作者｜長亮科技研發中心
文章導讀：
本文從銀行核心系統 AI 轉型的挑戰出發，分享了長亮科技基于銀行核心系統多年經驗積淀給出的破局思路，提出在“N+M”大模型協同策略支持下探索人機協作新范式的漸進式路徑，并展示了在 DeepSeek-R1 加持下，智能化需求分析場景中的技術實踐階段成果。未來，長亮科技將從深化智能體協作和拓寬多場景應用兩方面入手，打造銀行智能化核心系統研發新范式。
01
新核心挑戰
在金融業智能化變革的臨界點上，銀行核心系統正經歷從"功能引擎"向"認知中樞"的質變。尤其是近兩年，大模型技術的迅猛發展，不斷重塑行業對 AI 落地的想象空間，為銀行核心系統的智能化轉型帶來新的可能性。
然而，銀行核心系統作為銀行的 “大腦” 和 “心臟”，在準確性、高可用性以及合規性方面有著極為嚴苛的要求，使大模型技術在銀行核心系統中的應用面臨諸多挑戰。主要問題集中在：
1、通用知識專業性局限：通用大模型缺乏銀行核心系統領域的專業業務知識，面對核心系統復雜的專業場景需求時，效果通常不及預期。
2、大模型落地困境：大模型部署和運行所依賴的高算力資源，以及模型調優的專業度要求，增加了落地難度。
3、復雜系統的跨域協同挑戰：銀行IT架構復雜，核心系統往往需要跟上百個外圍系統交互，對大模型能力提出嚴峻挑戰。
針對這些問題，長亮科技提出以下破局思路：構建"N+M"大模型協同策略，通過N個通用大模型與M個場景小模型的有機組合，全面提升金融領域的大模型應用效果，拓寬大模型應用場景。
“N”：精選適配銀行核心場景的通用大模型
基于長亮科技深入的通用大模型能力評估和適用性研究，針對銀行核心系統 AI 賦能場景的具體需求，甄選通用大模型組合，實現價值快速落地。
“M”：構建專業場景小模型
聚焦銀行核心業務高價值高復雜的細分場景，深度融合長亮科技核心產品知識和行業最佳實踐，打造輕量級的場景小模型。
這種創新的“N+M”大模型協同策略，可以根據任務特性靈活適配，通過大模型、小模型甚至傳統 AI 技術的靈活組合，有效實現核心系統復雜場景的智能化作業，提高 Al Agent 輸出結果的準確性和可靠性，從而精準滿足銀行核心領域 AI 賦能的深度應用需求，加速價值落地。
02
新范式探索
基于“N+M”大模型協同策略的破局思路，長亮科技以打造銀行智能核心一體化方案為目標，制定了三階段研發規劃：
模型試水：驗證通用大模型，探索場景小模型
? 目標：探索通用大模型在不同場景下的能力邊界和適用性。
? 策略：選擇多個通用大模型快速驗證其原子能力，針對特定場景嘗試微調場景小模型進行增強，保留關鍵能力，降低部署門檻。
? 實踐：從領域知識問答、文檔修訂等場景入手，采用 Copilot 模式快速驗證知識檢索、結構化文本和代碼生成等原子能力，為構建領域專家智能體提供必要前提。
領域深耕：構建領域專家智能體，自主完成任務
? 目標：構建專家智能體，驗證模型分工組合策略。
? 策略：根據不同場景和大模型能力特性，設計模型分工策略，如 DeepSeek-R1+DeepSeek-V3 組合，分別負責推理規劃和執行。通過微調和知識蒸餾等技術，進一步提升場景小模型執行專項任務的能力。
? 實踐：重構需求、設計、開發、測試端到端工作流，打造 AutoBA、AutoDesign、AutoTest 等領域專家智能體，即能自主完成各領域工作任務，也能與專家人員協作完成垂直領域復雜任務。
生態構建：從 AI4SE 到 AI4Biz，打造銀行智能核心一體化方案
? 目標：構建多智能體協作生態，打造智能化核心系統。
? 策略：完善“N+M”大模型體系，構建全場景多智能體協作生態，打造銀行智能化核心系統研發新范式。
? 實踐：打通銀行核心系統研發全鏈路，優化人機協作模式，全面提升復雜任務執行效率和質量。
03
新技術實踐
長亮科技從銀行核心系統研發場景和部分業務場景入手，率先完成了第一階段通用大模型能力驗證的目標，目前已邁入第二階段，正聚焦銀行核心系統智能化研發提效，構建 AutoBA、AutoDesign、AutoTest 等多個領域專家智能體，這些智能體將覆蓋接口差異分析、需求問答、代碼解讀、測試案例等多個場景。
DeepSeek-R1 的出現，無疑為長亮科技的技術實踐進程按下了加速鍵。下文將以需求分析智能體AutoBA為例，向大家介紹長亮科技的技術實踐成果。
AutoBA 介紹
需求分析智能體AutoBA，與長亮科技需求分析平臺打通，實現智能感知任務場景、提取關聯資產、調用需求分析工具、多角色Agents協作和交互式人機協作反饋，旨在為核心系統需求分析全場景賦能。
AutoBA 工作任務示例
任務1：找到要改動的需求差異點（滿分10分，期望分數≥8分）
- 基礎評分：根據文檔改動點數量平均分配基礎分值
- 扣分項：錯誤識別（-2分/處），無效修改（-1分/處）
- 加分項：識別出標準答案范圍外的有效內容（+2分/處）
任務2：準確生成需求修改指令（滿分6分，期望分數≥5分）
- 生成準確的指令（1分）
- 準確找到目標文件（1分）
- 精確定位修改位置（1分）
- 做出了正確的操作（1分）
總體評價
- 整體準確率60%以上（1分）
- 指令完全正確（2分）
AutoBA 效果展示
1. AutoBA獨立完成需求差異分析
a. 任務規劃：AutoBA 制定了分析計劃，可跟蹤具體任務執行
b. 深度推理：通過檢索需求文檔，分析系統現狀分析，識別需求差異，并給出解決方案建議
c. 修改操作：生成修改指令，對識別到有需求差異的需求文檔進行針對性內容修改
2. 人機協作交互式反饋
a. 智能標注：基于對需求變更內容的理解，AutoBA 自動完成需求改寫，并在需求文檔中以色塊形式標注修改內容
b. 快速決策：提供"接受修改"和"拒絕修改"的按鈕，方便用戶快速決策
AutoBA 效果評測
長亮科技選取了 DeepSeek-R1、DeepSeek-R1-Distill-Qwen-32B和Qwen2.5-32B-Instruct 三個候選模型作為 AutoBA 的底層支撐，旨在更好的實現大模型在復雜需求分析場景的應用效果。
評測結果分析：
? 引入 DeepSeek-R1 后，智能體的深度思考能力和推理能力得到提升，使 AutoBA 在核心系統需求分析過程中，不僅能更清晰地展示分析的思考過程，還能提升分析質量，輔助BA更高效地完成需求分析工作。
? DeepSeek-R1 推理能力可通過知識蒸餾方式遷移至小尺寸模型上（如上表 DeepSeek-R1-Distill-Qwen-32B），證明了增強小尺寸模型推理能力、思考能力以滿足 AutoBA 場景需求的可行性。
04
新場景展望
未來，在大模型體系構建的過程中，長亮科技將持續聚焦銀行核心系統研發復雜場景，依據多智能體跨領域協作優化模型分工策略，重點增強各類協作場景小模型的能力，從而全面提升復雜任務執行效率和質量，進一步降低部署門檻。同時，長亮科技將結合多種人機協作模式建立持續學習機制，使場景應用中產生的新知識不斷反饋到模型訓練中，形成知識積累的良性循環。
在應用場景的拓展層面，長亮科技在繼續豐富軟件工程全場景智能體生態的同時，還將結合自身在核心系統業務建模、實施工藝等領域沉淀的專家經驗和數字資產，推動 “N+M大模型協同策略” 的技術和應用最佳實踐，從軟件工程領域向銀行核心系統更多業務場景遷移，最終打磨形成為銀行業數字化轉型賦能的 AI4Biz 一體化解決方案，助力銀行邁入更加智能、高效、靈活的新時代。
參考資料：
1.中國信息通信研究院人工智能研究所, & 華為云計算技術有限公司. (2024.9). 智能化軟件開發落地實踐指南.
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
