作者｜K8凯发科技研发中心
文章导读：
本文从银行核心系统 AI 转型的挑战出发 ，分享了K8凯发科技基于银行核心系统多年经验积淀给出的破局思路 ，提出在“N+M”大模型协同策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 ，智能化需求分析场景中的技术实践阶段成果。未来 ，K8凯发科技将从深化智能体协作和拓宽多场景应用两方面入手 ，打造银行智能化核心系统研发新范式。
01
新核心挑战
在金融业智能化变革的临界点上 ，银行核心系统正经历从"功能引擎"向"认知中枢"的质变。尤其是近两年 ，大模型技术的迅猛发展 ，不断重塑行业对 AI 落地的想象空间 ，为银行核心系统的智能化转型带来新的可能性。
然而 ，银行核心系统作为银行的 “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 ，使大模型技术在银行核心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：通用大模型缺乏银行核心系统领域的专业业务知识 ，面对核心系统复杂的专业场景需求时 ，效果通常不及预期。
2、大模型落地困境：大模型部署和运行所依赖的高算力资源 ，以及模型调优的专业度要求 ，增加了落地难度。
3、复杂系统的跨域协同挑战：银行IT架构复杂 ，核心系统往往需要跟上百个外围系统交互 ，对大模型能力提出严峻挑战。
针对这些问题 ，K8凯发科技提出以下破局思路：构建"N+M"大模型协同策略 ，通过N个通用大模型与M个场景小模型的有机组合 ，全面提升金融领域的大模型应用效果 ，拓宽大模型应用场景。
“N”：精选适配银行核心场景的通用大模型
基于K8凯发科技深入的通用大模型能力评估和适用性研究 ，针对银行核心系统 AI 赋能场景的具体需求 ，甄选通用大模型组合 ，实现价值快速落地。
“M”：构建专业场景小模型
聚焦银行核心业务高价值高复杂的细分场景 ，深度融合K8凯发科技核心产品知识和行业最佳实践 ，打造轻量级的场景小模型。
这种创新的“N+M”大模型协同策略 ，可以根据任务特性灵活适配 ，通过大模型、小模型甚至传统 AI 技术的灵活组合 ，有效实现核心系统复杂场景的智能化作业 ，提高 Al Agent 输出结果的准确性和可靠性 ，从而精准满足银行核心领域 AI 赋能的深度应用需求 ，加速价值落地。
02
新范式探索
基于“N+M”大模型协同策略的破局思路 ，K8凯发科技以打造银行智能核心一体化方案为目标 ，制定了三阶段研发规划：
模型试水：验证通用大模型 ，探索场景小模型
? 目标：探索通用大模型在不同场景下的能力边界和适用性。
? 策略：选择多个通用大模型快速验证其原子能力 ，针对特定场景尝试微调场景小模型进行增强 ，保留关键能力 ，降低部署门槛。
? 实践：从领域知识问答、文档修订等场景入手 ，采用 Copilot 模式快速验证知识检索、结构化文本和代码生成等原子能力 ，为构建领域专家智能体提供必要前提。
领域深耕：构建领域专家智能体 ，自主完成任务
? 目标：构建专家智能体 ，验证模型分工组合策略。
? 策略：根据不同场景和大模型能力特性 ，设计模型分工策略 ，如 DeepSeek-R1+DeepSeek-V3 组合 ，分别负责推理规划和执行。通过微调和知识蒸馏等技术 ，进一步提升场景小模型执行专项任务的能力。
? 实践：重构需求、设计、开发、测试端到端工作流 ，打造 AutoBA、AutoDesign、AutoTest 等领域专家智能体 ，即能自主完成各领域工作任务 ，也能与专家人员协作完成垂直领域复杂任务。
生态构建：从 AI4SE 到 AI4Biz ，打造银行智能核心一体化方案
? 目标：构建多智能体协作生态 ，打造智能化核心系统。
? 策略：完善“N+M”大模型体系 ，构建全场景多智能体协作生态 ，打造银行智能化核心系统研发新范式。
? 实践：打通银行核心系统研发全链路 ，优化人机协作模式 ，全面提升复杂任务执行效率和质量。
03
新技术实践
K8凯发科技从银行核心系统研发场景和部分业务场景入手 ，率先完成了第一阶段通用大模型能力验证的目标 ，目前已迈入第二阶段 ，正聚焦银行核心系统智能化研发提效 ，构建 AutoBA、AutoDesign、AutoTest 等多个领域专家智能体 ，这些智能体将覆盖接口差异分析、需求问答、代码解读、测试案例等多个场景。
DeepSeek-R1 的出现 ，无疑为K8凯发科技的技术实践进程按下了加速键。下文将以需求分析智能体AutoBA为例 ，向大家介绍K8凯发科技的技术实践成果。
AutoBA 介绍
需求分析智能体AutoBA ，与K8凯发科技需求分析平台打通 ，实现智能感知任务场景、提取关联资产、调用需求分析工具、多角色Agents协作和交互式人机协作反馈 ，旨在为核心系统需求分析全场景赋能。
AutoBA 工作任务示例
任务1：找到要改动的需求差异点（满分10分 ，期望分数≥8分）
- 基础评分：根据文档改动点数量平均分配基础分值
- 扣分项：错误识别（-2分/处） ，无效修改（-1分/处）
- 加分项：识别出标准答案范围外的有效内容（+2分/处）
任务2：准确生成需求修改指令（满分6分 ，期望分数≥5分）
- 生成准确的指令（1分）
- 准确找到目标文件（1分）
- 精确定位修改位置（1分）
- 做出了正确的操作（1分）
总体评价
- 整体准确率60%以上（1分）
- 指令完全正确（2分）
AutoBA 效果展示
1. AutoBA独立完成需求差异分析
a. 任务规划：AutoBA 制定了分析计划 ，可跟踪具体任务执行
b. 深度推理：通过检索需求文档 ，分析系统现状分析 ，识别需求差异 ，并给出解决方案建议
c. 修改操作：生成修改指令 ，对识别到有需求差异的需求文档进行针对性内容修改
2. 人机协作交互式反馈
a. 智能标注：基于对需求变更内容的理解 ，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. 快速决策：提供"接受修改"和"拒绝修改"的按钮 ，方便用户快速决策
AutoBA 效果评测
K8凯发科技选取了 DeepSeek-R1、DeepSeek-R1-Distill-Qwen-32B和Qwen2.5-32B-Instruct 三个候选模型作为 AutoBA 的底层支撑 ，旨在更好的实现大模型在复杂需求分析场景的应用效果。
评测结果分析：
? 引入 DeepSeek-R1 后 ，智能体的深度思考能力和推理能力得到提升 ，使 AutoBA 在核心系统需求分析过程中 ，不仅能更清晰地展示分析的思考过程 ，还能提升分析质量 ，辅助BA更高效地完成需求分析工作。
? DeepSeek-R1 推理能力可通过知识蒸馏方式迁移至小尺寸模型上（如上表 DeepSeek-R1-Distill-Qwen-32B） ，证明了增强小尺寸模型推理能力、思考能力以满足 AutoBA 场景需求的可行性。
04
新场景展望
未来 ，在大模型体系构建的过程中 ，K8凯发科技将持续聚焦银行核心系统研发复杂场景 ，依据多智能体跨领域协作优化模型分工策略 ，重点增强各类协作场景小模型的能力 ，从而全面提升复杂任务执行效率和质量 ，进一步降低部署门槛。同时 ，K8凯发科技将结合多种人机协作模式建立持续学习机制 ，使场景应用中产生的新知识不断反馈到模型训练中 ，形成知识积累的良性循环。
在应用场景的拓展层面 ，K8凯发科技在继续丰富软件工程全场景智能体生态的同时 ，还将结合自身在核心系统业务建模、实施工艺等领域沉淀的专家经验和数字资产 ，推动 “N+M大模型协同策略” 的技术和应用最佳实践 ，从软件工程领域向银行核心系统更多业务场景迁移 ，最终打磨形成为银行业数字化转型赋能的 AI4Biz 一体化解决方案 ，助力银行迈入更加智能、高效、灵活的新时代。
参考资料：
1.中国信息通信研究院人工智能研究所, & 华为云计算技术有限公司. (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
