Sakana AI×三井住友：多AI Agent协作自动生成提案书，效率提升百倍

Sakana AI与SMBC合作：提案书制作从1-2周缩短到数小时

Sakana AI与三井住友金融集团（SMBC）联合开发了一款「提案书自动生成应用」，已在三井住友银行正式投入实务使用。这是双方自2025年5月签署合作协议以来的首个落地项目。

最引人注目的数据是：过去需要1-2周完成的大企业提案书制作工作，现在可以缩短至数十分钟到数小时。这不仅仅是效率的提升，更代表了AI Agent在复杂业务流程中的深度应用。

技术架构解析：多AI Agent自律协作如何运作

角色分工明确的Agent集群

本应用的核心技术亮点在于采用了多个AI Agent自律协作的架构设计。不同于单一大模型的简单问答，系统中的多个Agent各司其职：

• 信息收集Agent：自动搜集目标企业的财务与非财务信息
• 分析Agent：对收集到的数据进行深度分析
• 假设构建Agent：基于分析结果提出战略假设
• 故事策定Agent：将分析和假设组织成连贯的提案叙事
• 质量评估与事实核查Agent：对生成内容进行审核把关

这些Agent之间相互协作，由AI自主构建并执行最优工作流，最终输出一致性高、专业度强的提案内容。

多Agent系统的技术背景

多Agent系统（Multi-Agent System, MAS）是分布式人工智能领域的核心研究方向，其理论基础可追溯到20世纪80年代的分布式问题求解研究。与单一大语言模型的Prompt Engineering方式不同，多Agent架构将复杂任务分解为多个子任务，由具备不同能力和角色的Agent分别处理。每个Agent拥有独立的推理能力、记忆系统和工具调用权限，通过预定义或动态生成的通信协议进行协作。

从技术实现层面来看，多Agent系统的关键设计要素包括：Agent间的通信机制（消息传递、共享黑板、发布-订阅模式等）、任务编排策略（顺序执行、并行处理、条件分支）、以及冲突解决机制（当不同Agent产生矛盾结论时如何仲裁）。在本案例中，「质量评估与事实核查Agent」的存在尤为关键——它充当了系统内部的「审稿人」角色，能够对其他Agent的输出进行交叉验证，这种内置的自我纠错机制大幅降低了AI幻觉（Hallucination）的风险，这在金融领域尤为重要，因为任何事实性错误都可能导致严重的商业后果。

2024年以来，随着AutoGen（微软）、CrewAI、LangGraph（LangChain生态）等开源框架的成熟，多Agent系统从学术概念快速走向工程落地。其核心优势在于：任务分解降低了单次推理的复杂度，角色专业化提升了输出质量，Agent间的相互审核机制则提供了内置的质量保障。值得注意的是，多Agent系统也面临着独特的工程挑战，包括Agent间通信的延迟累积、错误传播（一个Agent的错误输出可能影响下游所有Agent）、以及系统整体行为的可预测性和可调试性等问题。

不止是文档生成：AI驱动的战略思考支援

有意思的是，这款应用的定位并非简单的「资料自动化生成工具」。Sakana AI强调其实现了AI战略思考支援——包括假设构建和多角度分析。系统能够提出人类容易忽略的新视角和客观论点，帮助银行员工聚焦于客户本质性的课题解决。

这一定位反映了AI Agent技术发展的重要趋势：从「执行工具」向「思考伙伴」的跃迁。传统的自动化工具（如RPA）擅长执行预定义的规则性操作，而AI Agent则具备了推理、假设生成和创造性分析的能力。在提案书制作场景中，这意味着AI不仅能帮助收集和整理信息，还能主动提出「如果该企业进入东南亚市场，可能面临哪些风险和机遇」这类战略性假设，为银行员工提供思考的起点和多元化的分析视角。

金融AI Agent落地：为什么提案书是理想场景

知识密集型任务的天然适配

银行对公业务（Wholesale Business）中的提案书制作，是一个典型的知识密集型任务。它需要：

1. 大量的信息调研（行业趋势、企业财报、竞争格局）
2. 专业的金融分析能力
3. 战略性的思考和假设验证
4. 高质量的文档组织和呈现

这恰好是多Agent系统的理想应用场景——任务复杂度高、涉及多个专业领域、需要多步骤协调完成。相比之下，单一Agent或简单的RAG系统很难胜任如此复杂的端到端流程。

RAG（Retrieval-Augmented Generation，检索增强生成）是当前企业AI应用最广泛的技术范式，其核心思路是将外部知识库与大语言模型结合，通过检索相关文档片段来增强模型的回答准确性。典型的RAG流程包括：将企业文档切分为文本块（Chunk）、通过嵌入模型（Embedding Model）将其向量化存入向量数据库、在用户提问时检索最相关的文本块、最后将检索结果与用户问题一起输入大语言模型生成回答。这一范式在FAQ系统、内部知识查询等场景中表现优异。

然而，RAG本质上仍是「检索+生成」的两步流程，适合回答事实性问题或基于已有文档的内容总结。当任务涉及多步推理、假设验证、跨领域信息整合和创造性分析时，RAG系统的局限性就会显现——它无法主动规划调研路径，无法对检索到的信息进行批判性评估，也无法在多轮迭代中逐步深化分析。多Agent系统通过引入规划（Planning）、反思（Reflection）和工具使用（Tool Use）等能力，能够处理需要多轮迭代、多角度验证的复杂工作流，这正是提案书制作这类端到端任务所需要的能力层级。

日本银行对公业务的行业特殊性

日本的大型银行集团（Mega Banks，通常指三菱UFJ、三井住友、瑞穗三大金融集团）在对公业务中扮演着独特的角色。与欧美投行侧重交易撮合（Deal-making）和手续费收入不同，日本银行的对公业务更强调「伴走型」（陪伴式）服务——即长期跟踪客户企业的经营状况，主动提出经营改善、M&A（并购）、资金调达（融资安排）等综合解决方案。这种模式源于日本独特的「主银行制度」（メインバンク制度）传统，银行与企业之间建立的是长期的信赖关系，而非单次交易关系。

这种模式要求银行员工具备深厚的行业知识和战略分析能力，提案书的质量直接影响客户关系的深度。一份优质的提案书不仅需要展示对客户企业经营状况的深刻理解，还需要提出具有前瞻性的战略建议，这往往需要银行员工投入大量时间进行行业研究、竞品分析和财务建模。

然而，日本银行业长期面临人才短缺和工作效率低下的双重压力。据日本银行协会统计，银行员工约30-40%的工作时间用于资料制作和信息收集。加之日本社会整体的少子高龄化趋势，银行业的新卒（应届毕业生）招聘竞争力持续下降，优秀人才流向科技企业和咨询公司的趋势明显。在这一背景下，AI Agent技术的引入，正是为了将人力从重复性的信息处理工作中解放出来，使其能够专注于更高价值的客户沟通和战略判断——这也是日本银行业数字化转型（DX）战略的核心命题。

Sakana AI的差异化技术路线

Sakana AI由前Google研究员创立，一直以「自然启发的AI」和多Agent协作为技术特色。此次与日本顶级金融集团的合作落地，证明了其技术路线在企业级场景中的可行性。

Sakana AI于2023年在东京成立，由前Google Brain研究员David Ha和Llion Jones（Transformer论文《Attention Is All You Need》的共同作者之一）联合创办。公司名称取自日语中的「鱼」（さかな），寓意其核心理念——从自然界的集群智能（Swarm Intelligence，如鱼群的同步游动、蚁群的路径优化、鸟群的编队飞行）中汲取灵感来设计AI系统。这一理念的核心洞察是：自然界中许多复杂的群体行为并非由中央控制器指挥，而是通过个体间简单规则的交互涌现出来的——这与多Agent系统的设计哲学高度契合。

公司的技术特色包括：进化算法驱动的模型合并（Model Merging，即通过进化策略自动发现不同预训练模型的最优组合方式，无需额外训练即可获得性能更强的新模型）、多Agent协作框架、以及通过小模型集群实现大模型级别能力的研究方向。这一路线与OpenAI、Anthropic等公司追求单一超大规模模型的路径形成了鲜明对比，体现了「集群智能优于单体智能」的技术哲学。

2024年，Sakana AI完成了超过3亿美元的融资，估值超过20亿美元，成为日本AI领域估值最高的初创公司之一。其投资者包括Google、NVIDIA、NTT、KDDI、Sony等科技巨头，以及Khosla Ventures、Lux Capital等知名风投。值得注意的是，其投资者阵容中同时包含了美国科技巨头和日本产业资本，这反映了Sakana AI作为连接硅谷前沿研究与日本产业应用的桥梁角色。

从商业角度看，这也是Sakana AI从研究型公司向产品化公司转型的重要一步。选择金融这一高价值、高门槛的行业作为切入点，既能体现技术实力，也有利于建立商业壁垒。金融行业对AI系统的准确性、可解释性和合规性要求极高，一旦成功通过验证，将形成强大的客户粘性和行业口碑效应。

未来展望：从银行提案到金融全场景覆盖

Sakana AI表示，三井住友银行的应用只是起点，后续将在SMBC集团内的其他业务领域逐步扩展AI Agent技术的应用范围。可以预见的扩展方向包括：信贷审查流程的自动化分析、合规文档的智能审核、投资研究报告的辅助生成、以及客户风险评估的多维度分析等。

从更宏观的视角来看，这一案例对整个金融行业具有示范效应。当AI Agent能够将数周的工作压缩到数小时，银行员工的角色将从「信息收集和文档制作者」转变为「战略顾问和关系维护者」。这不仅是效率革命，更是金融服务模式的根本性变革。

全球金融AI Agent竞争格局

金融业是AI Agent技术落地最积极的行业之一，这源于金融业务天然的数据密集性、流程标准化程度高、以及对效率提升的强烈需求。在全球范围内，摩根大通（JPMorgan Chase）已部署了名为LLM Suite的内部AI平台，覆盖超过20万名员工的日常工作辅助，并开发了专门用于合同分析的AI系统；高盛（Goldman Sachs）开发了面向投行业务的AI助手，用于辅助IPO定价分析和并购尽职调查；摩根士丹利（Morgan Stanley）则与OpenAI深度合作，构建了财富管理领域的AI知识系统，帮助理财顾问快速检索和综合数万份研究报告中的洞察。

在日本国内，三菱UFJ金融集团（MUFG）与微软合作推进生成式AI应用，重点在客户服务和内部运营效率提升；瑞穗金融集团则在信贷审查领域引入AI辅助，利用自然语言处理技术分析企业财报和新闻信息来辅助信用评估。SMBC与Sakana AI的合作独特之处在于，它不是简单地将通用大模型嵌入现有流程（如部署ChatGPT Enterprise），而是采用了多Agent协作这一更前沿的架构，试图实现从信息收集到战略分析的全链条自动化。这一技术选择的成败，可能影响日本金融AI的未来发展方向——是走「通用模型+微调」的路线，还是走「专业Agent集群协作」的路线。

该项目也登上了日本经济新闻的报道，显示出日本金融业对AI Agent技术的高度关注。在全球AI竞争中，日本企业正在加速将前沿AI技术融入核心业务流程，试图在AI应用层面弥补在基础模型研发方面与美国的差距。