方案核心观点 - 赣州银行推出了首个面向普惠及对公小微领域的信贷AI智能体应用“橙信-AI贷后风险巡检”，旨在通过复用现有数据与系统，结合国产大语言模型与多智能体技术，实现贷后风险的自动监测、预警与报告生成，提升管理的前瞻性与效率[1] 方案背景与目标 - **背景**：在中央金融工作会议提出“金融五篇大文章”及监管强调“早识别、早预警、早暴露、早处置”的背景下，公司面临资产质量压力与风险管理要求同步抬升的挑战，原有贷后管理存在数据分散、分析视角割裂、报告依赖人工且缺乏前瞻性及可执行抓手等问题[2] - **目标**：方案旨在构建统一数据视图、建立不良前视性预测体系、引入押品压力测试、利用AI实现报告自动化生成，并最终输出可执行的条线管理建议，实现风险管理闭环落地[3] 方案特点与架构 - **特点1 - 三维风险预测雷达**：通过趋势、扩散和叠加三套指标体系，系统性刻画不良由单点走向组合的“裂变风险”演化路径[4] - **特点2 - 轻量化押品压力测试**：采用“区域价格调整系数+情景参数”方法，在缺乏高频外部房价指数条件下，实现户级和组合级LTV（贷款价值比）情景分析，兼具可解释性与易复制性[4] - **特点3 - 内外数据协同**：整合工商、司法、经营异常、涉税和舆情等外部信号与内部风险数据，形成外数预警雷达，提升风险早期识别能力[4] - **特点4 - 国产大模型+多智能体工程化**：通过数据整理、指标分析、诊断研判、管理建议等多个智能体协同，实现从数据到报告的全流程自动化，而非简单调用通用大模型接口[4] - **特点5 - 适配区域性银行**：方案充分复用既有宽表和报表，采用参数化模型与配置化模板，控制了算力和实施成本，便于在同类中小银行复制推广[4] 实现功能与模块 - **功能1 - 全行风险盘面及五大风险看板**：系统按日自动汇总贷款余额、逾期余额、不良余额、M3+占比、迁徙率、集中度等关键指标，形成“全行风险盘面”，并支持同比、环比、阈值预警等多维对比，大模型可自动生成“当日风险总览”文字摘要[8] - **功能2 - 分域×区域×产品风险概览热力图**：构建“分域—区域—产品”三维风险视图，通过预聚合余额、逾期率、不良率、CR3集中度等指标形成风险热力图，智能体自动识别风险热点和异常值，并生成结构化结论[10] - **功能3 - 机构风险分层与A/B/C/D档对标**：以逾期率、不良率、M3+占比、CR3集中度、业务扩张速度等为核心指标，对机构进行风险评分并划分为A/B/C/D档，智能体自动生成机构风险画像及原因研判，为差异化管控提供依据[12] - **功能4 - 普惠不良预测与滚动率分析**：建设普惠贷款未来12个月新增不良预测模块，通过维护产品层面的迁徙率参数，测算新发贷款、存量正常、存量逾期三类资产转不良的预计金额，并计算“近3个月预测增速”等指标，系统结合多项指标为产品自动打上风险标签，大模型生成专业分析文字[14][15] - **功能5 - 分析报表智能生成与下载**：重构《风险分析报告》等报表的生产流程，通过统一的风险JSON数据集汇集各模块输出，由大模型结合预置模板一键生成包含全行风险总览、热点榜单、深度分析、管理行动清单等内容的完整报告，支持Word导出，显著减少了人工工作量[17] 实施效果 - **效率提升**：贷后风险日报生成时间从人工耗时1个工作日缩短至系统自动生成约1分钟；普惠不良预测和滚动率分析由按月专项工作转为常态化运行，分析周期从数天压缩至小时级[18] - **覆盖度与前瞻性增强**：实现了机构/产品风险监测的全行全量覆盖，通过趋势与扩散雷达提前识别出多组风险抬头的组合，其中部分在随后的3–6个月内出现逾期率或不良率明显上升[18] - **押品与外数管理能力提升**：通过LTV情景分析识别出一批单户高LTV客户和组合高杠杆结构，推动了行内授信政策与押品结构优化；外数预警雷达帮助发现了多户外部风险已显现但内部尚正常的客户[18] - **管理应用价值**：智能体生成的机构风险榜单和条线化管理建议已纳入贷后例会与日常管理使用，内部反馈报告更专业、更具体，可直接用于部署工作，显著提升了决策支持能力[18] 未来展望 - **业务延伸**：公司计划以该方案为起点，逐步将智能体能力向贷前准入、贷中审批、资产转让等全流程延伸，构建覆盖“贷前—贷中—贷后—资产处置”的橙信AI+风险管理体系[19] - **技术深化**：将进一步探索滚动率预测、押品LTV情景分析与内部资本管理、压力测试体系的联动，并持续打磨可解释、可审计的模型与参数体系；在数据方面，计划适度引入交易流水、票据、供应链等更多业务数据[19] - **行业推广**：方案将以“宽表+参数化引擎+国产大模型多智能体”的轻量架构为基础，面向同类中小银行输出可复制的建设经验和技术方案，为区域性金融机构的数字化风险管理提供样本[20]

公司财务数字化进程 - 南方航空已于2017年建立财务共享中心，采用单中心运行模式，组织机构设在广州 [1] - 公司目前已广泛应用机器人流程自动化技术 [1] - 公司在影像智能化、智能审核、AI智能体应用等方面均有不同程度的探索和实践 [1]

全球民间AI智能体应用委员会(GAAAC)的成立与使命 - 全球首个聚焦AI智能体规模化、规范化、普惠化落地的民间治理机制GAAAC于2026年初成立，由铭派国际集团创始人刘晓春发起并担任首任主任 [1] - 该组织旨在填补当前AI治理体系中“应用层规则”的空白，推动AI从“工具”进化为“伙伴”，赋能个体创业者、中小企业及国家机构实现生产力跃迁 [1] - 其愿景是在AI应用领域做到全球第一，服务中国，服务全球 [1] AI治理的多元共治新范式 - 当前全球AI治理主要由政府监管、科技巨头的企业自律以及学术与非营利组织的伦理倡议主导，但普遍存在“重技术、轻应用”、“重安全、轻赋能”的倾向 [2] - GAAAC以“民间”身份切入，旨在保持独立与中立的同时，快速响应市场真实需求，特别是为非技术背景的个体与中小企业提供系统性支持 [2] - 其成员来自30多个国家，涵盖创业者、自由职业者、小微企业主、教育工作者、社区组织代表、AI开发者、法律及伦理学者，形成“使用者—构建者—监督者”三位一体的治理闭环 [2] 核心制度：《AI智能体应用宪章》 - GAAAC成立后的首要任务是制定并发布全球首套《AI智能体应用宪章》，包含六大核心制度 [3] - 制度包括：可信身份认证制度（数字人格注册）、场景适配评估框架、一人公司赋能协议（含“失败兜底”保险机制）、跨文化伦理准则、开源协作激励机制以及危机熔断机制 [3][4] - 该宪章被定位为一份“社会契约”，旨在确立AI智能体作为全人类公共基础设施的规则，并由使用者共同制定 [3] 铭派国际集团的战略演进与AI赋能成果 - GAAAC的诞生基于铭派国际集团创始人刘晓春十余年的人才战略演进，其早期提出的“一人一猎”家庭化猎头模式已在全球200多个城市落地，形成超千人的分布式人才网络 [4] - 2025年，铭派旗下“人匠金库”平台引入AI智能体，帮助自由职业者自动生成简历、模拟面试、匹配项目，使用户接单效率提升300%，平均收入增长45% [4] - 2026年1月，铭派国际集团启动“百位主播联合直播计划”，由刘晓春AI智能体领衔普及智能体使用技能，一周内覆盖用户超200万 [5] - GAAAC是铭派战略的制度化延伸，旨在构建一个去中心化但有秩序、开放但有底线的全球AI应用生态 [5] 技术中立定位与全球协同 - GAAAC章程明确规定不接受任何单一国家政府资助，不参与地缘政治站队，所有规则制定需经全球成员投票通过，旨在提供中美科技脱钩背景下的“第三空间” [6] - 委员会与中国本土生态深度协同，已与杭州、深圳、成都等地的“AI+产业”示范区合作，将《宪章》本地化为中文版，并试点“AI智能体创业孵化营”，首批支持1000名乡村青年、残障人士、退休专家开启“一人公司” [6] 发展模式与未来展望 - GAAAC将采用“沙盒监管”模式，允许新智能体在限定场景试运行，表现良好者逐步放开权限，同时设立“全球公平基金”，用部分认证收入补贴低收入地区用户 [7] - 该组织的长期目标是重塑工作与生活的定义，当个人能借助AI智能体同时运营多项业务时，传统“就业”、“失业”、“职业”等概念将被重构 [7] - 2026年被展望为“一人公司”元年，GAAAC定位为“秩序的编织者”，旨在让每个普通人在智能革命中拥有自己的位置 [8]

核心财务表现 - 上半年实现营业收入29.97亿元 因信用减值损失2.72亿元导致归属于上市公司股东的净利润亏损0.85亿元 [1] - 经营性现金流达3.50亿元 同比增长9.2倍 [1] 业务结构优化 - 三级医院收入占比达51.18% 同比提升5.43个百分点 [2] - 新增参与紧密型县域医共体建设20家 辐射310家医疗机构 [2] - 累计与超210家医院、高校、科研院所达成产学研合作 [2] 人工智能技术应用 - 开发落地55个智能体应用 AI辅助诊断年调用量达220万次 [3] - 分子病理平台发单效率提升70%以上 [3] - 智能体应用"小域医"月活医生数超6万 报告解读数超360万 [3] - "五维一体"数智化解决方案累计落地超500家医疗机构 [3] 数据要素开发 - 积累超30亿例医检数据 21款数据产品在数据交易所上架 7项完成交易 [4] - 作为唯一医疗机构入选国家首批可信数据空间创新发展试点 [4] - 与IVD企业、疾控部门等开展20项数据合作 [4] - 呼吸道病原微生物靶向测序数据集入选国家知识产权局典型案例 [4]

多智能体系统性能提升 - 以Claude Opus 4为主智能体、Claude Sonnet 4为子智能体的多智能体系统比单独使用Claude Opus 4性能提升90.2% [1][9] - 多智能体系统使用的token是普通聊天的15倍 [1][10] - 通过两层并行化（主智能体同时启动3-5个子智能体，每个子智能体并行使用3个以上工具）使复杂查询研究时间缩短90% [26][27] 系统架构设计 - 采用编排器-工作器模式：主智能体分析需求并制定策略，创建多个子智能体并行探索不同维度信息 [12][15] - 每个子智能体拥有独立上下文窗口，可同时处理不同搜索任务，最后汇总给主智能体 [1][8] - 相比传统检索增强生成(RAG)方法，采用多步动态搜索能灵活调整策略并深入分析 [15] 提示工程原则 - 资源分配需明确规则：简单查询1个智能体执行3-10次工具调用，复杂研究需10个以上子智能体 [2][22] - 工具设计是关键：优先使用专门工具而非通用工具，每个工具需有独特明确用途 [22][23] - 采用先广后精搜索策略：从简短宽泛查询开始，逐步聚焦细节 [23][27] 评估方法创新 - 使用LLM作为评判者，从事实准确性、引用准确性、完整性等维度评分 [30][31] - 从小规模测试开始：20个代表真实使用场景的查询即可验证改动效果 [29] - 人工评估发现自动化遗漏问题，如信息源选择偏差 [32] 生产环境挑战 - 采用彩虹部署策略逐步迁移流量，避免中断运行中的智能体 [34][35] - 同步执行造成瓶颈：主智能体需等待每批子智能体完成才能继续 [35][36] - 错误处理需结合AI智能体适应能力与确定性保障（重试逻辑和定期检查点） [33][34] 应用场景分布 - 主要使用场景：开发跨专业领域软件系统(10%)、优化专业技术内容(8%)、制定业务增长策略(8%)、学术研究(7%)、验证组织信息(5%) [3][39]