过去一年，金融大模型与AI智能体赛道迭代速度大幅提升，各类新技术、新工具、新应用场景密集落地，行业呈现蓬勃发展、百花齐放的态势。以DeepSeek为代表的通用大模型全面融入金融日常办公场景，ClaudeCode等专业智能体工具持续迭代，彻底重塑了投研、研发、运营等核心业务链路，推动AI能力从传统的语言交互阶段，迈入可执行、可闭环、可落地、可创造真实业务价值的全新阶段。

回顾金融AI的发展历程，行业整体经历了两大核心阶段的迭代升级。

第一是“能说会道”的交互阶段，这一阶段的大模型核心价值集中在语言处理层面，可实现研报解读、文案生成、问题答疑等基础功能，但本质上仍属于被动式对话工具。所有输出均局限于文字内容，无法对接真实业务流程，不能直接驱动投研、风控、运营等核心工作落地，对业务的赋能较为浅层。

第二是“能干会干”的执行阶段，AI大模型正式进化为具备自主行动力的智能体。相较于传统对话模型，智能体可精准理解业务意图、自主调用各类工具、全自动执行完整业务任务、实时反馈落地结果，形成闭环式业务处理体系。

结合金融行业技术迭代规律、算力与人力成本现状、业务落地效率需求，工银瑞信摒弃了“单一模型适配全场景”的粗放模式，搭建了分层递进、务实高效的三级模型能力体系。核心逻辑在于：不同资管业务场景的专业度、精准度、适配性需求差异显著，无需盲目追求大而全的模型体系，按需匹配对应层级的模型能力，才能让有限的技术资源、人力算力资源发挥最大业务价值。

• 基础层：开源大模型筑牢通用底座

基础层以DeepSeek、千问等成熟开源大模型为核心底座。机构选择开源路线而非全量自研基础模型，核心源于务实的成本效益与落地效率考量。当前主流开源大模型已具备成熟、完备的通用语言理解、逻辑推理、内容生成能力，足以覆盖金融行业多数通用场景需求。金融机构无需耗费巨额成本、顶尖人才从零训练基础模型，可将稀缺的算力、研发人力、资金资源集中聚焦于业务场景适配、个性化能力打磨，快速实现AI能力落地。

• 垂直层：投研垂域小模型打造专业尖刀

在通用能力基础之上，机构针对性自研投研垂域小模型，精准适配自身投资理念与核心业务特色。通用大模型虽覆盖面广、通用性强，但在投研这类高度专业化、体系化的核心领域存在明显短板：仅能掌握基础金融概念，无法深度理解机构专属的投资框架、选股逻辑、研究体系与风控标准。

而投研垂域小模型的核心价值，就是将机构长期沉淀的投资理念、成熟研究方法论、历史交易经验、专属研判逻辑深度注入模型，让AI真正读懂资管业务、贴合机构投资风格，解决通用模型“专业度不足、适配性不够”的痛点，成为投研业务的专业赋能尖刀。

• 个人层：Skills模板化沉淀数字化资产

个人层Skills模板化体系，是三层架构中最具创新性、最贴合资管行业人才属性的核心布局。传统资管模式下，资深研究员、基金经理的核心竞争力，集中体现在个人的研究经验、分析框架、研判技巧、决策逻辑等隐性知识中，这类能力高度依赖个人，一旦出现人员流动，核心经验随之流失，难以留存复用。

通过Skills模板化改造，机构将员工碎片化、隐性化的工作流程、分析框架、决策逻辑、实操技巧统一封装为标准化、可复用、可迭代的数字化模板。由此，彻底实现隐性知识显性化、个人能力组织化、零散经验资产化，打破了“能力依附于人”的行业痛点，完成从“人有机构有”到“人走能力留”的核心跃迁，持续沉淀机构专属的核心数字资产。

三层模型架构形成了完整的能力递进矩阵：基础层解决AI能力“有没有”的落地问题，垂直层解决投研能力“专不专”的专业问题，个人层解决核心能力“深不深、稳不稳”的沉淀问题。从通用到专业、从组织赋能到资产沉淀，层层递进、互补协同，以最务实的布局实现技术与业务的深度适配。

AI 带来的生产力跃迁，从来不止是算法与算力的迭代，更是机构经营思维、组织知识管理模式的重塑。分层模型架构只是起点，人机协同的全新资管范式仍在持续演化。唯有坚持业务导向、拒绝技术盲从，持续把 AI 能力嵌入价值链各个环节，将个体智慧转化为组织持久竞争力，资管机构才能抓住智能化变革机遇，在科技与金融深度融合浪潮中构筑难以复制的长期核心优势。

（作者：栾泽群）