【金猿企業展】基于企業級AI Infra的信貸盡調智能助手

星環科技企業

該企業獎由星環科技投遞并參與金猿組委會×數據猿×上海大數據聯盟共同推出的《2025中國大數據產業年度AI Infra領先企業》榜單/獎項評選。

近年來，國家層面持續推進“人工智能+”行動，國資委自2024年實施“AI+”專項行動，明確要求中央企業夯實人工智能基礎設施（AI Infra）能力，金融監管部門亦鼓勵加大AI基礎設施投入。在多重政策的驅動下，某央企集團財務有限公司將AI Infra建設納入集團重點轉型工程。

該集團財務有限公司作為央企集團的內部金融機構，承擔著為集團下屬二級、三級單位提供貸款支持和金融服務的重要職能。在日常業務中，需對借款主體進行嚴格的貸前盡職調查，并生成詳盡的信貸報告。這類報告既是風險管控的核心依據，也是監管合規的必要文件。

其中，貸前盡職調查與信貸報告編制是風險管控與監管合規的關鍵環節，對數據完整性、指標一致性與分析過程可追溯性提出了較高要求，本質上高度依賴穩定、統一的AI Infra能力支撐。

在現有體系下，信貸盡調業務面臨的主要問題，集中體現為AI基礎設施能力不足帶來的系統性瓶頸：

·數據處理慢：多源異構數據分散在多個系統中，數據來源繁雜分散、格式不統一，人工整合難度大，缺乏統一的數據治理、標準化處理和知識化能力；

·報告編制耗時長：集團成員單位近2000家，覆蓋六大行業，貸款業務復雜度高，報告模板與分析維度各異，效率低下；

·指標編制易出錯：財務指標涉及大量數字，指標口徑復雜。計算規則依賴人工經驗，易出現計算錯誤，缺乏統一的指標計算與校驗基礎設施，影響評審難度和辦理效率；

·人工負荷高：客戶經理每周需處理大量報告，工作強度大，信貸業務服務質量受影響；

·運營成本高：過度依賴專業人員，人力、培訓及管理成本居高不下。

時間周期：

開始時間：2024年11月

中間重要時間節點：

2024年12月完成

·業務調研：結合實際業務需求及痛點，開展業務調研；

2025年2月完成

·數據探索：開展不同行業和業務類型涉及的數據和資料收集與指標梳理，開展數據探索和模板設計；

2025年3月完成

·方案設計：數據和模型探索基礎上，開展整體技術方案設計，包括技術架構、實施步驟、實施功能等；

2025年5月完成

·知識庫構建：完成金融信貸報告專業知識庫構建，包括各種數據資料收集、文檔解析、切片、知識增強、索引構建、索引召回等；

·模型微調：結合金融信貸報告專業語料庫構建，開展模型微調訓練，提升模型的專業度與準確性；

2025年6月完成

·應用鏈搭建：結合企業級一站式AI模型運營平臺功能，開展金融信貸報告生成的應用鏈搭建；

2025年7月完成

服務集成：整體模型與應用開發完成及調整優化后，將本次模型服務與企業線上化信貸系統集成，實現自動化報告生成。

完結時間：2025年7月

AI Infra應用需求

某央企集團財務有限公司從業務層面提出了“生成信貸報告”的訴求，其核心是構建一套可長期演進的信貸智能化基礎能力，圍繞信貸盡調業務，解決以下AI Infra層面的問題：

·建設統一的數據與知識基礎設施，提升信貸數據處理的智能化與標準化水平，形成統一信貸知識庫；

·構建模型與算力支撐的報告生成基礎能力，實現信貸報告自動化生成，顯著縮短報告生成時間，提升業務效率；

·搭建統一的指標計算與規則基礎設施，規范指標處理標準，降低人工計算錯誤率，提高報告準確性；

·通過智能化流程基礎設施重構信貸服務鏈路，縮短盡調與審批周期，提升整體服務效能；

·構建面向金融信貸場景的專用AI Infra，使數據、模型和業務能力能夠以平臺化方式運行，以平臺化AI Infra能力替代高強度人工處理，減少人工依賴，降低運營與管理成本。

星環科技將客戶需求從AI Infra視角拆解為四個層面：

·數據基礎設施層：需要對結構化與非結構化信貸數據進行統一采集、治理、切片、增強和知識化處理，形成可被模型高效調用的知識底座；必須具備強大的多模態數據解析、清洗和整合能力，而非單一的文本處理；

·模型與算力基礎設施層：需要對大模型、檢索模型及相關算法能力進行統一納管、調度、模型微調與版本管理，構建支持模型微調、語料庫構建和模型優化的基礎設施，以解決“幻覺”問題并適應特定的金融信貸邏輯。同時支持彈性算力分配與安全運行；

·模型服務與工程化能力層：需要將知識檢索、指標計算、報告生成等能力封裝為標準化服務，支撐模型靈活調用，而非硬編碼，避免“腳本化、人工化”運行；

·應用與流程基礎設施層：通過引入RAG、MCP和Agent技術，結合Workflow，將復雜業務流程工程化，實現全流程自動化、可評估和可持續優化。

基于上述理解，以星環科技大模型運營管理平臺Sophon LLMOps為核心，為客戶構建了面向信貸場景的AI Infra解決方案。Sophon LLMOps是整個項目的AI Infra核心，提供了從語料開發、知識工程、模型訓練到應用構建的全流程管理能力。

·在數據與知識基礎設施層，通過多模態文檔解析、切片、向量化與知識增強，構建統一信貸知識庫，并基于RAG技術實現可溯源的知識檢索與指標抽取；

·在模型與算力基礎設施層，對大模型及相關算法能力進行統一納管與生命周期管理，支持模型微調、版本控制和彈性算力調度；

·在模型服務層，通過MCP將知識庫與指標能力封裝為標準化檢索服務，供大模型和智能體自動調用；

·在應用與流程基礎設施層，基于ReAct框架構建寫作智能體，并通過Workflow將信貸報告生成與質量評估流程工程化，形成可復用的應用鏈。

該方案實現了信貸報告從數據采集、知識檢索、指標計算、報告生成到質量評估的全流程自動化運行，并具備持續優化和橫向擴展能力。

面臨挑戰

在信貸報告生成這一典型大模型應用場景中，該央企集團財務有限公司面臨的并非單一業務效率問題，而是長期積累的組織體系、系統架構與AI基礎設施（AI Infra）能力不足所集中暴露的系統性挑戰。

首先，在組織與協同層面，企業原有信息化建設以業務系統為中心，各系統長期獨立建設、分散運行，缺乏統一的AI Infra建設規劃。數據治理、業務規則、系統運維分別由不同部門負責，跨部門協同成本高，業務經驗難以沉淀為可復用的AI Infra能力資產，制約了人工智能能力的規模化落地。

其次，在系統與平臺層面，部分核心系統建設時間較早，技術架構相對封閉，與新型大模型能力和算力調度體系兼容性不足。現有系統難以支撐模型的靈活接入、統一管理和持續演進，導致大模型能力難以從試點應用上升為企業級AI Infra能力。

第三，在數據基礎設施層面，信貸盡調業務涉及大量結構化與非結構化數據，數據來源覆蓋多個內部系統及外部材料，但長期存在數據分散、格式不統一、口徑不一致的問題。非結構化文檔缺乏統一解析、切片和知識化處理能力，數據孤立嚴重，難以形成可被大模型穩定調用的統一信貸知識庫，成為AI Infra建設中的核心瓶頸。

第四，在模型與算力基礎設施層面，企業尚未形成統一的大模型與算力管理體系。模型能力缺乏統一納管與版本治理，算力資源難以實現彈性調度與精細化管理，模型調用方式分散，難以保障財務場景對穩定性、安全性和可控性的要求，限制了AI Infra能力的擴展和復用。

第五，在指標與規則基礎設施層面，信貸業務高度依賴財務與風控指標，但指標口徑和計算規則長期依賴人工經驗或分散系統，缺乏統一的指標計算與規則引擎。指標計算過程不可追溯、不可驗證，難以直接支撐大模型推理與生成，影響AI應用的可靠性與合規性。

最后，在應用與流程基礎設施層面，盡職調查、指標分析、報告編制和質量校驗等環節仍主要依賴人工串聯，業務流程缺乏工程化、自動化支撐。大量的人力投入，不僅效率低下、成本高昂，也難以形成持續優化和規模化運行的AI Infra閉環。

綜合來看，該央企集團財務有限公司在信貸報告生成場景中面臨的是數據、模型、算力與流程等多層AI Infra能力協同不足所帶來的系統性挑戰，亟需通過統一規劃和建設企業級AI Infra，實現智能能力的標準化、平臺化與可持續發展。

戰略目標

基于AI Infra的項目戰略目標：

本項目以“構建金融信貸場景可規模化復用的AI Infra底座”為核心戰略目標，圍繞算力、數據、模型與應用全棧協同，推動該央企集團財務有限公司實現“體系化AI能力平臺”升級。

在基礎設施層面，項目旨在通過統一的大模型運行與治理平臺，整合異構算力資源，實現模型訓練、推理與應用的集中調度與彈性管理，提升整體算力利用效率，為多場景并發推理提供穩定支撐。在數據基礎設施層面，通過多模數據統一接入、解析與治理，打通結構化、半結構化及非結構化數據壁壘，構建統一的信貸金融知識底座，為上層大模型應用提供高質量、可溯源的數據供給。

在模型與服務層面，項目以大模型為核心，結合RAG、Agent與MCP服務化能力，形成標準化、可復用的模型服務體系，使信貸報告生成、制度問答、運維問答等場景能夠在統一的AI Infra上快速構建與迭代，避免重復建設與能力割裂。同時，通過星環科技大模型運營管理平臺Sophon LLMOps實現模型、語料、知識、應用、智能體構建的全生命周期管理，保障模型效果穩定性與持續優化能力。

從業務與治理視角看，項目的根本價值在于：以AI Infra為底座，將信貸報告生成這一高頻、負荷重的場景全面自動化，將單篇報告生成時間壓縮至分鐘級，顯著降低對人工專家的依賴，提升金融服務效率與合規一致性，并為該央企集團財務有限公司后續在風控、審計、合規等更多金融與管理場景中規模化應用大模型提供統一、可持續演進的智能基礎設施支撐。

實施與部署過程

本項目圍繞“金融信貸報告生成模型”的建設目標，以構建穩定、可擴展、可治理的企業級AI Infra底座為核心，在該央企集團財務有限公司既有IT架構和業務體系基礎上，系統性完成了從資源投入、系統架構設計、數據治理與知識工程、模型工程、應用構建到部署運維的全流程實施工作。

1.項目實施組織與資源投入

·組織模式與協同機制

考慮到該財務公司作為央企財務公司，在組織架構、系統權限、安全合規等方面要求嚴格，本項目在實施階段即采用“業務牽頭+技術共建+分層推進”的協同模式。

在客戶側，由該財務公司牽頭，聯合信貸業務部門、審計部門、信息科技部門共同參與，明確業務規則、數據口徑及合規邊界；在服務側，由星環科技組建專項交付團隊，涵蓋AI Infra架構設計、數據治理、知識工程、大模型工程、平臺實施與運維等角色。雙方通過定期例會、階段評審和關鍵節點驗收，確保業務目標與技術實現高度一致。這種協同模式有效避免了傳統AI項目中“模型先行、業務滯后”的問題，為后續系統快速落地和穩定運行奠定了基礎。

·資源投入與算力配置

在AI Infra層面，項目采用集中式GPU資源池+平臺統一調度的方式開展部署。算力資源由星環科技大模型運營管理平臺Sophon LLMOps進行統一管理和調度，實現模型推理、Workflow運行、Agent調用等任務的資源隔離與彈性分配。這一方式避免了算力“煙囪式”分配導致的算力資源孤島、使用效率低、運維難、成本高等問題，使有限GPU資源在多應用場景下得到高效利用，體現了AI Infra在算力治理層面的價值。

2.AI Infra總體架構設計

·架構設計原則

本項目AI Infra架構設計遵循以下原則：

平臺化優先：統一模型、數據、應用的開發與運行底座，避免單點系統堆疊；

解耦與可擴展：模型能力、知識服務、業務應用通過標準接口解耦，支持后續擴展；

可治理與可審計：滿足金融場景對數據溯源、模型可解釋性與安全合規的要求；

面向多場景復用：不僅服務于信貸報告生成，也為審計問答、運維問答等場景提供統一支撐。

·整體技術架構說明

整體架構設計可分為“數據層—知識層—模型層—應用層—運維與治理層”：

數據層：對接多種數據庫和文件系統等多源數據；

知識層：完成文檔解析、切片、向量化、索引構建，形成統一知識庫；

模型層：以通用大模型為核心，結合微調模型與規則模型協同工作；

應用層：通過Agent與Workflow實現信貸報告生成與智能問答；

治理層：由星環科技大模型運營管理平臺Sophon LLMOps提供模型管理、算力調度、權限控制與運行監控。

該架構本質上構建了一個面向金融業務的企業級AI Infra平臺，而非單一“模型應用系統”。

·整體架構技術方案：

方案以“填槽+大模型”為核心，融合知識檢索增強生成（RAG）、模型上下文協議（MCP）、智能體（Agent）等技術，依托星環科技大模型運營管理平臺Sophon LLMOps實現模型開發、部署與運營全生命周期管理，最終實現信貸報告的自動化生成。

流程發起與數據收集：業務人員提交貸款申請，系統自動收集并整合相關數據。

知識庫構建：利用大模型解析文檔，結合RAG技術抽取指標，并封裝為可調用檢索服務。

語料庫構建與模型微調：收集并清洗信貸語料，構建QA數據集，基于千問模型微調提升專度。

報告模板匹配：根據行業與貸款類型，自動匹配最合適的報告模板。

關鍵指標檢索：通過大模型與MCP服務，從知識庫精準獲取各章節所需指標。

報告生成：基于模板與檢索結果，智能體調用工作流生成報告初稿并優化成品。

報告評估：自動化檢查指標溯源，結合可視化工具評估準確率與召回率。

應用鏈工作流設計：在LLMOps平臺構建5類標準化工作流，覆蓋多類信貸報告生成與評估。

最終構建了一套基于AI Infra的信貸盡調報告智能生成與評估體系，實現從流程發起、數據與知識沉淀、模型微調、模板與指標精準匹配，到報告自動生成、質量評估及多場景工作流復用的全鏈路閉環。

3.數據治理與知識工程實施過程

·多源異構數據接入與治理挑戰

在實施過程中，項目面臨的數據治理挑戰尤為突出：

一方面，信貸業務相關數據分散在多種不同數據庫和形式各異的繁雜文件等多種介質中；另一方面，歷史系統缺乏統一的數據標準和標簽體系，數據孤立問題嚴重。

如果直接將這些數據輸入大模型，必然導致結果不穩定、不可追溯，無法滿足金融場景的合規要求。

·知識加工與統一處理流程

為此，項目在AI Infra層面構建了統一的知識加工流水線，包括：

數據抽取與接入：從結構化與半結構化系統中自動抽取數據；

智能解析與切片：對文檔類數據進行段落級、語義級切片；

向量化與索引構建：統一寫入Hippo向量庫；

知識增強與標簽化：補充行業、指標、業務類型等元信息；

封裝為MCP服務：將知識能力標準化，供模型與Agent調用。

這一流程實現了從“數據孤島”到“可被大模型理解和調用的知識資產”的轉化，是AI Infra在數據層面的核心價值體現。

4.模型與算法實現路徑

·模型選型與能力定位

項目基礎大模型主要職責并非直接“生成全文報告”，主要承擔語義理解與意圖識別、模板匹配與業務類型判斷、指標語義定位與上下文整合、Agent推理與流程調度。在此基礎上，通過規則模型與填槽機制保障關鍵指標的準確性，避免純生成模型在金融場景下的風險。

·語料構建與模型優化

實施過程中，項目同步開展語料收集與QA數據集建設，對模型在金融語境下的理解能力進行針對性增強。后續通過模型微調與提示詞工程優化，持續提升模型穩定性和專業度。

5.應用鏈與智能體構建

·Workflow驅動的應用鏈設計

在應用層，項目基于星環科技大模型運營管理平臺Sophon LLMOps構建了5類標準化Workflow，覆蓋不同信貸業務類型。Workflow將復雜的業務邏輯拆解為可復用節點，實現參數化調用。

Agent架構與運行機制

在Workflow之上，構建基于ReAct框架的寫作智能體，負責統一調度知識服務、模型能力和業務規則，完成從信息檢索到報告生成的完整閉環。

6.系統部署、運行與安全保障

·部署模式

系統采用集中部署方式，統一接入企業內部網絡，滿足金融數據安全與訪問控制要求。模型、知識庫、應用服務均由AI Infra平臺統一納管。

·運維與監控

通過星環科技大模型運營管理平臺Sophon LLMOps實現模型運行狀態、算力使用情況、任務執行情況的可視化監控，為后續擴展與優化提供依據。

7.實施過程中的創新點總結

本項目在實施過程中形成了一系列具有示范意義的技術與模式創新。首先，圍繞金融業務對安全性、準確性與可治理性的高要求，構建了面向信貸場景的企業級AI Infra底座，實現算力、模型、數據與應用的統一納管與調度，為大模型規模化落地提供穩定基礎。

其次，通過引入MCP機制，將原本分散的知識庫與檢索能力封裝為標準化服務，使大模型與業務知識之間形成清晰、可復用的調用邊界，顯著提升了系統擴展性與工程化水平。在模型應用層面，創新性采用“填槽+大模型”的混合技術路徑，將大模型的語義理解與生成能力與規則化指標處理相結合，有效兼顧了生成效率與金融場景所要求的高準確性與可溯源性。同時，基于LLMOps平臺構建Workflow與Agent協同的應用架構，通過智能體對多流程、多工具的統一調度，支撐了復雜信貸業務流程的自動化執行。

通過上述實施與部署過程，本項目不僅完成了信貸報告生成模型的落地，更重要的是為該央企集團財務有限公司構建了一套可復用、可治理、可擴展的AI Infra能力體系。該體系已在金融信貸場景中得到驗證，為后續深化人工智能在風控、審計、合規等更多金融與管理場景中應用，以及推進數據治理與智能化轉型提供了堅實基礎。

合作服務效果

基于AI Infra視角的項目成效與價值度量

本項目的建設完成，標志著該央企集團財務有限公司在金融信貸領域從“以人工為中心的業務作業模式”，正式轉向“以AI Infra為底座的智能化生產模式”，在業務效率、運營成本與技術體系三個層面均產生了顯著變化。

從業務成效看，依托統一的大模型運行與應用基礎設施，信貸盡職調查報告實現了全流程自動化生成。項目構建了18個不同行業的模板，實現開箱即用。不同行業、不同單位僅需輸入公司名稱及信貸業務類型，即可匹配對應的盡職報告模板并生成最終報告。

單篇報告生成時長由原先40分鐘至2小時壓縮至3–5分鐘，整體效率提升90%以上；同時報告指標準確率穩定在95%以上，較傳統人工方式提升約 8%–10%，顯著降低了因人為操作帶來的計算錯誤與合規風險。信貸業務整體審批周期明顯縮短，單位時間內可承載的業務量顯著提升。

從成本與組織影響看，項目有效降低了對高強度人工編撰和專業人員資源的長期依賴，專職報告編制人員數量大幅減少，人力、培訓及管理等綜合運營成本下降超過50%。同時，業務人員從重復性資料整理和計算工作中解放出來，更多聚焦于風險判斷與業務決策，推動崗位價值結構優化。

從AI Infra的長期價值看，本項目并非單點應用建設，而是為該央企集團財務公司構建了一套可持續演進的智能基礎設施能力。一方面，通過星環科技大模型運營管理平臺Sophon LLMOps實現實現模型、語料、知識、應用的統一治理與調度，初步形成了集團級大模型運行與管理能力；另一方面，通過MCP將知識庫與檢索能力服務化，使信貸報告生成、審計制度問答、運維問答等多個場景能夠復用同一AI Infra底座，避免重復建設。該基礎設施已具備橫向擴展至信貸審批、合規審查、風險分析等更多金融場景的能力，為后續規模化落地人工智能應用提供了穩定、可復制的實施方法和技術基礎。

總體來看，項目不僅帶來了可量化的業務成效提升，更推動該央企集團財務有限公司在AI Infra層面完成了從“工具引入”到“能力沉淀”的關鍵轉變，具備顯著的商業價值與行業示范意義。

關于企業

·星環科技

星環科技提供覆蓋數據全生命周期的企業級AI基礎設施軟件與服務，涵蓋數據集成、存儲、治理到建模、分析、挖掘和流通等環節。公司秉承“自主研發、領先一代”的技術發展策略，構建了新一代AI基礎設施軟件矩陣，共同構成從數據到知識、從模型到應用的端到端解決方案，助力各行業企業加速智能化轉型，重塑競爭優勢。公司產品與解決方案已經在金融、公共部門、能源、醫療、交通、制造等十多個行業落地，服務超過1600家終端用戶。

·某央企集團財務有限公司

某央企集團財務有限公司是經國家金融監管部門批準設立的非銀行金融機構，主要為其集團及成員單位提供專業化、集約化金融服務。公司以服務集團戰略和實體產業發展為核心，圍繞資金集中管理、結算清算、融資支持及風險管理等核心業務，提升資金配置效率與使用效益，依托集團產業優勢和規范治理體系，持續為其央企集團高質量發展提供穩健高效的金融支撐。

★以上由星環科技投遞申報的企業獎，最終將會角逐由金猿組委會×數據猿×上海大數據聯盟聯合推出的《2025中國大數據產業年度AI Infra領先企業》榜單/獎項。

該榜單最終將于1月上旬上海舉辦的“2025第八屆金猿大數據產業發展論壇——暨AI Infra & Data Agent趨勢論壇”現場首次揭曉榜單，并舉行頒獎儀式，歡迎報名蒞臨現場。