金融信贷这个行业表面上看是跟钱打交道实际上核心是跟风险和效率打交道。一笔贷款从进件到放款中间要过征信查询、反欺诈校验、额度测算、利率定价、人工复核这几道关每一道关都在消耗时间和人力。我过去两年参与过几个信贷智能体的落地项目最大的感受是大家不缺模型能力缺的是把模型能力塞进业务流程里的那套工程方法。华为云智果 AgentArts 这个平台本质上就是解决“塞进去”这件事的——它提供了一套智能体的编排、工具调用、知识库挂载和流程编排能力让信贷场景里的规则引擎和大模型能协同工作而不是各干各的。这篇文章我想聊的是怎么用 AgentArts 搭一个真正能跑在信贷业务里的 AI 智能体。不是那种演示用的玩具是能接进进件系统、能处理真实客户咨询、能辅助风控决策的东西。我会把整体设计思路、核心环节的实现细节、参数选择的依据、以及我踩过的坑都摊开讲。如果你正在做金融方向的智能体落地或者想了解 AgentArts 在信贷场景里到底能干什么这篇应该能给你一些直接能抄的作业。1. 信贷智能体的整体设计与平台选型思路1.1 为什么信贷场景需要智能体而不是单纯的对话机器人很多人一上来就把智能体理解成“更聪明的客服”这个理解在信贷场景里会出大问题。信贷业务的核心诉求不是聊天是决策辅助和流程自动化。一个客户问“我能贷多少”背后需要拉取征信数据、计算负债收入比、匹配产品准入规则、测算可贷额度最后还要给出利率区间。这一串动作里有数据查询、有规则判断、有数值计算、有合规话术生成单纯的对话机器人根本扛不住。AgentArts 的价值在于它把“规划-执行-观察”这个循环做成了可配置的流程。智能体可以先规划出需要调用的工具序列然后逐个执行根据返回结果决定下一步。比如先调征信查询工具拿到负债信息后判断是否需要补充收入证明再调额度计算工具。这种动态编排能力才是信贷场景真正需要的。我对比过几种方案纯 Prompt 工程做多轮对话灵活但不可控规则一多就乱传统规则引擎加 NLU可控但僵硬稍微复杂点的客户表述就解析不了AgentArts 这种智能体平台算是取了个中间值——用大模型做意图理解和话术生成用工具调用做确定性计算和规则校验各干各擅长的事。1.2 AgentArts 在信贷链路中的定位与能力边界AgentArts 不是万能的得先搞清楚它在信贷链路里该站哪个位置。我的经验是它最适合放在“进件预审”和“贷中服务”这两个环节。进件预审阶段客户提交基本信息后智能体可以主动发起多轮问询补全资料同时后台并行调用征信和反欺诈接口把明显不符合准入的申请挡在人工审核之前。贷中服务阶段客户问还款计划、提前还款违约金、利率调整规则这些问题智能体挂载知识库就能直接回答不用转人工。但有些事它干不了也不该干。比如最终的授信审批决策这个必须走人工或独立的决策引擎智能体只能提供辅助建议。再比如涉及客户敏感信息的操作像修改绑定银行卡、调整还款账户这些必须走强身份验证不能让智能体直接执行。我在项目里会明确划一条线智能体负责信息收集、初步校验、话术交互和辅助建议最终决策和敏感操作留给人工或专门系统。1.3 整体架构分层与数据流转设计一个能落地的信贷智能体架构上我习惯分成四层。最上面是交互层处理客户的文字或语音输入做意图识别和实体抽取。第二层是编排层也就是 AgentArts 的核心负责规划任务、调用工具、管理对话状态。第三层是工具层把征信查询、额度计算、产品匹配、反欺诈校验这些能力封装成标准接口。最下面是数据层包括客户信息库、产品规则库、知识库和日志库。数据流转上有个关键设计客户敏感信息不进入大模型的上下文。比如身份证号、银行卡号这些在工具层就做脱敏处理传给大模型的是“客户A年龄35月收入2万现有负债50万”这种结构化摘要。这样既满足合规要求又减少了大模型处理敏感数据的风险。AgentArts 的工具调用机制天然支持这种设计因为工具返回的结果是可以被编排层过滤和转换的。2. 核心环节拆解与实操要点2.1 意图识别与多轮对话状态管理信贷场景的意图识别比通用客服难得多。客户说“我最近手头紧”可能是想申请贷款也可能是想申请延期还款还可能是想咨询债务重组。光靠一句话判断不了得结合上下文和客户画像。我的做法是在 AgentArts 里配置一个意图分类工具把常见意图分成几大类产品咨询、额度查询、申请进度、还款问题、投诉建议。每类下面再细分比如产品咨询下面分信用贷、抵押贷、经营贷。多轮对话的状态管理是另一个坑。客户可能在问额度的时候突然插一句“你们利率多少”回答完利率又回到额度问题。AgentArts 的对话状态管理支持槽位填充和上下文继承但需要手动配置哪些槽位是必须的、哪些可以跨轮继承。我一般会把客户基本信息、当前咨询产品、已收集资料这几个槽位设为持久化其他临时槽位在意图切换时清空。注意槽位设计不要贪多。我见过一个项目配了三十多个槽位结果对话状态经常混乱客户改个信息要重新问一遍。建议核心槽位控制在十个以内非必要信息通过工具调用从后台拉取不要让客户反复输入。2.2 工具调用与外部接口的对接规范AgentArts 的工具调用支持 REST API 和函数计算两种方式。信贷场景里征信查询、反欺诈校验这些通常走内部 API额度计算和产品匹配可以用函数计算封装。我建议把工具分成两类查询类和执行类。查询类工具只读可以并行调用执行类工具有副作用必须串行且加确认机制。对接规范上有几个细节必须注意。第一所有工具接口必须设置超时和重试策略。征信查询接口偶尔会超时如果不设重试智能体会直接报错给客户体验很差。我一般设 3 秒超时、重试 2 次重试间隔 500 毫秒。第二工具返回结果要做标准化封装。不同接口返回的字段名和格式不一样需要在工具层统一转换成智能体能理解的格式。第三工具调用要有日志记录包括调用时间、入参、出参、耗时方便后续排查问题。# 工具调用标准化封装的示例结构 tool_response { tool_name: credit_query, status: success, data: { debt_ratio: 0.45, overdue_count: 0, credit_score: 720 }, timestamp: 2026-01-15T10:30:00Z, latency_ms: 850 }2.3 知识库挂载与合规话术生成信贷业务受严格监管话术不能乱说。智能体回答客户问题时必须基于知识库里的标准话术不能自由发挥。AgentArts 的知识库支持上传文档、网页和结构化数据我一般会把产品说明书、费率表、常见问题、监管要求这几类内容都挂上去。但知识库挂载有个常见问题检索出来的内容太泛大模型不知道怎么用。我的经验是知识库文档要按场景切分每个文档只讲一个具体问题。比如“提前还款违约金怎么算”单独一个文档“逾期罚息怎么算”单独一个文档不要混在一起。另外文档里要明确标注适用条件和例外情况比如“本规则适用于2025年1月1日后发放的贷款”。话术生成上我会在 Prompt 里加一层约束所有涉及费率、额度、期限的表述必须从知识库检索结果中提取不允许大模型自行计算或推断。如果知识库没有相关内容智能体应该回复“这个问题我需要为您转接人工客服”而不是编一个答案。2.4 风控规则嵌入与人工兜底机制智能体不能替代风控但可以帮风控做前置筛选。我在项目里会嵌入几条硬规则客户年龄不在 22-60 岁之间、当前有逾期未还、负债收入比超过 70%这三条任意一条命中智能体直接给出“暂不符合申请条件”的提示不进入后续流程。这些规则用 AgentArts 的条件分支节点实现不依赖大模型判断保证确定性。人工兜底机制是必须的。智能体再聪明也有搞不定的情况比如客户情绪激动、问题涉及复杂法律条款、或者客户明确要求转人工。我一般设三个转人工触发条件客户连续两次表示不满意、意图识别置信度低于阈值、涉及投诉或法律相关关键词。转人工时智能体会把对话摘要和已收集信息一并推送给人工坐席减少客户重复描述。3. 实操过程与核心环节实现3.1 环境准备与 AgentArts 项目初始化开始之前先把环境理清楚。AgentArts 是华为云上的服务你需要一个华为云账号开通 AgentArts 服务然后创建一个智能体项目。项目创建时会让选模板信贷场景我建议从“任务型对话”模板开始不要选“闲聊”或“知识问答”模板因为信贷智能体的核心是完成任务不是聊天。创建完项目后先配置基础信息智能体名称、描述、欢迎语、兜底回复。欢迎语要明确告诉客户这个智能体能干什么比如“您好我是信贷助手可以帮您查询产品、测算额度、了解申请进度”。兜底回复要安全比如“抱歉这个问题我暂时无法回答您可以换个问法或者回复‘转人工’联系客服”。接下来配置大模型。AgentArts 支持多种大模型信贷场景我建议选推理能力强的因为要处理规则判断和数值计算。温度参数设低一点0.1 到 0.3 之间保证输出稳定。最大回复长度根据场景设一般 500 到 800 字够了太长客户也没耐心看。3.2 对话流程编排与节点配置详解AgentArts 的流程编排是拖拽式的左边是节点库右边是画布。信贷智能体的流程我一般这么设计开始节点后面接意图识别节点然后根据意图分叉。产品咨询走知识库检索加话术生成额度查询走工具调用加结果封装申请进度走 API 查询加状态映射。每个节点都要配超时和异常处理。意图识别节点设 2 秒超时超时后走兜底回复。工具调用节点设 5 秒超时超时后重试一次还失败就告诉客户“系统繁忙请稍后再试”。条件分支节点要配默认分支防止所有条件都不满足时流程卡死。槽位配置在意图识别节点里做。比如“额度查询”意图需要收集“产品类型”和“客户身份”两个槽位。如果客户没说产品类型智能体会追问“您想咨询哪种贷款产品信用贷、抵押贷还是经营贷”槽位填充顺序可以配我一般把必填槽位放前面选填槽位放后面。3.3 工具接口封装与联调测试工具接口封装是实操里最耗时的部分。以额度计算工具为例输入是客户年龄、月收入、现有负债、信用评分输出是可贷额度区间和建议利率。这个计算逻辑通常在后端系统里你需要把它封装成一个 HTTP 接口然后在 AgentArts 里注册成工具。注册工具时要填工具名称、描述、入参 schema、出参 schema、调用地址、认证方式。描述要写清楚这个工具干什么、什么时候调用因为大模型是根据描述来决定是否调用工具的。入参 schema 用 JSON Schema 格式每个字段标明类型、是否必填、取值范围。联调测试我一般分三步走。第一步用 Postman 单独测工具接口确保接口本身没问题。第二步在 AgentArts 的调试面板里测工具调用看智能体能不能正确传参和解析返回。第三步做端到端测试模拟真实客户对话看整个流程是否顺畅。测试用例要覆盖正常流程、异常流程和边界情况比如客户输入空值、输入超长文本、连续快速发消息。3.4 灰度发布与线上效果监控智能体不能一上来就全量。我一般先做灰度放 5% 的流量进来观察一周。灰度期间重点看几个指标意图识别准确率、工具调用成功率、转人工率、客户满意度。意图识别准确率低于 85% 就要调 Prompt 或补充训练数据。工具调用成功率低于 95% 要查接口稳定性。转人工率突然升高说明智能体在某些场景下搞不定要针对性优化。线上监控我建议配三个告警工具调用失败率超过 5%、平均响应时间超过 3 秒、转人工率超过 30%。这三个指标任何一个异常都说明智能体出了问题需要人工介入排查。日志要保留至少 30 天方便回溯问题。4. 常见问题与排查技巧实录4.1 意图识别不准的排查与优化意图识别不准是最常见的问题。表现是客户问 A智能体理解成 B答非所问。排查思路先看训练数据够不够每个意图至少要有 50 条以上标注样本覆盖不同表述方式。再看意图之间是否边界模糊比如“额度查询”和“产品咨询”经常混因为客户问“你们信用贷能贷多少”既涉及产品也涉及额度。这种情况要么合并意图要么在 Prompt 里明确区分规则。优化手段有几个。一是补充同义词和口语化表述客户不会按标准话术说话得把“能贷多少”“能借多少”“额度多少”都覆盖到。二是加一层规则前置比如包含“利率”关键词的直接走利率查询意图不依赖模型判断。三是用 AgentArts 的意图澄清功能置信度低的时候让智能体反问“您是想咨询产品详情还是想测算额度”4.2 工具调用失败的常见原因与处理工具调用失败一般分三类网络问题、参数问题、接口逻辑问题。网络问题表现为超时或连接拒绝处理方式是加重试和降级。参数问题表现为接口返回参数校验错误处理方式是检查入参 schema 和实际传参是否一致。接口逻辑问题表现为接口返回业务错误码处理方式是根据错误码做不同响应比如“客户不存在”就提示客户核对信息“系统维护中”就告知客户稍后再试。我踩过的一个坑是工具返回结果字段名大小写不一致。后端接口返回的是creditScore我在出参 schema 里写的是credit_score导致智能体解析不到。这种问题联调时不容易发现因为调试面板可能做了兼容处理但线上就报错。后来我养成了习惯所有工具接口的出参 schema 必须和后端返回的 JSON 逐字段核对大小写、下划线、驼峰都要一致。4.3 对话中断与上下文丢失的修复对话中断通常是因为超时或异常导致会话状态丢失。AgentArts 的会话有默认超时时间一般是 30 分钟超过后会话重置。信贷场景里客户可能填到一半去查资料回来继续填如果超时了就得重新来。我的做法是把会话超时设长一点60 分钟同时在关键节点做状态持久化比如客户填完基本信息后存一次即使会话断了也能从断点恢复。上下文丢失另一个原因是槽位继承配置不对。比如客户先问了信用贷额度又问抵押贷利率如果槽位没配好智能体可能把信用贷的信息带到抵押贷场景里。解决方法是给每个产品线配独立的槽位组意图切换时清空非共享槽位。4.4 合规风险与话术安全审查合规是信贷智能体的红线。我见过一个案例智能体在回答客户“能不能保证放款”时说了“一般情况下没问题”结果被客户截图投诉。问题出在话术没有约束大模型自由发挥了。修复方法是在 Prompt 里加硬约束禁止使用“保证”“一定”“肯定”等承诺性词汇所有涉及审批结果的表述必须加“具体以审批为准”。话术安全审查我建议做三层。第一层是 Prompt 约束明确禁止事项。第二层是输出过滤用关键词黑名单拦截违规表述。第三层是人工抽检每天抽 100 条对话记录人工审核发现问题及时调整。这三层做完合规风险能降到很低。常见问题排查方向解决手段意图识别不准训练数据不足、意图边界模糊补充样本、合并意图、加规则前置工具调用失败网络、参数、接口逻辑重试降级、核对 schema、错误码映射对话中断超时、槽位继承错误延长超时、状态持久化、独立槽位组合规风险话术无约束、输出未过滤Prompt 约束、关键词拦截、人工抽检4.5 性能优化与响应速度提升响应速度直接影响客户体验。信贷智能体的响应时间我建议控制在 2 秒以内超过 3 秒客户就会觉得卡。优化手段有几个一是并行调用工具征信查询和反欺诈校验可以同时发起不用串行。二是缓存高频查询结果比如产品费率表这种不常变的数据缓存 5 分钟。三是精简 Prompt把不必要的示例和说明删掉减少大模型处理时间。四是选推理速度快的模型有些模型能力强但慢信贷场景里速度比能力更重要。我实测下来并行调用能省 40% 左右的时间缓存能省 20%Prompt 精简能省 15%。这几个手段叠加响应时间能从 3.5 秒降到 1.8 秒左右。5. 信贷智能体的扩展方向与个人实践体会5.1 从单点智能体到多智能体协作单点智能体能解决的问题有限。信贷链路里进件预审、贷中服务、贷后管理是三个不同的场景用一个智能体硬扛所有场景效果不会好。我的思路是拆成多个智能体每个智能体专注一个场景然后通过 AgentArts 的多智能体协作机制串联起来。比如客户进件时预审智能体负责收集资料和初步校验通过后移交给审批辅助智能体审批通过后再移交给贷中服务智能体。多智能体协作的关键是上下文传递和任务交接。AgentArts 支持智能体之间的消息传递但需要定义好交接协议包括传什么信息、什么条件下交接、交接失败怎么处理。我一般会定义一个标准交接包包含客户 ID、当前状态、已收集资料、待办事项这样下一个智能体拿到就能直接干活。5.2 结合 RAG 提升知识问答准确率信贷业务的知识更新频繁费率调整、产品上下架、监管新规这些都需要智能体及时掌握。纯靠 Prompt 更新太慢RAG 是更好的选择。AgentArts 的知识库支持增量更新新文档上传后自动向量化智能体检索时就能用到最新内容。RAG 的效果取决于检索质量。我一般会做几个优化一是文档切分粒度控制在 300 到 500 字太长了检索不准太短了信息不完整。二是给文档加元数据标签比如产品类型、生效日期、适用地区检索时可以按标签过滤。三是用混合检索关键词检索和向量检索结合提高召回率。四是加 rerank 环节对检索结果重新排序把最相关的放前面。5.3 持续迭代与效果评估机制智能体上线不是终点是起点。我一般会建一个迭代闭环每周分析对话日志找出 bad case归类问题原因然后针对性优化。优化手段包括补充训练数据、调整 Prompt、增加工具、修改流程。优化后再灰度验证效果提升就全量没提升就回滚。效果评估指标我分四类准确性指标意图识别准确率、工具调用成功率、效率指标平均响应时间、平均对话轮次、体验指标客户满意度、转人工率、合规指标违规话术出现次数、投诉率。这四类指标每周出一份报告持续跟踪。5.4 个人实践中的几点真实体会做了几个信贷智能体项目后我最大的体会是技术不是瓶颈业务理解才是。很多团队技术很强但不懂信贷业务做出来的智能体流程不对、话术不对、规则不对业务方根本不敢用。我的建议是做信贷智能体之前先花一周时间跟业务人员坐在一起看他们怎么处理进件、怎么审核、怎么跟客户沟通把业务流程摸透了再动手。第二个体会是不要追求大而全。我见过一个项目想做一个智能体解决所有信贷问题结果做了半年还没上线。后来拆成三个小智能体每个两周就上线了。小步快跑快速验证比憋大招靠谱得多。第三个体会是合规意识要贯穿始终。信贷是强监管行业智能体说错一句话可能就是一个投诉。所有话术都要有依据所有操作都要有记录所有决策都要可追溯。这不是限制是保护。最后分享一个实用技巧在 AgentArts 里配一个“影子模式”智能体正常响应客户的同时把它的建议和人工坐席的实际处理结果都记录下来定期对比。这样既能评估智能体的准确率又能发现智能体的不足还能积累训练数据。我靠这个模式三个月把智能体的意图识别准确率从 78% 提到了 92%。