UC-155银行用例 ／ 平台治理
KB Financial Group
大型金融集团通常拥有银行、证券、保险、卡、资本、养老等多类子公司。每个业务线都有自己的客户、产品、系统和监管要求。如果各子公司分别采购或自建生成式 AI 工具，容易造成能力重复、治理不一致、数据风险和规模化困难。 KB Financial Group 在 2025 年集团历史中披露，5 月开放金融圈首个 Agentic AI 기반 그룹 공동 생성형 AI 플랫폼 “KB GenAI Portal”。这说明其目标不是单点应用，而是为集团共同使用生成式 AI 和智能体建立统一入
披露摘要官方历史页面披露，KB Financial Group 于 2025 年 5 月开放韩国金融圈首个 Agentic AI 기반 그룹 공동 생성형 AI 플랫폼 “KB GenAI Portal”。公开报道进一步披露，平台将覆盖集团多家子公司，并计划未来 3 年在 17 个业务领域引入 90 多个智能体。 该案例的价值在于展示了金融集团从“员工使用 AI 工具”走向“集团共同 AI Agent 平台”的路径。与单一聊天助手相比，Portal 模式更有利于统一身份权限、知识接入、模型治理、智能体审核、监控和复用。
UC-138银行用例 ／ 平台治理
Mizuho Financial Group
银行开始尝试 AI Agent 后，很快会遇到“规模化墙”：单个智能体可以由少数专家手工开发，但当不同业务部门都需要不同智能体时，个别开发方式会造成周期长、质量不一、部署易错、治理难统一和运维不可持续。Mizuho 在 2025 年已推出 Wiz Base 作为安全高效使用生成式 AI 的下一代 AI 基础设施，随后进入 AI Agent 规模化阶段。 Agent Factory 的核心问题不是“能不能做一个智能体”，而是“能不能持续量产、部署、评价和改进数千个智能体”。这对
披露摘要官方披露，Agent Factory 可把复杂 AI Agent 的开发周期从传统约 2 周缩短到最短数日，最高缩短 70%。Mizuho 从 2026 年 2 月开始以数字战略部使用为起点正式展开，未来将逐步扩大到更多部门。 该行还明确展望后续增强：提供个性化智能体记忆功能，推进多个 AI Agent 协作执行业务，扩展运维能力。目标是在内部流程效率化和高度化的同时，为客户提供更快速、更准确的提案和支持。
UC-126银行用例 ／ 风控合规
Dah Sing Bank
反洗钱调查中的可疑交易报告（STR）是银行合规工作里非常耗人力的一环。交易监测系统触发告警后，调查人员要汇总客户背景、账户信息、交易模式、触发原因、前线补充信息和调查结论，并将其写成符合监管提交要求的叙述文本。对于非报告案件，也需要形成足够清晰的结案叙述和留痕。 Dah Sing Bank 在香港金管局首期 GenA.I. 沙盒中选择这个场景，说明生成式 AI 正从客服和员工助手进入高度监管的金融犯罪调查流程。它的难点不只是写得快，而是要写得结构化、可追溯、符合模板，并且不能
披露摘要PoC 显示，GenAI 支持的 STR 和非报告案件叙述可根据案件复杂度节省约 30% 至超过 80% 的准备时间。简单的非报告个人交易案例节省约 30%；复杂的报告类公司案件时间降幅可达 80%。这说明生成式 AI 在复杂叙述整理、证据汇总和模板化写作方面尤其有价值。 官方材料还指出，项目利用 GenA.I. 沙盒和数码港 AISC GPU 资源，在不需要大量前期基础设施投入的情况下从概念推进到验证。后续计划包括接入外部数据源，如公司背景调查、交易对手公开情报，并建立带引用和推理说明的更完整叙述，以及持续监控和反馈机制。
UC-147银行用例 ／ 平台治理
Union Bank of the Philippines（UnionBank）
银行要成为数据驱动组织，核心问题不是有没有数据，而是业务人员能否快速、正确、低门槛地使用数据。传统模式下，营销、账户管理、产品、运营和客户服务团队经常依赖数据团队生成报表、制作仪表盘和提取洞察。这个模式虽然可控，但会形成瓶颈：业务问题等待排期，数据团队反复处理临时报表，决策速度下降。 UnionBank 是菲律宾领先银行之一，长期强调数字化和客户中心创新。AWS 披露，UnionBank 希望让 200 多名跨部门业务用户能够独立访问、分析和可视化数据，从而更快回答“为什么本
披露摘要AWS 披露，UnionBank 是菲律宾首家、也是东盟较早采用 Amazon Quick Suite 生成式 AI 能力的银行之一。该方案支持 200 多名业务用户使用自然语言访问洞察，目标状态下数据请求周转时间提升 3-5 倍。 官方还披露，该方案实现了真正的数据民主化和访问普及，使银行运营成本降低约 30%。当前用例在活动和账户管理中已经应用，更快上市和成本管理可以降低银行成本，并最终转化为更好的客户定价和体验。
UC-001银行用例 ／ 客户服务
Lloyds Banking Group
大型银行客服坐席面对的问题高度碎片化：账户、支付、卡片、贷款、网银、投诉、身份验证、流程规则等都可能在一次通话中出现。传统知识库依赖关键词搜索，坐席需要在大量内部文章中查找答案，客户等待时间随之增加。
披露摘要Lloyds 拥有 2,800 万客户。 电话和线上银行团队每月支持约 200 万客户。 Athena 将平均搜索时间从约 59 秒降至约 20 秒，降幅约 66%。 2025 年以来，21,000 名集团员工使用 Athena 搜索 210 万次。 单看电话银行团队，预计节省约 4,000 小时搜索时间。
FP-002开源项目 ／ 财富投研
开源社区
FinRobot 同样来自 AI4Finance Foundation，定位是面向金融分析的大语言模型智能体平台。与 FinGPT 更偏模型和金融 NLP 基础能力不同，FinRobot 更强调“智能体工作流”：让多个 AI 角色围绕一个金融分析目标协作，例如拉取金融数据、整理公司基本面、比较同业、生成研究报告、输出图表和文本段落。项目提供了本地部署方式、命令行流程和 Web 界面示例，目标是把金融分析流程从单次问答推进到多步骤自动化。 从学习角度看，FinRobot 很适合
FP-004开源项目 ／ 财富投研
开源社区
Qlib 是 Microsoft 开源的 AI 量化投资平台，目标是支持从研究想法到生产化实现的完整量化流程。它覆盖数据处理、特征工程、模型训练、策略回测、组合构建、风险分析等环节，并支持监督学习、市场动态建模、强化学习等多种范式。相比单个模型项目，Qlib 更像一个量化研究操作系统。 Qlib 的重要价值在于把“金融 AI 项目工程化”展示得比较完整。很多金融 AI 学习只停留在 notebook 或单个模型，但真实机构需要数据版本、特征管理、训练流程、回测框架、评估指标和
FSK-038Skill 工作流 ／ 风控合规
KYC、客户准入与运营规则
这个 skill 属于“KYC、客户准入与运营规则”领域。适合学习金融机构客户准入、KYC 文件解析、规则网格、缺口识别和升级路径。它与银行反洗钱、客户尽调、账户开立、受益所有人识别等场景高度相关。
FP-001开源项目 ／ 财富投研
开源社区
FinGPT 是 AI4Finance Foundation 发起的开源金融大语言模型项目，目标是把通用大模型改造成更懂金融文本、金融情绪、市场信息和投研任务的领域模型。它不是一个简单聊天机器人，而是围绕金融数据处理、指令微调、情绪分析、金融问答、金融预测和金融基准评测形成的一套项目集合。项目公开了代码、训练思路、部分模型与 Hugging Face 资源，适合用来理解“金融大模型到底需要哪些专门处理环节”。 FinGPT 的重要意义在于：金融机构一般不会把内部高质量数据和模
FP-003开源项目 ／ 财富投研
开源社区
FinRL 是 AI4Finance Foundation 的经典开源项目，专注金融强化学习。它把股票交易、组合管理等金融决策问题抽象成强化学习环境：智能体观察市场状态，采取买入、卖出、持有或调仓动作，然后根据收益、风险和交易成本获得奖励。项目包含数据处理、环境构建、算法训练、回测评估等模块，是学习“AI 如何在连续金融决策中训练策略”的代表性项目。 FinRL 的价值不只是交易策略本身，而是提供了一种完整的金融 AI 实验范式：先定义市场环境，再定义动作空间和奖励函数，再训
FP-005开源项目 ／ 财富投研
开源社区
OpenBB 是一个开源金融数据平台，面向分析师、量化人员和 AI 智能体提供统一的数据访问能力。它整合多类金融数据源，并通过 Python、CLI 等方式让用户读取市场数据、公司数据、经济数据和其他分析所需信息。OpenBB 的新定位已经不仅是“开源金融终端”，也在强调作为 AI Agent 的金融数据底座。 对金融 AI 学习者来说，OpenBB 的价值在于提醒我们：大模型或智能体要做金融分析，第一步不是“会聊天”，而是能稳定、合规、可追溯地拿到数据。很多金融 AI 项目
学习方向金融数据平台 / AI Agent 数据底座
FP-006开源项目 ／ 财富投研
开源社区
RD-Agent 是 Microsoft 开源的研发自动化智能体项目，目标是让 AI 参与数据和模型研发过程。它不只服务金融，但其中包含面向量化金融的 RD-Agent(Q) 场景，用多智能体方式自动做量化策略研究、因子和模型协同优化、代码生成、实验运行和结果评估。它代表了一个重要趋势：AI 不只是分析结果，也可以参与研究过程本身。 对于本仓库来说，RD-Agent 很适合放在“未来金融 AI 工作方式”这一类。过去分析师或数据科学家需要手动提出假设、写代码、跑实验、看结果；