核心观点 - 蚂蚁数科作为AI to B服务商，其核心价值在于深入产业一线解决实际问题，并已进入中国智能体开发平台的领导者象限 [1] - 公司以“技术落地”为核心，推动AI从实验室走进真实业务场景，聚焦金融、能源、交通、制造等领域，携手近20家头部伙伴上架100余个智能体联合解决方案 [4] 市场地位与行业认可 - 在IDC发布的《IDC MarketScape：中国智能体开发平台2025年厂商评估》中，蚂蚁数科凭借“全栈技术能力”与“金融领域深度积累”，成功入选最高级别“领导者”象限 [10] - 公司数据分析智能体Agentar-Scale-SQL在全球权威评测基准BIRD-Bench上，斩获准确率与执行效率双料第一，超越谷歌等国际团队，创下国内企业在该领域的历史最好成绩 [9] - 自2025年9月25日登榜BIRD-Bench以来，Agentar-Scale-SQL截至新闻发布日依旧位居榜首，领跑全球超两月 [9] 金融行业深耕与成果 - 公司选择从数据门槛最高、合规要求最严的金融领域切入，目前服务已覆盖100%的国有股份制银行、超60%的地方性商业银行及数百家金融机构，成为金融行业AI转型的首选伙伴 [5] - 与宁波银行共建的智能化决策系统，基于Agentar知识工程平台，使复杂问题回答准确率从68%跃升至91%，响应速度提升至数百毫秒级，推荐内容的准确率和召回率分别提高35%和40% [5] - 与上海银行合作推出AI手机银行，以“对话即服务”为核心，用户通过自然语言交互即可办理转账、理财咨询、养老金查询等高频业务 [6] - 公司已服务南洋商业银行、渣打银行等超百家海外金融机构，并于2025年10月入选香港金融管理局生成式AI沙盒项目 [10] 技术能力与产品矩阵 - 公司构建了“大模型-平台-应用”全栈产品矩阵，聚焦业务增长、体验革新和风险防控三大核心问题 [9] - 技术底座包括金融专属评测基准Finova Bench、太仓标注中心提供数据支撑以及天玑实验室的前沿技术探索 [9] - 公司垂类模型已开源，支持在BIRD-Bench评测中夺冠的Agentar-Scale-SQL智能体 [9] - 在能源领域，公司发布的EnergyTS能源电力时序大模型，支撑“能源服务智能体”规模化应用，覆盖投资决策、电力交易、运行优化、设备运维等全场景 [8] 跨行业应用与民生服务 - 公司将金融领域积累的AI经验向更多民生与公共服务领域延伸 [7] - 与南京公交联合打造的“小蓝鲸”公交智能体，实现从“经验决策”到“智能规划”的升级，已开通30余条微循环线路，新增84个招呼站 [8] - 对接地铁7号线的接驳公交210路，单日最高客流达2168人次，老年卡使用占比近50% [8] - 在新能源领域，EnergyTS大模型助力企业实现数智化升级，其投资决策效率较人工提升超60倍，运营与交易效果提升10%以上，资产评估效率提升超10倍 [8] 生态合作与商业化 - 2025年，蚂蚁数科已与300家合作伙伴建立深度合作，共同服务超13000家终端客户 [11] - 公司升级合作伙伴计划，推出“星澜计划”，从技术赋能、运营支持、商机共享、资金扶持四个维度提升伙伴能力 [11] - 有生态伙伴表示，其30%的营收来自与蚂蚁数科合作的业务，并表达了深化合作的强烈意愿 [14] - 公司定位为生态的“基础设施提供商”，旨在与伙伴共同将技术转化为产业成果 [14]

行业背景与市场前景 - 当前政策聚焦“科技-产业-金融”循环体系，据预测2028年中国金融科技市场规模将突破6500亿元 [3] - 金融智能体已成为金融机构数智化转型的核心支撑 [3] - 艾瑞咨询预测，到2028年底预计80%的金融机构会采纳至少一种智能体工具，届时35%以上的金融智能体应用已形成规模化落地范式，行业迈入规模扩展期 [4] 公司市场地位与核心竞争力 - 艾瑞咨询发布的报告将蚂蚁数科置于金融智能体领域的综合领导者象限，认可其技术引领性与场景落地能力 [1] - 公司的核心竞争力源于蚂蚁集团服务十亿级用户的“金融原生”基础，即将深度金融业务理解与企业级AI工程能力系统融合 [3] - 这种融合使公司在AI原生App、财富管理、信贷风控、智能营销等核心场景中形成了明显的差异化优势 [3] 技术创新与架构 - 公司独创“四车间”（意图、策划、执行、表达）工程架构，将复杂的智能体构建过程拆解为过程可追溯、决策可解释的工程化流程，解决了金融场景中传统AI应用的“黑箱决策”问题 [3] - 基于此架构，公司自主研发了金融推理大模型Agentar-Fin-R1（包含32B和8B参数两个版本）作为技术核心 [3] - 该模型在三项重要金融基准测试中均取得第一，性能超过多款主流开源模型 [3] 商业模式创新 - 公司凭借深厚的金融场景Know-how和业务结果标准化衡量能力，成为市场中少数有能力且有意愿在核心金融场景规模化探索RaaS（Results as a Service，结果即服务）模式的厂商 [4] - RaaS模式以“按效付费”为核心，能帮助金融机构减少前期投入与技术迭代沉没成本，实现风险共担、收益共享 [4] 应用落地案例与成效 - 助力上海银行打造AI原生手机银行，通过自然语言交互简化业务流程，使老年客户满意度显著提升，业务转化率提升10% [4] - 协助宁波银行借助Agentar知识工程平台（KBase）共建智能化决策系统，将复杂问题回答准确率从68%跃升至91%，回应速度提升至数百毫秒级 [4] - 与宁波银行联合打造的智能升级方案已成功入选“2025国际标准金融应用卓越案例” [4]

行业趋势与市场信号 - 智能体正成为企业AI转型与流程重构的核心，未来竞争将集中于复杂智能体与应用的一体化开发[1] - 智能体竞争的焦点已从早期的技术发布与概念演示，演进为实实在在的“生产力创造”之争，胜负关键在于能否将智能体深度融入企业核心价值链[9] 金融行业的特殊性与挑战 - 金融行业对AI极度渴望，其各个环节都建立在对信息密度、处理效率和人力规模的极致依赖之上，天然适合智能体承担[1] - 金融行业对AI“不够友好”，数据高度敏感与封闭，存在隐私属性和机构壁垒，导致通用大模型难以进入金融核心系统[2] - 金融智能体需被接入核心业务系统、承担真实责任，因此必须从底层设计上围绕安全、稳定、可控而构建[2] 蚂蚁数科Agentar平台的核心优势 - 蚂蚁数科旗下的Agentar全栈企业级智能体平台在IDC评估中被评为“领导者”[1] - 其优势在于技术能力、产品成熟度、生态构建等多个维度形成了较为全面的体系化优势，而非单纯的模型参数规模[4] - 能力源于长期在金融产业一线打磨，在风控、合规、支付等高复杂度场景中形成了规模化落地的实践积累，使其智能体不仅“能用”而且有高可用性[4] - 平台目标锚定金融等高风险、高复杂度系统，倒逼技术从第一天起就围绕真实生产环境设计[4] 蚂蚁数科的技术与产品体系 - 底层支撑是自研的金融推理大模型Agentar-Fin-R1，该模型在多项金融基准测试中超过主流开源模型，能进行稳定、低幻觉、可解释的推理与决策[4] - 依托蚂蚁集团的AI工程能力，搭建起一套完整、可金融级验证的智能体技术服务体系，涵盖算力调度、数据治理、模型训练与推理到应用部署[5] - 结合大规模高质量的金融行业知识库与低代码、可视化的智能体编排能力，帮助金融机构快速构建专业化智能体应用[5] 规模化落地与应用成果 - 在金融行业，蚂蚁数科已联合伙伴推出超百个金融智能体解决方案，覆盖银行、证券、保险、通用金融等四大领域[7] - 解决方案可“即插即用”，提升一线员工工作效率超80%[7] - 仅2025年上半年，公司大模型产品解决方案就与近30家金融机构达成合作，包括宁波银行、天津银行、新华人寿等[6] - 合作案例：上海银行推出AI手机银行，以“对话即服务”为核心，用户通过自然语言交互即可办理转账、理财咨询等高频业务[7] - 合作案例：宁波银行基于Agentar知识工程平台构建决策中枢，将复杂问答准确率从68%显著提升至91%，且答案推理路径可追溯[7] 能力向其他高复杂度行业拓展 - 在能源行业，蚂蚁数科发布EnergyTS能源电力时序大模型，并推出“能源服务智能体”[5] - 该智能体可自动生成覆盖投资、运营、交易、融资等多个环节的分析报告与决策策略，其投资决策效率较人工提升超60倍，运营与交易效果提升10%以上，资产评估效率提升超10倍[5] 商业模式与行业影响 - 公司选择搭建“金融机构的AI中枢”的路径，目标是贯通多业务线、承载多角色协同、嵌入核心系统的“金融级AI大脑”，而非单点工具[6] - 应用已进入智能客服调度、风控审批、营销策略生成、合规文档审查等核心业务链路，成为“可被系统级调用的生产力单元”[7] - 通过“技术输出 + 平台生态”的方式，降低智能体在普惠金融中的使用门槛，为大量技术储备不足的中小银行提供可行性[9] - 国家“人工智能+”行动与金融数字化转型政策，为智能体技术在金融行业的深度应用创造有利环境[9]

核心观点 - 蚂蚁数科与宁波银行联合打造的Agentar知识工程平台（KBase）方案，凭借高安全性、高准确度与强可解释性等核心优势，成功入选“2025国际标准金融应用卓越案例”，为金融行业智能化升级树立新标杆 [1] 行业痛点与解决方案 - 金融机构普遍面临“知识孤岛”挑战，用户特征数据、产品规则等关键信息分散在不同系统，导致知识检索不准、服务效率低下等问题 [1] - 为解决上述痛点，宁波银行与蚂蚁数科合作构建了一套融合“知识加工管理平台 + 逻辑推理引擎 + 智能应用场景”于一体的智能化决策系统 [1] 平台核心能力与技术突破 - 平台实现对行内外多源异构数据的全生命周期管理，具备智能问答、知识加工、多路召回与知识管理等核心能力 [2] - 技术突破主要体现在知识增强生成引擎，通过“规划-检索-推理”三大运算符协同机制，创新性地将知识图谱与原始文本进行双向互索引 [2] - 系统实现从“模糊匹配”到“精准推理”的关键跨越，推理深度从传统的1跳提升至3–5跳，使AI具备类人的逻辑推理能力 [2] 应用成效与性能提升 - 方案已在宁波银行的行情分析、产品解读、话术陪练、报告写作等多个内部场景中规模化落地 [2] - 评测显示，复杂问答准确率从68%提升至91%，响应速度进入百毫秒级 [2] - 内容推荐准确率提升35%，召回率提升40%，业务效能实现显著跃升 [2] 平台特性与未来规划 - Agentar知识工程平台具备强可解释性，能够清晰展示答案的推理路径与数据来源，为生成式AI在强监管金融环境中的安全、合规落地提供保障 [2] - 未来双方将继续深化合作，将相关技术拓展至更广泛的金融业务场景，并积极参与行业标准建设 [2]