共计 1083 个字符，预计需要花费 3 分钟才能阅读完成。
当二十年老牌行情软件遇上 AI: 大智慧的智能化跃迁之路
对大智慧而言, 这场改造的意义不只是在产品里加了一个 AI 对话框, 而是重新定义了金融软件与用户的关系。从提供数据的工具变为理解需求的伙伴。
📌 背景: 增长见顶, 改造难点不在接模型
- 服务同质化: 行情与资讯相似, 如何把数据变成判断才是痛点。
- 门槛高: 量化回测、专业指标对普通投资者不友好。
- 智能不足: 投资需要持续跟踪, 用户要的不只是查询工具。
🔍 核心:AI 原生架构的四个关键要素
2024 年夏, 双方沟通两个多月后明确方向 , 当年 10 月项目启动。团队起初尝试用 RAG 检索或 Web Search 把数据交给大模型, 但测试发现幻觉难解, 客户价值有限。金融数据语义复杂、口径多元, 工程化落地最终归纳为四个要素。
数据治理: 同一只股票的涨跌幅在不同数据源中算法可能不同 , 市盈率也会因财务周期产生差异。人类分析师可凭经验判断, 大模型却容易踩坑。因此需要统一含义、口径、来源与时效性。由于数据分散在多个系统, 全量重建中台周期长, 阿里云采用按场景切入, 先圈定高价值场景, 再提供方法论与技术支持。
Agent 框架与记忆体系: 阿里云面向金融场景的 Agent 平台 FinXScope 2.0 承担中枢角色。编排层负责意图识别、任务拆解与执行规划;Skill 体系覆盖行情查询、选股、特色指标、资讯研报、交易辅助等能力; 安全沙箱让事实数据操作在技能与沙箱中执行, 大模型只负责编排, 以“大脑 + 双手”架构控制幻觉。记忆体系分长期画像、行为操作、交互历史与短时上下文四层, 按需检索、动态拼装。
评测体系: 有标准答案的场景如选股 , 可建评测集快速迭代; 没有统一标准的诊股分析、发散问题, 则需与客户从零设计维度。双方采用人机协同, 人工逐条过审, 大模型自动打分, 并通过灰度收集真实反馈驱动优化。
💡 落地与影响
算力层, 阿里云提供 GPU、国产 PPU 推理算力与弹性通用算力。模型层, 千问系列按场景匹配不同尺寸 ; 意图识别从全尺寸模型约 10 秒降至 2 至 3 秒, 并将意图分类训练进 4B 小模型, 提升速度与稳定性。
金融 AI 竞争点正从“能不能答”转向数据是否可信、任务能否闭环。 数据治理、Agent 工程、记忆与评测是一套系统工程 , 难以靠单一模型能力替代。专业分析门槛有望降低, 但实际效果仍取决于评测与迭代机制。
📊 总结
大智慧的改造说明, 金融软件智能化不是接入大模型接口就能完成 。它需要把数据、工具、记忆与评测重新组织, 让 AI 在可控边界内工作。对大智慧而言, 这既是产品形态升级, 也是金融软件与用户关系的一次重新定义。能否把工程能力转化为稳定体验, 将决定这场跃迁的最终成色。
