Sakana AI实践：用AI Agent重塑银行融资业务的技术与策略

引言：当AI Agent走进金融核心业务

AI Agent（智能体）正在从实验室走向真实的业务场景，而金融领域无疑是最具挑战性也最具价值的落地方向之一。所谓AI Agent，是指具备自主感知环境、制定计划、调用工具并执行任务能力的智能系统，区别于传统的单轮问答式AI。一个典型的AI Agent架构包含规划模块（Planning）、记忆模块（Memory）、工具调用模块（Tool Use）和行动执行模块（Action）。在金融场景中，Agent需要能够自主决定何时查询数据库、何时调用财务分析工具、何时生成文档，并在多步骤任务中保持上下文一致性——这与简单的ChatBot有本质区别，后者只是被动响应，而Agent能够主动分解复杂任务并逐步执行。

日本AI研究公司Sakana AI启动了Applied Team，专注于将其前沿AI技术应用于金融、防务等社会基础设施领域。

近日，Sakana AI的两位软件工程师——负责金融项目开发的酒井将汰和工程团队经理本田胜宽——分享了他们在银行融资业务中构建AI Agent产品的实践经验。这些一线开发者的视角，为我们揭示了AI Agent在企业级金融场景中落地的真实挑战与机遇。

AI Agent如何辅助银行融资业务：项目全貌

从信息收集到稟议书生成的全流程支援

酒井介绍，团队目前正在开发一款用AI Agent支援银行融资业务的产品。融资业务本身极为复杂——银行职员需要收集整理客户信息、财务数据、事业内容，进行分析后形成稟议书（审批文件）等资料。

稟议书（りんぎしょ）是日本企业和金融机构中广泛使用的内部审批文件制度，在银行融资决策中扮演着核心角色。银行职员在受理企业贷款申请后，需要对借款企业进行全面的信用评估，包括财务报表分析、事业计划评估、担保物评价、行业风险分析等，最终将所有分析结论整理成稟议书提交给审批委员会。一份完整的融资稟议书通常包含数十页内容，制作过程可能耗费数天甚至数周。这正是AI Agent能够显著提升效率的环节。

他们构建的AI Agent系统覆盖了初期分析、信息整理、财务模拟、稟议书草稿生成等多个环节，同时还在开发支撑这些Agent安全运行的平台。

你可能没注意到，这里的设计理念并非让AI替代人类判断，而是减轻分析和资料制作的负担，让银行职员能够将精力集中在与客户的对话和关键议题的讨论上。这种"AI作为协作伙伴而非替代者"的定位，在金融这种高度依赖专业判断的领域尤为重要。

金融级AI Agent面临的独特技术挑战

与普通Web应用开发相比，将AI Agent嵌入金融实务面临着截然不同的技术难题。酒井从几个维度做了深入分析：

质量标准的重新定义。 传统Web应用的输入输出相对明确，测试和质量保证体系成熟。但AI Agent的输出会因Prompt、上下文、模型行为而变化，"什么才算业务上足够好的质量"这个问题本身就需要重新定义。在传统软件中，我们可以通过单元测试、集成测试来验证确定性的输入输出关系；但对于AI Agent，同样的输入可能产生语义等价但表述不同的输出，甚至在不同时间点调用同一模型也可能得到不同结果。这要求团队建立一套全新的评估框架——不仅包括输出的准确性，还涉及一致性、完整性、合规性等多个维度的综合评判。

多重约束下的架构设计。 金融领域对安全性、云环境、与既有系统的对接都有严格要求。日本的金融监管体系（包括金融厅的各项指引）对数据存储位置、传输加密、访问控制等都有明确规定。需要在满足多种环境和运维需求的前提下，设计出能安全稳定提供AI Agent服务的架构。这意味着架构师不仅要考虑技术最优解，还要在合规框架内寻找可行方案。

精细的责任边界划分。 开发者需要仔细界定：哪些信息传递给AI、AI的自主权限到哪里、哪些环节由人类或应用层控制。这不仅涉及模型调用和结果展示，还包括上下文管理、工具执行、权限管理、审计日志、人工确认节点（Human-in-the-Loop）、错误恢复等一整套机制。Human-in-the-Loop的设计在金融AI系统中尤为关键——它确保在涉及重大金额决策、异常情况处理等高风险环节，系统会暂停自动执行并等待人类专家的确认和干预，从而在效率与安全之间取得平衡。

AI原生的开发方式：速度与治理如何平衡

以AI为前提设计工作流程

酒井提到，Sakana AI作为一家"AI原生"企业，其工作方式与传统企业有本质区别。他们不是将AI后置于现有业务流程中，而是从一开始就以使用AI为前提来设计工作方式——既不过度恐惧，也不低估AI的能力。

AI原生（AI-Native）企业与传统企业在AI应用上的根本差异在于：传统企业是在已有的业务流程和组织架构上"叠加"AI能力，而AI原生企业从组织设计、流程规划、工具选型到人才评估标准，都以AI的存在为基本前提。这意味着代码审查流程会考虑AI生成代码的特殊性，项目估算会纳入AI辅助带来的效率提升，甚至岗位职责的定义也会因为AI的介入而重新划分。这种范式差异类似于"移动原生"企业与传统企业在移动互联网时代的区别——前者不是把网站搬到手机上，而是从一开始就为移动场景设计产品和服务。

在日常开发中，团队在各种场景广泛使用AI，但绝非简单的"甩手给AI"。组织层面建立了明确的指令设计规范、验证环境和沙箱执行机制，信息治理和质量保障是大前提。在此基础上，人类专注于架构设计、规格判断、代码审查、质量与风险评估，AI负责可以自动化的部分。

这种分工带来的直接结果是：个人被赋予的裁量权和需要关注的范围都显著扩大了。 酒井表示，相比前职，他现在需要对产品价值、用户体验、技术可行性、安全性、运维性等多个维度做出判断，自主决策的空间大幅增加。

多元背景团队的协作模式

本田介绍了团队的组织架构。他管理的角色主要分为两类：

• Software Engineer：以全栈方式工作，负责平台和产品等核心通用领域，涵盖架构设计、开发生产力、公共基础设施等。一个关键职责是将PoC级别的系统提升到企业级运营质量。
• Solution Engineer：负责在客户环境中的部署和集成，尤其要应对金融机构和大企业在安全、网络、运维等方面的各种约束。

团队成员背景极为多样——不仅有Web开发出身的工程师，还有数据科学家、SI（系统集成）出身者、云计算专家、SRE工程师、产品开发人员等。SRE（Site Reliability Engineering，站点可靠性工程）是由Google提出的一种运维方法论，强调用软件工程的方式解决运维问题。在金融AI系统中，SRE的角色尤为关键——金融监管机构通常要求核心系统的可用性达到99.99%以上（即全年停机时间不超过约53分钟）。对于AI Agent系统而言，SRE不仅要保障基础设施的稳定性，还需要监控模型推理的延迟和准确性、管理GPU资源的弹性伸缩、建立模型输出的异常检测机制等，这些都是传统SRE实践中不曾涉及的新领域。

这种多样性催生了一种跨角色协作的文化，每个人在保持专业深度的同时，也需要跨越职能边界推进项目。

从PoC到生产：企业级AI产品的进化路径

短期交付与长期平台化的双轮驱动

从PoC（Proof of Concept，概念验证）到企业级生产系统之间存在巨大的鸿沟——业界常称之为"PoC地狱"或"死亡之谷"。在金融领域，这一鸿沟尤为显著：PoC阶段可能只需处理几十条测试数据，而生产环境需要应对大规模并发请求；PoC可以容忍偶尔的错误输出，但生产环境中的每一个错误都可能涉及合规风险和经济损失。此外，还需要解决与核心银行系统的对接、数据加密传输、灾备恢复、审计追踪等一系列企业级需求。

本田对团队的期望体现了清晰的战略思维：

短期目标是扎实完成客户交付。在企业级领域，系统必须在实际运营和各种约束条件下成立，这不仅需要技术能力，更需要与客户及各角色协作、坚持到最后的执行力。

中长期目标则是将单个项目中获得的知识反哺到平台和产品中。不是让每个案例各自封闭，而是基于交付现场的反馈推动平台化、产品化，形成持续改善的循环。更进一步，这个改善过程本身也要通过AI来优化，降低开发和运维成本。

面向未来的产品愿景

酒井的愿景颇具雄心：将Sakana AI的技术和产品打造成日本AI应用的事实标准。他强调，目标不是"为AI而做的软件"，而是让人在自然的业务流程中与AI协作的软件——AI在需要的时机提供支援，人做出判断，然后衔接到下一步行动。这一理念与当前全球AI产品设计的主流趋势一致：最好的AI不是让用户感到"在使用AI"，而是让AI无缝融入既有工作流，在用户需要时自然出现。

本田则更关注AI对软件工程师工作方式和开发流程的深层变革。他认为，不能仅仅停留在使用AI工具的层面，而要思考组织和流程层面应该如何随之改变。这涉及到软件工程领域正在发生的一场根本性转变：当AI能够承担越来越多的编码工作时，工程师的核心价值将从"写代码"转向"做判断"——判断架构的合理性、需求的优先级、风险的可接受程度，以及AI输出的可靠性。

核心启示：AI Agent金融落地的关键要素

从这次访谈中，我们可以提炼出AI Agent在金融等高监管行业落地的几个关键要素：

1. 人机协作而非替代：AI承担分析和资料生成的重复性工作，人类专注于判断和沟通
2. 质量标准的重新定义：传统测试方法不适用于AI Agent，需要建立新的评估体系
3. 精细的责任边界设计：明确AI的自主范围、人工确认节点和错误恢复机制
4. 从项目到平台的进化：单个交付项目的经验必须沉淀为可复用的平台能力
5. AI原生的组织文化：不是在旧流程上叠加AI，而是以AI为前提重新设计工作方式

值得补充的是，这些要素并非金融领域独有。医疗、法律、政府等同样具有高监管特征的行业，在部署AI Agent时也面临类似的挑战。金融领域之所以走在前列，一方面是因为其数字化基础相对成熟，另一方面是因为效率提升带来的经济回报足够显著，能够支撑前期的高投入。

金融领域的AI Agent应用仍处于早期阶段，正如酒井所说，"这是一个还没有固定正确答案的领域"。但正是这种不确定性，为那些既懂金融业务又理解AI能力边界的团队创造了巨大的机会窗口。