一个金融场景的智能体演示，三周就能做出来：接上大模型，挂一个知识库，问什么答什么，会议室里效果很好。
一年以后再看，它还在会议室里。
这类现象并非个例。**演示主要考察模型能力，生产运行还要考验模型之外的五件事。**这五件事决定了一个智能体能否进入投研流程、授信审批和合规检查，也决定了机构应当如何选择定制开发团队。下面逐一分析这五道门槛，文末附一张选型自查清单。
一、金融场景的第一道门槛，是能不能交出证据链
通用问答允许"大致正确"。金融业务不允许。
一份研报摘要、一条授信建议、一个风险提示，只要进入业务流程，就必然有人要问：**这句话是从哪来的？**来自哪份公告的第几段、哪一期财报的哪个科目、内部台账的哪一条记录。无法复核的结论不能进入业务流程，即使结论本身可能正确。
所以金融垂类智能体的底层能力在于溯源：每一句结论都要能指回原始出处。“会回答"只是起点。这要求系统在检索阶段就保留出处，在生成阶段强制引用，在输出阶段把证据和结论一起交出来。做不到这一点的方案，无论演示多流畅，都进不了需要签字的环节。
对你意味着什么：评估一个智能体方案，先别问准确率，先问"错了以后，我能不能在三十秒内定位到它是被哪条材料带偏的”。
二、投研、授信这类长流程，单个智能体做不完
演示里的智能体只做一件事：接一个问题，给一个答案。真实的金融业务不是这个形状。
一次尽调要走完信息收集、财务核验、舆情扫描、同业对比、风险点归纳、结论撰写；一笔授信要走完资料齐备性检查、征信与登记信息核验、担保物核对、政策合规校验、审批意见生成。这是一条流水线，不是一次问答。
把长流程交给一个"大而全"的提示词，结果一定是不稳定：这次漏了舆情，下次编了个数据，你无法定位是哪一步出的问题。正确做法是把流程拆成工位，每个工位职责单一、输入输出结构化、可以被单独检查和替换：检索的只管检索，核验的只管比对，撰写的只管组织语言，合规的只管拦截。多个智能体分工协作，关键节点由规则层把关。
拆成工位之后，出问题时你知道该修哪个工位；换模型时你知道该重测哪一段。可维护性来自可分解性。
三、第二轮对话就退化，问题出在上下文工程，不是模型不行
很多智能体第一个问题答得漂亮，追问两轮就开始胡说：忘了刚才的持仓、忘了客户已经说过的行业、把上一轮的结论当成新事实。
问题的根源在于上下文尚未得到工程化管理，而非模型能力不足。一次高质量回答所需的输入具有明确结构：客户是谁、历史交互产生了什么、当前任务需要哪些外部数据、必须遵守哪些规则、上一个工位交付了什么。这些内容需要被主动装配。直接堆叠聊天记录只会增加噪声，内容越多，关键信息越容易被淹没。
金融场景对这件事格外敏感，因为它的上下文天然是多源的：行情、公告、研报、监管口径、内部台账、征信与担保登记信息，每一源的格式、时效和可信度都不一样。谁能把它们组织成一份干净的上下文，谁的智能体就专业。
对机构而言，验收时不能只测试单轮问答，还要连续测试五轮，检查记忆是否保留、前序结论是否得到正确沿用。
四、没有评测集，你无法证明它今天比上周好
这是最容易被跳过、也最致命的一步。
智能体与传统软件不同。传统软件修改一行代码，影响范围相对确定；智能体更换一个提示词、升级一次模型版本，可能修复三个问题，同时又引入五个新问题。没有一套固定考题，就只能凭感觉判断"好像变好了"，而金融业务不能依赖主观感觉。
一套合格的评测集，是几十到几百道带标准答案的真实业务题：这份材料该不该拦、这个风险点该不该提、这条结论的引用对不对。每次改动后都要完整运行并检查分数，分数下降就不能上线。这套题必须由业务专家参与设计，其本质是把专家的判断标准固化下来，不能由技术团队自行闭门编制。
配套要求还包括围栏和留痕：哪些事项智能体不能自行决定，必须转人工；每次调用记录了什么，包括谁发起、使用了哪些材料、给出什么结论。在金融行业，留痕属于准入要求，而非附加加分项。
五、进生产考的是系统工程，不是提示词技巧
最后一道门槛，把大多数团队挡在外面。
会写提示词、会搭工作流，能做出演示。但要进生产，你面对的是另一组问题：多人同时用会不会排队、模型超时了怎么降级、长任务怎么异步跑、出错了在哪看日志、权限怎么隔离（一个客户经理不该看到另一个客户的材料）、数据能不能出内网。这些是标准的后端工程问题，和大模型没什么关系，却是"能演示"和"能上线"之间的全部距离。
现成的智能体平台和知识库工具，可以支持前期原型搭建、验证和流程跑通。但后续还要接入机构自身的业务系统：把智能体输出写回审批单，从核心系统取得实时数据，在现有权限体系内运行，并按合规要求留痕。这一阶段无法由平台代为完成，必须依靠工程能力完成系统衔接。
这也是我们坚持"垂类系统 + 智能体"组合的原因：前台是为业务量身定制的系统，智能体在后台承担判断和生成，人在关键节点签字，流程在系统中留痕。智能体并不替代系统，而是嵌入系统运行。
询价之前，先用这六个问题筛一遍
不管是自建团队还是找外部合作方，把这六个问题问出去，答案的质量会立刻分层：
- 智能体给出的每条结论，怎么追溯到原始材料？出错时多久能定位？
- 我们这条业务流程，你打算拆成几个工位？每个工位怎么单独验收？
- 连续多轮之后，它靠什么记住前面的信息？上下文里都装了什么？
- 评测集谁来出题、多少道、每次改动是否强制回归？分数掉了会不会拦住上线？
- 哪些决策它不能自己做？留痕记录到什么颗粒程度，能不能满足我们的审计要求？
- 它怎么接进我们现有的系统和权限体系？数据出不出内网？
能把这六个问题答清楚的团队，通常不需要你再问技术栈；答不清楚的，演示做得再好也别急着签。
可信金科长期在金融行业开展两类工作：一是开发征信接入、动产融资登记、担保风控等垂类业务系统；二是把智能体嵌入这些系统的实际流程。我们的工程师会进入业务现场，与业务专家共同把判断标准转化为可回归验证的考题。金融场景智能体的最终竞争力来自工程能力，模型只是基础。
