2. 金融智能体基础
在金融业务中引入智能体，并不是把大模型接上接口那么简单。金融智能体需要在合规约束下完成信息获取、推理判断、工具调用与结果交付，其核心差异在于可解释、可审计、可回归。理解它的架构与场景分类，是后续Prompt版本管理与回归测试的前提。
一、核心原理：金融智能体的四层架构
一个可落地的金融智能体通常由四层构成，各层职责清晰、边界明确：
- 交互层：接收用户自然语言、语音或结构化请求，输出合规话术与结构化结果，负责多轮上下文管理。
- 决策层：由大模型承担意图识别、任务规划与推理，决定“是否需要调用工具、调用哪个工具、参数如何填”。
- 工具层：封装行情查询、账户读取、风控规则引擎、知识库检索、计算器等原子能力，是智能体与真实金融系统之间的桥梁。
- 治理层：贯穿全链路的权限校验、敏感词过滤、留痕审计与降级策略，确保输出符合监管与内控要求。
其中，Prompt主要作用于决策层，同时通过系统提示词约束交互层话术与治理层边界。换句话说，Prompt是智能体的“行为契约”，它决定了模型在什么条件下做什么、不做什么。
二、金融场景分类与Prompt设计侧重
不同金融场景对智能体的能力要求差异很大，Prompt的设计重心也随之不同。常见分类如下：
| 场景类型 | 典型任务 | Prompt设计侧重 | 主要风险 |
|---|---|---|---|
| 投顾服务 | 资产配置建议、产品解读、持仓分析 | 风险等级匹配、适当性话术、免责声明 | 越权推荐、误导性收益承诺 |
| 风险控制 | 交易反欺诈、授信评估、异常识别 | 规则优先级、阈值引用、证据链输出 | 漏判、误杀、规则冲突 |
| 客户服务 | 业务咨询、工单分流、投诉处理 | 知识库引用、情绪安抚、转人工条件 | 答非所问、承诺超范围 |
| 运营支持 | 报表生成、数据核对、流程审批 | 字段映射、格式约束、异常上报 | 数据错位、格式不合规 |
场景分类的意义在于：它决定了回归测试的用例集边界。投顾场景重点测“适当性”，风控场景重点测“规则命中与证据”，客服场景重点测“知识准确与转人工”。
三、Prompt在智能体中的作用机制
Prompt在智能体中承担三类职责，理解它们有助于后续做版本对比：
- 角色与边界定义：通过系统提示词声明智能体身份、可服务范围与禁止行为，例如“不得提供具体买卖点位”。
- 工具调用编排：工具的名称、描述、参数Schema都写在Prompt中，模型据此决定调用顺序与参数。工具描述一旦改动，行为可能整体漂移。
- 输出格式约束：要求模型按JSON、表格或固定话术模板输出，便于下游系统解析与审计。
下面是一个风控智能体的系统提示词片段，展示了边界与格式约束的写法：
system_prompt = """
你是银行交易风控助手，仅基于给定规则与交易数据判断风险。
禁止编造规则编号；无法判断时输出 need_human_review=true。
输出必须为JSON：
{
"risk_level": "low|medium|high",
"hit_rules": ["规则编号"],
"evidence": "命中依据",
"need_human_review": true|false
}
"""
四、典型应用案例与复盘要点
投顾案例：用户询问“我有50万，想稳健增值”。智能体需先识别风险承受等级，再调用产品库筛选，最后生成带免责声明的配置建议。常见误区是模型直接给出具体基金代码，绕过适当性校验。复盘时应检查Prompt是否明确“未获取风险等级前不得推荐具体产品”。
风控案例：某笔跨境交易触发多条规则，智能体需按优先级输出命中规则与证据。若Prompt未规定规则优先级，模型可能只报一条，导致审计信息缺失。回归测试应覆盖“多规则同时命中”的用例。
客服案例：用户投诉扣费异常，智能体需先安抚、再查账单、最后判断是否转人工。误区是模型在未查证前就承诺“会退款”。Prompt中应设置“承诺类话术需人工确认”的硬约束。
三个案例的共同复盘结论：Prompt的问题往往不在“模型不会”，而在“边界没写清、格式没约束、异常没兜底”。这正是后续章节要建立Prompt版本管理与回归测试体系的直接原因。
掌握本节架构、场景与Prompt作用机制后，你就具备了判断“一次Prompt改动会影响哪些场景、哪些用例必须回归”的基础视角。