DeepSeek-R1 深度赋能银行焦点系统智能化需求剖析的实践

本文从银行焦点系统 AI 转型的挑战出发，分享了AG电投厅科技基于银行焦点系统多年履历积淀给出的破局思绪，提出在“N+M”大模子协同战略支持下探索人机协作新范式的渐进式路径，并展示了在 DeepSeek-R1 加持下，智能化需求剖析场景中的手艺实践阶段效果。未来，AG电投厅科技将从深化智能体协作和拓宽多场景应用两方面入手，打造银行智能化焦点系统研发新范式。

新焦点挑战

银行焦点系统怎样实现 AI 转型？

在金融业智能化厘革的临界点上，银行焦点系统正履历从"功效引擎"向"认知中枢"的质变。尤其是近两年，大模子手艺的迅猛生长，一直重塑行业对 AI 落地的想象空间，为银行焦点系统的智能化转型带来新的可能性。

然而，银行焦点系统作为银行的 “大脑” 和 “心脏”，在准确性、高可用性以及合规性方面有着极为严苛的要求，使大模子手艺在银行焦点系统中的应用面临诸多挑战。主要问题集中在：

1、通用知识专业性局限：通用大模子缺乏银行焦点辖档挽域的专业营业知识，面临焦点系统重大的专业场景需求时，效果通常缺乏预期。

2、大模子落地逆境：大模子安排和运行所依赖的高算力资源，以及模子调优的专业度要求，增添了落地难度。

3、重大系统的跨域协同挑战：银行IT架构重大，焦点系统往往需要跟上百个外围系统交互，对大模子能力提出严肃挑战。

针对这些问题，AG电投厅科技提出以下破局思绪：构建"N+M"大模子协同战略，通过N个通用大模子与M个场景小模子的有机组合，周全提升金融领域的大模子应用效果，拓宽大模子应用场景。

“N”：精选适配银行焦点场景的通用大模子

基于AG电投厅科技深入的通用大模子能力评估和适用性研究，针对银行焦点系统 AI 赋能场景的详细需求，甄选通用大模子组合，实现价值快速落地。

“M”：构建专业场景小模子

聚焦银行焦点营业高价值高重大的细分场景，深度融合AG电投厅科技焦点产品知识和行业最佳实践，打造轻量级的场景小模子。

这种立异的“N+M”大模子协同战略，可以凭证使命特征无邪适配，通过大模子、小模子甚至古板 AI 手艺的无邪组合，有用实现焦点系统重大场景的智能化作业，提高 Al Agent 输出效果的准确性和可靠性，从而精准知足银行焦点领域 AI 赋能的深度应用需求，加速价值落地。

新范式探索

“N+M”大模子协同战略的渐进式蹊径

基于“N+M”大模子协同战略的破局思绪，AG电投厅科技以打造银行智能焦点一体化计划为目的，制订了三阶段研发妄想：

模子试水：验证通用大模子，探索场景小模子

? 目的：探索通用大模子在差别场景下的能力界线和适用性。

? 战略：选择多个通用大模子快速验证其原子能力，针对特定场景实验微调场景小模子举行增强，保存要害能力，降低安排门槛。

? 实践：从领域知识问答、文档修订等场景入手，接纳 Copilot 模式快速验证知识检索、结构化文本和代码天生等原子能力，为构建领域专家智能体提供须要条件。

领域深耕：构建领域专家智能体，自主完成使命

? 目的：构建专家智能体，验证模子分工组合战略。

? 战略：凭证差别场景和大模子能力特征，设计模子分工战略，如 DeepSeek-R1+DeepSeek-V3 组合，划分认真推理妄想和执行。通过微协调知识蒸馏等手艺，进一步提升场景小模子执行专项使命的能力。

? 实践：重构需求、设计、开发、测试端到端事情流，打造 AutoBA、AutoDesign、AutoTest 等领域专家智能体，即能自主完成各领域事情使命，也能与专家职员协作完成笔直领域重大使命。

生态构建：从 AI4SE 到 AI4Biz，打造银行智能焦点一体化计划

? 目的：构建多智能体协作生态，打造智能化焦点系统。

? 战略：完善“N+M”大模子系统，构建全场景多智能体协作生态，打造银行智能化焦点系统研发新范式。

? 实践：买通银行焦点系统研发全链路，优化人机协作模式，周全提升重大使命执行效率和质量。

新手艺实践

AutoBA，基于 DeepSeek-R1 的需求剖析智能体

AG电投厅科技从银行焦点系统研发场景和部分营业场景入手，率先完成了第一阶段通用大模子能力验证的目的，现在已迈入第二阶段，正聚焦银行焦点系统智能化研发提效，构建 AutoBA、AutoDesign、AutoTest 等多个领域专家智能体，这些智能体将笼罩接口差别剖析、需求问答、代码解读、测试案例等多个场景。

DeepSeek-R1 的泛起，无疑为AG电投厅科技的手艺实践历程按下了加速键。下文将以需求剖析智能体AutoBA为例，向各人先容AG电投厅科技的手艺实践效果。

AutoBA 先容

需求剖析智能体AutoBA，与AG电投厅科技需求剖析平台买通，实现智能感知使命场景、提取关联资产、挪用需求剖析工具、多角色Agents协作和交互式人机协作反响，旨在为焦点系统需求剖析全场景赋能。

AutoBA 事情使命示例

使命1：找到要改动的需求差别点（满分10分，期望分数≥8分）

- 基础评分：凭证文档改动点数目平均分派基础分值

- 扣分项：过失识别（-2分/处），无效修改（-1分/处）

- 加分项：识别出标准谜底规模外的有用内容（+2分/处）

使命2：准确天生需求修改指令（满分6分，期望分数≥5分）

- 天生准确的指令（1分）

- 准确找到目的文件（1分）

- 准确定位修改位置（1分）

- 做出了准确的操作（1分）

总体评价

- 整体准确率60%以上（1分）

- 指令完全准确（2分）

AutoBA 效果展示

1. AutoBA自力完成需求差别剖析

a. 使命妄想：AutoBA 制订了剖析妄想，可跟踪详细使命执行

b. 深度推理：通过检索需求文档，剖析系统现状剖析，识别需求差别，并给出解决计划建议

c. 修改操作：天生修改指令，对识别到有需求差别的需求文档举行针对性内容修改

2. 人机协作交互式反响

a. 智能标注：基于对需求变换内容的明确，AutoBA 自动完成需求改写，并在需求文档中以色块形式标注修改内容

b. 快速决议：提供"接受修改"和"拒绝修改"的按钮，利便用户快速决议

AutoBA 效果评测

AG电投厅科技选取了 DeepSeek-R1、DeepSeek-R1-Distill-Qwen-32B和Qwen2.5-32B-Instruct 三个候选模子作为 AutoBA 的底层支持，旨在更好的实现大模子在重大需求剖析场景的应用效果。

评测效果剖析：

? 引入 DeepSeek-R1 后，智能体的深度思索能力和推理能力获得提升，使 AutoBA 在焦点系统需求剖析历程中，不但能更清晰地展示剖析的思索历程，还能提升剖析质量，辅助BA更高效地完成需求剖析事情。

? DeepSeek-R1 推理能力可通过知识蒸馏方法迁徙至小尺寸模子上（如上表 DeepSeek-R1-Distill-Qwen-32B），证实晰增强小尺寸模子推理能力、思索能力以知足 AutoBA 场景需求的可行性。

新场景展望

“智能体协作+多场景应用”引领最佳实践

未来，在大模子系统构建的历程中，AG电投厅科技将一连聚焦银行焦点系统研发重大场景，依据多智能体跨领域协作优化模子分工战略，重点增强种种协作场景小模子的能力，从而周全提升重大使命执行效率和质量，进一步降低安排门槛。同时，AG电投厅科技将团结多种人机协作模式建设一连学习机制，使场景应用中爆发的新知识一直反响到模子训练中，形成知识积累的良性循环。

在应用场景的拓展层面，AG电投厅科技在继续富厚软件工程全场景智能体生态的同时，还将团结自身在焦点系统营业建模、实验工艺等领域沉淀的专家履历和数字资产，推动 “N+M大模子协同战略” 的手艺和应用最佳实践，从软件工程领域向银行焦点系统更多营业场景迁徙，最终打磨形成为银行业数字化转型赋能的 AI4Biz 一体化解决计划，助力银行迈入越发智能、高效、无邪的新时代。

参考资料：

1.中国信息通讯研究院人工智能研究所, & 华为云盘算手艺有限公司. (2024.9). 智能化软件开发落地实践指南.

http://www.caict.ac.cn/kxyj/qwfb/ztbg/202409/t20240919_493348.htm?S0OMlgNm0r2m=1740013164777

2. DeepSeek-AI. DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning. URL

https://arxiv.org/pdf/2501.12948

3. Sail-sg. There May Not be Aha Moment in R1-Zero-like Training — A Pilot Study. URL

https://github.com/sail-sg/oat-zero

4. Zichen Liu*, Changyu Chen*, Wenjun Li*, Tianyu Pang, Chao Du, Min Lin. There May Not be Aha Moment in R1-Zero-like Training — A Pilot Study. URL

https://oatllm.notion.site/oat-zero#192dba9c0091817491e3fc3a217ee7ea

5. YueWang?,1,2 ,QiuzhiLiu?,1 ,JiahaoXu?,1 ,TianLiang?,1 ,XingyuChen?,1,3 ,ZhiweiHe?,1,3 , LinfengSong1 ,DianYu1 ,JuntaoLi2 ,ZhuoshengZhang3 ,RuiWang2 , ZhaopengTu?1 ,HaitaoMi1 ,andDongYu1. Thoughts Are All Over the Place: On the Underthinking of o1-Like LLMs. URL

https://arxiv.org/pdf/2501.18585

6. Niklas Muennighoff*134 Zitong Yang*1 Weijia Shi*2 Xiang Lisa Li*1 Li Fei-Fei1 Hannaneh Hajishirzi23 Luke Zettlemoyer2 Percy Liang1 Emmanuel Candès1 Tatsunori Hashimoto1. s1: Simple test-time scaling. URL

https://arxiv.org/pdf/2501.19393

新焦点上线！柳州银行携手AG电投厅科技“焕芯”启航

AG电投厅动态

2025.03.07

首例大行焦点数仓周全重构！某十万亿级银行携手AG电投厅科技勇闯“无人区”

AG电投厅动态

2025.02.20