银行Agent的落地方式，正在从单点试验转向更系统的工程化建设。
9月初，浙商银行一笔Agent基础软硬件项目披露中标结果，接近6500万元的报价，成为年内公开可查金融机构Agent项目中，金额最大的一笔；
叠加此前落地的财富及供应链Agent项目，浙商银行在Agent上的公开采购金额已合计超过7400万元。
这并不是孤例，上海银行、浦发银行、恒丰银行近期均有大额采购落地，加码Agent工作站、创设平台和运行观测等环节。
银行正在为Agent花更多的钱，而这些钱正在投向更底层的工程能力。
几乎同期，服贸会、外滩大会上，银行高管开始更多讨论如何批量开发Agent、上线后怎么评估、怎样持续管理；
部分金融科技公司甚至将Agent平台定义为“超级工厂”，欲把开发、部署、评测和管理纳入同一套体系。
资金流向和行业讨论指向了同一个变化：银行的目标正在从落地零散的Agent，转向一套能够反复生产、调用和管理Agent的基础能力。
资金流向底座
真实业务中，Agent需要调用知识、工具、业务系统执行任务；
这套规则落地银行业时的特殊性在于，银行不仅要检查输出结果，也要控制任务的执行过程。
一家股份行数据架构师向枢纽表示，不是所有场景都适合直接交给Agent；
例如，意图识别、合同要素抽取等“非标准输入、标准输出”的任务容易落地，但信贷审批、理财规划等复杂流程，需要把模型嵌入既有工作流，由规则、权限和人工节点共同控制。
这也改变了银行科技项目固有的研发与交付方式。
传统科技项目通常由业务提出需求、科技负责开发；
Agent进入生产后，业务规则、SOP和经验判断需要被转化为模型能够识别和执行的逻辑，业务人员需要深地参与测试和调整。
上述数据架构师表示，在Agent的金融场景开发模式中，业务专家需要深度参与知识和规则的沉淀，科技人员则负责将这些经验转化为可执行的流程和工具，双方的协作早已经由需求交付，延伸到共同开发和持续调整。
而当Agent从试点走向批量，原本由各个项目分别完成的开发、评测和运行管理，也随之出现标准化需求。
近期的采购已经出现对应变化。
枢纽统计发现，今年上半年，金融行业大模型中标项目达到406个，同比增长110%，其中银行机构在项目数量和金额上的占比均接近半数；
自去年下半年开始，Agent类应用项目明显增加，银行AI建设逐渐由模型部署和算力扩容，走向更具体的应用层。
这其中，浙商银行接近6500万元的Agent基础软硬件项目，已经覆盖算力、知识工程、模型和Agent运行环节，建设范围延伸至支撑后续Agent开发和运行的基础环境；
同时，浦发银行采购Agent创设平台，重点落在Agent的批量创建和管理；
恒丰银行则单独建设Agent观测能力，把投入延伸到上线后的运行监测。
上述几类项目，分别落在Agent生产体系的不同环节，说明银行的投入对象正在由具体应用，继续向开发和运行基础设施延伸。
相似的变化，也反映在了科技部门职责和招聘需求上。
一位金融科技公司人士向枢纽反映，随着Agent数量增加，银行科技部门需要提供统一的开发和运行环境，并处理资源调用、Agent协同和治理等问题。
枢纽注意到，近期宁波银行相关岗位出现Agent工作流构建和技术框架研发；
平安银行则招聘AI Agent评测工程师，职责涉及工具调用、多步推理以及安全和性能评测。
从岗位设置看，Agent进入批量建设后，银行对工程能力的需求已经延伸到工作流、工具调用、评测和运行管理等环节。
财富、信贷、客服仍按照各自的知识、流程和风险边界开发，但其开发、验证和运行管理，正逐渐形成一套相对统一的方法；
当Agent进入规模化建设，这套生产方法本身，也将成为银行AI投入的新底座。
流程重新接线
Agent进入银行核心业务后，真正复杂的，是原有流程里的工作怎样重新拆分。
信贷是一个典型场景。
今年以来，苏州银行相继推进文档识别、尽调、AI审批、放款审核和贷后管理等项目；
上海银行也在对公授信的营销、尽调和贷后环节布局Agent。
这些项目分布在一笔授信的不同阶段：
材料读取、数据提取、财务分析等任务相对标准，更容易交给机器，越往风险判断和审批环节走，对业务经验的依赖越高；
一组财务指标是否异常、哪些问题需要继续追问、同样的指标放在不同产业周期中意味着什么，往往没有固定答案，很多判断沉淀在资深信贷人员长期积累的经验里。
目前，亦有金融科技公司在尝试把这类经验判断进一步拆解、沉淀，并重新嵌入信贷流程。
神州信息AI创新中心总经理晋梅介绍，其公司推出CreditMind方案会把历史尽调报告、审批意见以及贷款后续表现重新组织，从中提取资深信贷人员判断风险时使用的逻辑和经验，再用于新的审批任务。
在新的授信流程中，系统先处理客户材料和基础分析，再调用历史案例和专家经验补充风险提示，最终交由审批人员判断；
这类尝试的价值，在于把过去主要沉淀在个人经验中的部分判断，转化成可以被Agent调用的Skill，再重新放回审批流程。
不过，能够被沉淀的主要是相对明确的判断逻辑，真正依赖具体客户、行业环境和长期经验形成的判断，仍然需要人完成。
在这套组织架构之下，Agent进入信贷流程，将把原有工作拆成更细的任务：标准化信息处理给机器、可提炼经验转成Skill、关键风险判断留给人。
可以观察到的是，这种拆分已向更大范围扩展。
浦发银行披露，今年上半年已有超过440个AI应用，其中220个Agent实现工程化落地，同时上线108条AI流水线，数字劳动力承担的工作量超过2500人年。
“AI流水线”比单个Agent数量更能反映流程层面的变化：不同AI能力按照业务顺序被重新组织，机器连续承担其中一部分任务，再在需要判断、授权和承担责任的节点交回人工。
浦发银行首席人工智能科学家郑波将金融AI进入生产概括为三个标准：进入核心业务流程，承担过去由人完成的关键任务，并改善客户体验、经营效率或风险管理。
对银行而言，Agent深入业务的程度，越来越取决于流程能被拆得多细。
哪些工作可以稳定交给机器，哪些经验能够沉淀成Skill，哪些判断必须留给人，这些边界越清楚，Agent越有可能真正嵌入核心业务。
进入运营之后
Agent进入业务流程后，银行管理的对象，不只是一套系统能否正常运行，还包括它的业务效果能否持续满足要求、是否值得继续投入，以及出现异常后流程能不能被顺利接住。
首先要解决的是持续校正。
Agent上线时通过测试，并不代表后续效果会保持不变；
业务规则、知识内容、客户表达都在变化，实际使用中还会不断出现新的反面案例，银行需要继续判断，问题究竟来自知识缺失、流程设计，还是模型能力，再针对性调整。
来自金融科技公司的王军（化名）向枢纽表示，传统软件上线后更多围绕“运维”展开，Agent则需要持续“运营”；
这种运营关注的不只是系统是否在线，还包括输出是否符合业务要求、问题出现在哪里，以及后续该怎么修正。
这也让Agent上线后的评价变得更重要。
郑波谈及金融AI未来几年的竞争时，将生产能力、价值运营能力和组织进化列为关键；
浙商银行董事长陈海强则表示，科技投入要成为降本增效的收益项，通过使用频率、承担的工作量、处理效率，以及客户转化和风险管理效果等数据，判断科技实际产出。
这些结果会进一步影响资源配置：能够稳定承担工作、形成业务价值的Agent可以继续迭代，长期低频、效果有限的应用，则需要调整甚至退出。
对银行而言，另一项运营要求是业务连续性。
以授信为例，若Agent已经参与材料读取、尽调分析和审批流转，发生异常时，银行需要明确任务停在哪一步、哪些结果已经进入后续流程、是否触发过审批动作，以及接下来由谁继续处理；
涉及交易和系统操作时，还要确认指令是否已经执行，避免人工接管后重复操作，或者因状态不清引发新的操作风险。
王军表示，目前业内已经开始讨论给Agent设置kill switch，但更难的是Agent停下来以后，业务怎么继续。
枢纽注意到，如今这类需求，也已经进入银行的建设范围。
恒丰银行单独建设Agent观测能力，反映出银行对Agent的关注已经延伸到上线后的运行状态和异常监测。
只有清楚Agent正在处理什么、执行到了哪里，异常发生后才有条件及时接管；
持续校正决定一个Agent能不能越用越准，价值评价决定它值不值得继续留下，异常接管则决定银行敢不敢把更多工作交给它。
当Agent真正成为业务流程中的长期节点，运营能力也就成为规模化落地之后新的分水岭。
