在金融行业，AI 报告生成真正的难点，从来不是“能不能生成一份报告”。

真正的问题是：AI 能不能像一名成熟的业务专家一样，进入真实的金融工作环境，持续处理资料、理解业务、发现风险、接受人工校验，并最终交付一份经得起复核、审计和决策检验的报告？

也是零壹视界的报告智能体“小狸报告”的核心出发点。我们认为，下一代金融报告智能体不应该只是一个“会写报告的大模型”，而应该具备类似 Agent Harness 的能力：让模型能够在真实金融工作环境中，安全、持续、可验证地完成复杂任务。

对于银行、融资租赁、不良资产、投研等场景而言，这意味着 AI 不再只是报告生产工具，而是逐渐成为一个可以被业务规则约束、被专业人员监督、能够持续执行并最终形成可信业务成果的智能工作系统。

（零壹视界CTO黄波参加活动现场图）

一、从“AI 写报告”到“AI 完成一项金融工作”

过去我们谈 AI 报告，通常关注的是：

1、报告生成速度有多快；

2、一次可以处理多少文档；

3、文字写得是否流畅；

4、能否自动生成 Word；

5、能否减少人工撰写时间。

这些能力当然重要，但对于金融机构来说，它们还远远不够。因为一份授信报告的价值，并不在于文字写得漂亮，而在于：数据是否准确、判断是否有依据、风险是否被发现、过程是否可复核、结论是否符合业务规则。

因此，真正的金融报告智能体应该完成的是这样一个闭环：

这已经不是简单的“内容生成”。它更像是一个完整的金融业务任务执行过程。而 Harness 的理念，正是解决这个问题。

二、什么是报告智能体的 Harness？

可以把它简单理解为：Harness 是包裹在大模型外围的一套“业务执行与约束体系”，让模型不仅能够思考，还能够在真实业务环境中持续行动、获取信息、调用工具、接受反馈、修正错误，并最终完成任务。

因此，Harness 的核心并不是让 AI “更聪明”，而是让 AI “更可靠地完成工作”。

三、为什么金融行业尤其需要 Harness？

金融业务与普通内容生成场景最大的不同，是：金融业务不是一次性的答案生成，而是一个需要证据、规则、判断和责任闭环的过程。

例如银行客户经理进行一次企业授信尽调，面对的可能是：

真正困难的并不是“把这些资料总结出来”。而是要回答：

这些资料之间是否相互印证？

有没有异常？

有没有被忽略的风险？

报告中的每个关键数据从哪里来的？

如果 AI 判断错了，业务人员能不能修改？

修改之后，后续报告是否能够同步更新？

不同银行、不同分行、不同业务条线的规则发生变化之后，系统能不能快速适配？

这就是金融场景下 Harness 的价值。

四、第一层 Harness：让每一个数据都有“来处”

金融 AI 最重要的不是“会说”，而是：说出来的东西能不能证明是真的。因此，报告智能体首先需要建立数据溯源能力。

例如报告中出现：2025 年企业营业收入为 12.8 亿元。用户点击这个数字后，系统应该能够直接定位到：

如果结论来自访谈，则应该能够定位到：

如果结论来自合同，则可以直接定位：

这意味着：报告不再只是一个最终结果，而是一张可以向下钻取的“证据网络”。

五、真正重要的是：允许人纠正 AI

这也是 Harness 与普通 RAG/报告生成系统非常重要的区别。AI 不可能永远正确。

因此金融场景真正需要的不是：“AI 生成了，所以相信 AI。”而是：“AI 给出判断，同时把证据、依据和修改权交给业务专家。”

例如 AI 从财务报表提取：流动负债：8.2 亿元

业务人员发现：AI 识别错误，实际应该是 6.2 亿元。业务人员可以直接在溯源界面进行验证

这里真正产生价值的不是“AI 自动化”。而是形成了：AI 执行 → 人工评审 → AI 修正 → 结果验证的闭环。这就是金融级 Harness 的重要特征。

六、第二层 Harness：让 AI 不只是“整理资料”，而是主动发现风险

例如系统发现：

营收快速增长，但经营现金流没有同步增长；

应收账款增长明显高于收入增长；

企业存在异常关联交易；

负债率连续上升；

主要客户集中度过高；

存在未充分披露的司法诉讼；

企业访谈口径与财务数据存在矛盾。

此时“小狸助手”不是等待用户提问，而应该主动提示：发现 10 个需要确认的风险点。

用户点击之后，可以继续追问：“这个风险是怎么判断出来的？”系统继续给出：

这就形成了：风险发现 → 风险解释 → 风险证据 → 人工确认的闭环。这比单纯的“AI 总结”更接近真正的金融业务专家助手。

七、第三层 Harness：把银行业务规则装进 AI

金融机构最大的特点之一，就是：不同机构、不同业务条线、不同产品、不同地区，往往都有自己的规则和报告规范。因此，一个真正能够进入金融机构的报告智能体，不能只有一个固定 Prompt。它需要具备：可配置、可调整、可继承、可验证的业务规则体系。最终形成不同的报告生成逻辑。

例如用户只需要说：“按照最新绿色信贷要求，增加绿色属性评价章节。”

系统就应该能够：

而不是让用户重新上传所有资料、重新生成整份报告。这就是：对话式业务规则执行。

八、从“模板”升级为“业务 Harness”

传统报告模板解决的是：“报告长什么样？”而 Harness 解决的是：“这类报告应该怎么完成？”两者完全不同。

这样一来，企业真正沉淀下来的就不再是一份 Word 模板，而是：一套可以被 AI 执行的金融业务最佳实践。这对于金融机构尤其重要。

九、把专家经验变成“可执行的数智资产”

银行真正宝贵的资产，很多时候并不在系统里。而是在资深客户经理、审批人员、风险专家的经验里。

例如一个优秀的信贷经理看到：营收增长 30%并不会马上认为企业经营良好。

他可能继续关注：

毛利率是否下降；

应收账款是否异常；

现金流是否匹配；

客户集中度是否过高；

是否存在关联交易；

企业主要客户是否稳定；

行业周期是否发生变化。

过去这些经验往往只能通过：老员工带新人。而Harness 的价值，是把这些经验逐渐转化成：

最终形成企业自己的：“AI 业务专家体系”。这也是报告智能体区别于普通 AI 工具的重要地方。

十、移动访谈也是 Harness 的一部分

如果把报告生成单独看，容易忽略一个问题：很多最有价值的信息，并不在企业上传的 PDF 里，而在现场访谈中。因此，完整的金融报告 Harness 应该从：资料进入，一直延伸到，现场信息采集 → 报告交付。

例如客户经理到企业现场：

更进一步，AI 可以在访谈过程中提醒：“企业刚才提到今年新增两家核心客户，建议进一步确认客户名称、收入占比及合同期限。”这时 AI 已经不是“录音转文字工具”。而是：参与业务过程本身。这正是 Harness 思想真正有价值的地方。

十一、一个完整的金融报告 Harness 应该是什么样？

最终，我们希望形成这样的工作闭环：

这里面每一个环节都不是孤立的。前一个环节的产物，是后一个环节的输入；每一个结果都可以被验证、修正和追溯。这才是我们理解的金融报告智能体 Harness。对于银行而言，最终价值不是“用了 AI”如果只是：“我们可以用 AI 10 分钟生成一份报告。”这个价值很容易被复制。

但如果能够做到：AI 能处理资料、主动发现风险、知道自己的证据在哪里、允许专家纠正错误、遵循银行业务规则，并能够持续完成从尽调到报告交付的完整任务。这就是完全不同的产品能力。

因此，我们希望“小狸报告”最终带给金融机构的不是一个AI 写作工具，而是一套金融业务智能执行基础设施。

十二、从“效率工具”走向“金融业务智能体”

人不再负责所有操作，而是负责目标、判断和关键决策；AI 则负责持续执行。

十三、我们认为，这才是报告智能体下一阶段的竞争点

未来金融报告智能体的竞争，不应该只比较：谁的模型参数更大；谁的 OCR 更准确；谁的报告写得更漂亮；谁的生成速度更快。

更应该比较：

谁能让 AI 真正进入业务流程？

谁能让 AI 的每一个判断都有证据？

谁能让业务专家随时纠正 AI？

谁能让专家经验变成可执行规则？

谁能让 AI 主动发现风险，而不是等待用户提问？

谁能让不同银行的业务规则快速落地？

谁能让 AI 从“一次生成”变成“持续完成任务”？

这才是金融 AI 从“工具”走向“智能体”的关键一步。

结语：让 AI 从“会写报告”走向“会完成业务”

我们认为，报告智能体的真正价值，不是替人写掉多少文字，而是让 AI 开始真正承担一项金融业务任务。

它应该能够：理解业务目标，进入真实工作环境，处理复杂资料，主动发现风险，遵循业务规则，提供完整证据，接受人工评审，持续修正结果，并最终交付可信的业务成果。这就是我们所理解的：报告智能体 Harness 理念。

对于金融机构而言，它意味着 AI 不再只是一个“报告生成器”，而正在成为一个：可控、可追溯、可验证、可修正、可持续执行的金融业务智能执行系统。

而我们的产品“小狸报告”真正要建设的，也正是这样一个方向：让每一份报告背后，都有一套可执行的业务知识、一套可验证的证据链，以及一个能够持续完成工作的金融智能体。

（零壹视界CTO黄波对话整理）