1、前言

最近各类AI（Artificial Intelligence）大模型产品如雨后春笋般出现，国产AI大模型DeepSeek的出现一夜之间家喻户晓。近几天Manus AI产品的推出，更是一码难求，大家在各种渠道在寻求Manus邀请码，以便于在第一时间可以体验Manus智能体的功能。目前各政企也纷纷宣布，已经接入AI大模型来推升工作效率。足以看出各行各业对AI大模型的重视程度。

AI Agent相信大家已经不再陌生，根据大家普遍的理解，AI Agent是以大语言模型为驱动的系统，具备自主理解、感知、规划、记忆和使用工具的能力，能够自动化执行完成复杂任务的系统。结合实际场景简单理解，就是一个可以辅助人类完成特定场景下操作的智能体，比如在财务领域，我们希望给管理层提供企业报表，我们可以为管理层打造一个财务Agent，听从管理层的指令，向管理层随时随地提供所需要的财务数据，相当于一个智能财务助理。

对于银行而言，近些年大多数银行都为客户提供了基于企业微信的客户经理服务，由客户经理通过企业微信同客户建立连接，同客户互动，进行产品营销或是解答客户问题，提升银行服务水平和客户满意度。不过，这些客户服务基本由真实的客户经理提供。根据企业微信客户案例数据，以招商银行为例，1.6万多名的客户经理使用企业微信服务450多万高价值客户。

随着大模型技术的不断发展，银行客服产品，完全可以由AI替代，打造基于AI Agent的客户经理，实现银行客户产品全生态智能化发展，为客户提供随时在线的客户服务，减轻人工客户经理压力，使得人工客户经理更加聚焦于服务增值，人才发挥更大的价值。

2、银行客服产品发展历程

作者很早之前就负责过智能客服系统的建设，当时大模型相关技术还没有出现，早期智能客服实现的方式是通过词槽填充的方式，去对应相应的应答话术，这种方式优点是实现快速，的确可以解答客户的一些高频问题，但是缺点也很明显，就是上下文联系比较难，计算机真正去理解客户的语意也比较难，准确率不高。

之后的版本，升级为基于机器学习的客户服务，利用机器学习算法，例如大家经常听到的向量机、随机森林这些理论，对大量历史客服数据进行学习和分析，提取特征，构建模型来分类和预测客户问题及意图。客服的准确率有了一定提升，但需要大量的历史数据，构建成本也比较高。

后来，我们为了进一步提升智能客服的应答质量，采用了基于深度学习的智能客服产品搭建，使用卷积神经网络、循环神经网络、注意力机制等技术，使得机器能更好地理解客户问题的语义、情感和上下文信息，例如可以理解客户在一段长文本中表达的复杂需求和情绪倾向；还能自动提取更高级的特征，提高对复杂问题的处理能力，实现更精准的回答和对话。

但是即便如此，我们觉得当时的客服产品仍然差了点意思，那就是基本上是被动服务，也就是说，客户来提问，智能客服进行应答。我们一直是想打造一种变被动为主动的客服模式，让客户感觉到他的服务助理就在客户身边，能主动给出建议。

如今大模型技术的出现，使得这些假想可以变为现实，也为智能客服带来新变革。大模型具有强大的语言理解和生成能力，能处理各种类型的客户问题，一个模型可覆盖多种业务场景。比如，以前银行客服产品在回答用户当期要还款金额这类问题时，只是被动地告诉用户结果，形式也比较单一。基于大模型的智能客服，可以在告诉还款金额的同时，还能主动向用户提供相关价值信息，帮客户定制符合客户需要的金融产品，从而提升银行业绩。

如果用户使用了银行AI Agent技术的智能客户经理，AI Agent可以与知识图谱技术结合，将企业的业务知识、产品信息等构建成知识图谱，使智能客服能更准确地进行知识检索和推理；与语音识别、图像识别等技术融合，实现多模态交互，客户可通过语音、图片等多种方式与客服交流，提升银行服务的广度和深度。AI Agent模式的银行客服产品，将是未来银行客服产品的趋势。

3、银行AI Agent客服产品实现方式

现阶段，基于AI Agent的产品市面上总体不多。2025年3月6日由中国大模型团队Monica发布的全球首款通用型 AI 智能体产品Manus，一经推出，之所以如此火爆，主要是其产品特点符合了人们最普遍的产品期待。Manus 能够独立思考、规划并执行复杂任务，直接交付完整成果。接到用户指令后，可直接操作电脑完成报告撰写、表格制作等工作，并导出符合需求的产品。让用户感觉到最懂你的助手就在你身边。

基于AI Agent的客服产品，目前市面上还没有普及，但作者相信一定是未来银行客服产品的发展方向。对于银行AI Agent客服产品的实现方式，大致上也可以分为两类，一类是银行自研，基于银行现有技术和数据，打造属于银行自己的AI Agent产品，另一类是接入到类似于Manus这种成熟的产品，通过对方提供的服务结合银行客服场景，来实现AI Agent客服产品。

不论使用哪一种，我们都会先构建一些核心的产品架构，来满足未来的发展需求，也就意味着，我们可以先基于顶层设计，打造一个AI Agent产品框架，对于后续是自研AI Agent 还是使用成熟的AI Agent产品服务，都可以快速接入和切换，从而避免重复造轮子，节省研发成本。

对于核心架构而言，银行AI Agent客服产品主要由用户界面、对话管理模块、自然语言理解模块、自然语言生成模块、知识图谱模块、模型训练模块、数据存储模块和业务系统接口模块组成。用户通过用户界面与系统进行交互，系统接收用户输入后，由对话管理模块进行统筹协调，自然语言理解模块负责理解用户意图，自然语言生成模块生成回复内容，知识图谱模块提供知识支持，模型训练模块不断优化系统性能，数据存储模块存储各类数据，业务系统接口模块实现与银行内部业务系统的对接。如下图所示。

每个模块，我们可以作为单独的服务进行部署。这样的好处是AI Agent客服产品的架构比较清晰，模块之间耦合度较低，便于未来对某个模块进行单独升级，提升产品的可扩展性，同时降低维护成本。各模块的核心功能说明如下。

• 用户界面：提供用户与 AI Agent 客服交互的入口，支持多种形式，如网页端、移动端 APP、微信公众号等。用户可以通过文本输入、语音输入等方式发起咨询。

• 对话管理模块：负责整个对话流程的管理和控制，记录对话状态，根据用户输入和系统回复的历史信息，决定对话的走向，如是否需要进一步追问、是否完成业务处理等。

• 自然语言理解模块：对用户输入的自然语言进行分析，识别用户的意图、提取关键信息，将其转化为系统能够理解的格式。例如，判断用户是咨询理财产品信息、办理转账业务还是查询账户余额等。

• 自然语言生成模块：根据自然语言理解模块的结果和知识图谱模块提供的信息，生成自然流畅的回复内容。回复内容可以是文本形式，也可以根据需要转换为语音输出。

• 知识图谱模块：构建银行领域的知识图谱，将银行的业务知识、产品信息、政策法规等以图的形式进行组织和存储，方便系统进行知识检索和推理，为自然语言理解和生成提供支持。

• 模型训练模块：使用机器学习和深度学习算法，对大量的历史客服数据进行训练，不断优化自然语言理解和生成模型的性能，提高系统的准确性和智能水平。

• 数据存储模块：存储系统运行过程中产生的各类数据，包括用户对话记录、模型训练数据、知识图谱数据等，为系统的分析和优化提供数据支持。

• 业务系统接口模块：实现与银行内部业务系统的对接，如核心业务系统、信用卡系统、理财系统等，根据用户需求调用相应的业务接口，完成业务查询、办理等操作。

基于上述AI Agent客服产品各模块的功能说明，构建用户AI Agent核心流程。当用户通过网页端、移动端等渠道发起咨询或业务办理请求时，用户输入首先被对话管理模块接收。该模块依据用户历史交互记录与当前输入，判断请求类型，协调后续处理流程。

如果为简单咨询，对话管理模块将请求导向自然语言理解模块。该模块运用自然语言处理技术，剖析用户意图与关键信息，随后从知识图谱模块中检索相关知识，知识图谱涵盖银行产品信息、业务流程、政策法规等海量数据。获取知识后，自然语言生成模块据此生成回复内容，再由对话管理模块反馈给用户。

对于复杂业务办理或咨询，如贷款申请、复杂理财规划等，AI Agent的多任务处理能力被充分调用，将复杂任务拆解为多个子任务，AI Agent客服系统通过 API 接口从银行核心业务系统、客户关系管理系统、市场数据接口等获取必要数据，如客户财务状况、产品库存信息、市场行情等。

之后依据业务逻辑自主规划执行步骤，例如在贷款申请中，协助收集客户资料、向风险管理部门获取风险评估数据，完成任务后生成详细报告或解决方案，由对话管理模块传递给用户。

这种产品设计的优势在于可以提升服务效率，通过智能判断与任务分配，快速响应用户需求，同时增强服务精准度，借助知识图谱与多系统数据支持，提供准确解答与方案，无论是简单咨询还是复杂业务，都能实现一站式服务，减少用户等待与沟通成本。核心流程如下图所示。

对于流程中的每一个步骤，都可以由相应的模块或组件完成，也便于团队成员分工协作，提升产品的实施效率。例如，在自然语音处理模块，基于 Transformer 架构的预训练语言模型，在银行领域数据集上进行微调。利用词嵌入、位置嵌入等技术将文本转化为向量表示，通过多头注意力机制捕捉文本中的语义关系，经全连接层输出分类结果（用户意图类别）与关键信息提取结果。部分示例代码如下：

对于AI Agent用到的知识图谱模块，可以使用 Neo4j 图数据库存储知识图谱。通过 ETL（Extract，Transform，Load）工具从银行各类数据源抽取数据，经过实体识别、关系抽取等处理，将数据转换为节点与边的形式加载到 Neo4j 中。查询时，利用 Cypher 查询语言根据自然语言理解模块输出的意图与关键信息，从知识图谱中检索相关知识。

在自然语言模块生成回复中，采用基于 Transformer 的序列到序列模型，将自然语言理解模块输出的意图与知识图谱检索到的知识作为输入，对应回复文本作为输出。生成回复时，模型根据输入预测下一个词的概率分布，选取概率最高的词逐步生成回复文本。

4、总结

作为一款新兴的 AI Agent 银行客服产品，目前还处于探索阶段。很显然，AI Agent的银行客服产品的确有很多优秀，在服务效率方面，其能凭借自然语言处理技术快速响应客户咨询，对于常见问题瞬间给出答案，极大减少客户等待时间。

在处理复杂业务时，可将企业贷款申请等复杂任务拆解并自主执行，协调多部门，显著提升业务办理速度。在精准度上，通过深度学习模型对客户意图的理解，结合丰富的银行知识图谱，无论是理财规划咨询还是贷款业务解答，都能提供精确答复。

从用户体验来看，产品支持多轮对话引导，贴合客户沟通习惯，逐步明确需求，并且能依据客户历史数据挖掘潜在需求，实现个性化服务，如为高净值客户定制高端理财方案，为普通客户推荐日常优惠，有效提升客户满意度。在业务拓展层面，精准洞察客户需求，挖掘潜在金融服务机会，促进银行新业务推广和客户资源深度开发。

既然是AI Agent产品，在客户使用时，银行要向用户明确告知，防止在处理客户情绪激动或投诉场景时，难以有效安抚客户情绪，从而加剧与客户的矛盾。在处理客户大量敏感信息过程中，需要注意数据安全与隐私风险，做好防护措施，避免引发客户信任危机。

为了进一步提升AI Agent产品能力，需要增加复杂语义标注数据，运用对抗训练等技术提升对复杂语义的理解，定期更新和扩充知识图谱，提升知识覆盖度与准确性，建立快速学习机制，在新业务推出前对产品进行模拟培训，利用专家标注数据和业务预演数据加速学习，同时建立实时反馈机制，根据客户咨询快速优化服务策略。

未来，AI Agent银行客服产品将走向多模态融合交互，结合语音、图像、手势等多种交互方式，为客户提供更便捷、自然的交互体验，如客户可通过上传图片咨询信用卡卡面定制服务，或通过语音指令完成复杂业务操作。

同时，借助更强大的数据分析和人工智能技术，实现从客户需求预测到主动服务推送的全流程智能化，为每位客户提供独一无二的金融服务体验，如根据客户生活场景主动推荐合适金融产品。

产品还将与金融生态深度融合，不仅局限于银行内部服务，还将与上下游金融机构、第三方服务平台等协同，为客户提供一站式综合金融服务，如在客户进行跨境电商交易时，自动协调银行、支付机构、物流金融等多环节服务。

随着 AI 技术在金融领域应用加深，可解释性 AI 技术也将得到发展，让客户和监管机构清晰了解 AI 客服服务决策依据，增强信任度 。这需要银行各团队之间通力协作，是一项非常复杂的系统工程，艰难却有价值！

专栏作家

王佳亮，微信公众号：佳佳原创。《产品经理知识栈》作者。中国计算机学会高级会员（CCF Senior Member）。上海技术交易所智库专家。人人都是产品经理专栏作家，年度优秀作者。专注于互联网产品、金融产品、人工智能产品的设计理念分享。