目以我行现有成熟的数据服务体系为坚实底座，通过引入先进的大语言模型技术，构建“大模型驱动的智能问数应用”。其核心目标在于通过技术革新，重塑我行业务人员与数据交互的方式，全面提升数据要素的价值创造能力，为我行高质量发展注入强劲的数智动能。具体目标归纳如下：

一是实现业务用数的范式革新与极致提效。本应用旨在赋予业务人员通过自然语言便捷、高效地进行自主数据查询与即时分析的能力。这将极大降低用数门槛，使一线人员能够独立、快速地响应业务变化，显著缩短数据获取与分析周期，支持敏捷决策。长远来看，便捷的用数工具将积极培养业务人员的数据思维和分析能力，营造“人人用数据、时时用数据、处处用数据”的浓厚数字化氛围，从而加速我行整体数字化转型进程，全面提升全行数字化作业水平与运营效能。

二是深化数据智慧洞察与知识赋能决策。该应用致力于推动数据从原始记录向结构化信息、业务知识乃至决策智慧的逐级转化与价值沉淀。通过大模型的理解与分析能力，辅助业务人员更深层次、更精准地洞察数据背后隐藏的规律、市场趋势与潜在业务机遇，从而显著提升业务决策的科学性、前瞻性与精准度。

二、创新点

本项目在深入研判金融行业数字化转型趋势、充分借鉴业界先进经验的基础上，紧密结合我行多年信息化建设所积累的坚实成果与独特优势，进行了一系列具有实践性的关键创新。主要体现在以下三个方面：

（一）架构创新与自主可控 构建基于“Text2API”的国产化智能问数新范式，兼顾敏捷与稳健。

本项目在自然语言到数据的转换路径选择上，独辟蹊径。业界虽有直接“Text-to-SQL”的技术方案，但该方案在处理涉及复杂多表关联、深层嵌套查询以及特定业务逻辑封装时，大模型往往难以生成完全准确且高效的SQL，尤其在我行业务系统繁多、数据模型关联复杂的背景下，错误SQL的风险与后期维护成本极高。为此，我行创新性地确立了以成熟、稳定、安全的数据服务API作为大模型统一调用“后端”的核心架构。这一“Text2API”模式，既充分复用了我行多年数据中台建设在数据标准化、服务化封装、业务逻辑沉淀及统一出口管控等方面的宝贵成果，又通过大模型赋予了这些既有服务自然语言交互的“前端”智慧能力。此举大幅降低了业务人员直接操作底层数据库的潜在风险，巧妙规避了复杂SQL自动生成的业界难题，显著简化了大模型理解和处理复杂业务逻辑的难度，实现了“前沿AI技术”与“稳健企业级架构”的完美融合与高效协同。

（二）融合赋能与安全保障 深度践行“数据智理”与“用数赋智”，并以金融级安全体系保驾护航。

在“数据智理”层面，规划通过结合大模型强大的自然语言理解与上下文感知能力，帮助业务用户更透彻地理解数据来源、加工过程与业务内涵，从而建立对数据的信任感，提升数据应用质量。在“用数赋智”层面，该应用直接赋能各级业务人员进行自助式、探索式的数据获取与即时洞察，使其能更便捷地将数据转化为驱动日常工作、优化业务流程、创新产品服务的智慧与动能，有力推动全行数据驱动型业务模式的构建与深化。

（三）敏捷迭代与前瞻进化 坚持业务价值驱动的敏捷开发。

本项目自始至终秉持以业务价值为导向的敏捷开发与迭代理念。从项目启动初期，便请核心业务部门深度参与需求梳理、场景共创和原型验证。通过“快速上线、小步快跑、持续反馈”的迭代模式，项目团队能够迅速捕捉用户在实际使用中的痛点与期望，并据此不断调优模型交互策略、完善应用功能设计、拓展高价值应用场景。这种紧密围绕业务需求、快速形成“应用-反馈-优化-再应用”的闭环机制，确保了技术创新与业务价值实现的紧密贴合和持续交付。

三、项目技术方案

（一）项目规划 我行大模型应用自2024年1月正式启动，为确保“大模型驱动的智能问数应用”的高效构建与成功落地，已系统性地规划了清晰的建设路径。整体建设将遵循“夯实基座、敏捷迭代、场景牵引、价值驱动”的核心策略，通过分阶段、递进式的方式稳步推进，确保每一阶段成果可验证、风险可管控，并能快速响应业务需求变化，持续创造并交付业务价值。

第一阶段核心目标在于奠定坚实的技术与应用基础，并初步验证应用核心价值。将全面完成超百卡国产算力集群的优化配置，并搭建稳定高效的大模型推理环境。在此基础上，针对金融领域特性及智能问数核心场景，审慎进行大模型的选型与应用适配。通过Prompt工程设计、结合行内业务术语库与数据元数据信息，并优化与大模型的交互逻辑，重点提升大模型对银行业务语境、数据结构及用户真实意图的精准理解与响应能力，确保其能有效服务于下游任务。同时，构建“Text2API”核心转换引擎，打通大模型与本行现有数据服务总线，实现自然语言到API调用的精准、高效转换，首期将覆盖行内高频使用及核心业务领域的数据服务接口。

图 技术路线

第二阶段致力于横向拓展服务范围并纵向深化应用功能。将持续、有序地接入更多数据服务API，进一步丰富可查询的数据维度与覆盖的业务领域。重点增强大模型在特定业务场景下的理解与泛化能力，主要通过引入更丰富的上下文信息、增强对金融领域特定问询模式的识别与处理能力，以提升模型对复杂查询、模糊查询的处理效果，以及在多轮对话中对上下文的精准理解与意图保持能力。

第三阶段应用将向更高阶的智慧赋能与良性生态构建演进。将基于对用户行为和业务数据的深度分析与模式挖掘，探索从传统的“人找数”向更为智能的“数找人、数提策”模式转变，实现主动为用户推送相关的业务洞察、风险预警及决策建议。

图 智能问数应用

（二）业务功能  “大模型驱动的智能问数应用”其业务功能设计深度聚焦于解决一线业务人员在日常工作中面临的数据获取难、理解难、应用难的痛点，致力于通过前沿的人工智能技术，构建一个围绕“便捷交互赋能、智能洞察驱动、安全可控保障”三大核心原则的全新数据服务生态。

1.自然语言驱动的智能查询与深度交互

该应用的核心革新在于赋予业务人员通过自然语言进行复杂数据查询的强大能力。用户无需掌握专业技术背景，仅需输入日常业务用语，系统内置的“Text2API”引擎便能凭借强大的语义理解和意图识别能力，自动将自然语言精准转换为对后台数据服务API的调用。该应用支持流畅的多轮对话，用户可进行追问、筛选或维度深化，模型能智能保持上下文关联，无需用户重复前提，使得数据分析如自然沟通般高效。针对用户表述可能存在的不精确或歧义，模型具备模糊查询处理与智能容错能力，能通过引导式反问或提供候选选项辅助用户明确意图。

2.结构化结果呈现与交互式智能可视化分析

无论后台API返回何种格式数据，该应用均会自动解析并转换为易读的结构化形式，如动态表格、列表或关键指标卡片，用户可进行在线排序、筛选等操作。系统能根据数据特点和用户意图，智能推荐并即时生成多种合适的图表（如折线图、柱状图、饼图等），用户可与图表进行下钻、上卷等交互操作，实现从数据到图形洞察的无缝转换，极大提升数据解读的直观性。

3.金融级精细化权限管控与全链路安全审计保障

数据安全与合规是平台的生命线。该应用与本行统一身份认证系统深度集成，确保用户身份的严格认证与唯一性。在此基础上，构建了严格且灵活的多维度数据查询权限管理体系，与用户岗位及所属机构层级（总行、分行、支行、网点）紧密绑定，确保用户仅能访问其职责与机构层级授权范围内的数据和服务API。

图 后台监控

四、项目过程管理

我行于2024年2月成立大模型课题组，于2024年2月中旬完成GPU服务器资源部署，随后开始大模型底座测试。于2024年8月开始智能用数场景应用建设，优化应用功能。于2025年2月完成应用开发，丰富数据应用场景，优化应用功能并逐步开始试点工作。2025年2月至今，基于DeepSeek模型基座的应用持续迁移中。

五、运营情况

在用户引入、培训赋能及模型交互效果的持续优化方面，运营工作扎实推进。首批试点聚焦于总行部分核心业务部门，如电子银行部等，通过建立响应及时的技术支持与交流群组等方式，有效帮助试点用户快速熟悉各项功能。通过搭建模型性能实时监控仪表盘，持续追踪包括查询意图理解准确率、API调用成功率、用户反馈满意度以及无效问答率等在内的关键性能指标（KPIs）。

图 监控仪表盘

核心的用数权限管理模块和全流程问答日志查询与审计功能已稳定高效运行，为应用的安全合规运营提供了坚实的技术保障。为拓宽智能问数的服务边界和应用深度，在首批已接入的核心业务API基础上，运营团队正根据业务发展优先级和试点用户的实际需求，与数据中台及各业务系统团队紧密协作，动态梳理并有计划地逐步对接更多领域、更深层次的数据服务接口。

目前，在试点初期，该应用日均处理用户各类自然语言查询数千次。试点用户普遍对应用提供的自然语言交互方式的便捷性、数据获取的即时性以及操作的友好性表示高度认可，并积极地为应用的进一步完善建言献策，形成了良好的互动氛围和应用生态雏形。虽然应用尚处于运营初期，但其在赋能业务决策、提升工作效率、降低用数门槛等方面的潜力已初步显现。随着模型交互效果的持续增强、功能的日益丰富、接入数据范围的不断扩大以及用户群体的逐步推广，预计各项关键运营指标将呈现稳步提升的良好态势，该应用的业务价值也将得到更充分的释放。

六、项目成效

尽管尚处早期，该应用已在赋能业务、提升效率、夯实技术基础及培育数据文化等多个维度展现出初步成效，充分预示了其在推动我行数字化转型、提升核心竞争力方面的巨大潜力和深远价值。

首先，在赋能业务人员自主用数、提升数据驱动决策能力方面成效初显。试点业务用户已能突破传统数据获取模式的束缚，通过自然语言直接与该应用进行交互，便捷、高效地获取此前需依赖IT支持或复杂BI工具操作方能得到的数据。

其次，在关键技术自主可控与应用经验积累方面取得了重要突破。本项目坚定践行国家信创战略，成功依托我行超百卡国产算力集群，完成了大模型在金融核心业务场景下的应用适配、稳定部署与高效运行。这实现了在数据探索与创新应用、提升用数灵活性的同时，有效防范数据泄露和误用风险，充分体现了“安全是发展的前提，发展是安全的保障”的理念。

随着该应用功能的持续迭代完善、模型智能水平的不断进化以及应用范围的逐步推广与深化，预计未来在进一步降低运营成本、提升全行决策质量与效率、创新金融产品与服务模式、增强风险精准防控能力等方面的成效将更加显著和量化。本应用将为我行在日益激烈的市场竞争中注入强大的、可持续的“数智动力”。

七、经验总结

“大模型驱动的智能问数应用”的建设与初步运营，是我行在人工智能时代积极拥抱新技术、探索数据价值释放新路径的宝贵实践。在此过程中，积累的关键经验在于：坚实的数据底座是前提，我行多年数据治理与中台建设为项目成功奠定了基础；场景驱动与业务深度融合是关键，确保技术方案能真正解决业务痛点并创造价值；坚定国产化技术路线不仅保障了项目自主可控，更提升了核心技术能力，对金融安全具有长远战略意义；大模型在金融领域的应用适配是一个持续优化、体系化运作的复杂过程，需结合领域知识与用户反馈不断迭代；同时，复合型人才培养与跨部门高效协同是项目成功的组织保障。这些经验深刻揭示了技术创新与业务实践相结合的内在规律，为我行未来深化数字化转型提供了重要启示。