证券中台管理系统 AI 化改造

背景

2025 年初，一家国内 To B 的证券金融科技公司找到我们。他们做了十几年的证券服务，有一套成熟的数据中台系统，里面有股票数据、产品数据、人员数据等等。

问题是：系统太老了。

代码是十多年前写的，接手的人换了一茬又一茬，代码风格不统一、注释缺失、逻辑混乱。用他们自己的话说：「这就是一座屎山，但我们还得在上面盖房子。」

他们想加 AI 能力，但有两个硬约束：

不能动原有系统。 系统跑了十几年，稳定性是命根子。任何改动都要经过严格的测试和审批，周期长、成本高。
不能停服升级。 系统 7×24 小时运行，服务着几十家证券公司，停一天就是一天的损失。

所以我们提出了一个方案：非侵入式改造。

什么是非侵入式改造

简单来说，就是在原有系统的基础上，叠加一层 AI 能力，而不是替换原有系统。

具体做法是：

做一个悬浮球。 在原有系统的右下角加一个小圆点，点击后弹出一个对话框。用户可以用自然语言和系统交互。
独立部署 AI 服务。 AI 服务跑在独立的服务器上，通过 API 和原有系统通信。原有系统完全不用改。
渐进式上线。 先上一个场景，跑稳了再上第二个，最后上第三个。每个场景都是独立的，互不影响。

这样做的好处是：

原有系统零改动，风险可控
AI 服务独立部署，性能可控
场景独立上线，进度可控

三个场景

我们选了三个场景切入，每个场景的逻辑都不一样。

场景一：智能授权

问题： 系统里有很多角色，每个角色的权限不同。角色很多、很杂，管理起来非常麻烦。

原来的流程是：管理员手动给每个角色配置权限。如果有 5 个角色要改，管理员要分别进入 5 个页面，逐一修改。改完之后，还要逐一检查，生怕漏了一个或者改错了一个。

痛点：

角色多，操作繁琐
容易漏改、改错
查看权限不方便，要翻很多页面

我们的方案：

用自然语言来管理权限。管理员只需要说一句话，比如「给实习生开放产品 A 的查看权限」，系统就会自动完成以下操作：

意图识别： 判断用户是要做权限更改
参数提取： 提取出角色（实习生）、权限（查看）、对象（产品 A）
二次确认： 弹出确认框，显示「将给实习生角色添加产品 A 的查看权限，是否确认？」
执行操作： 调用权限管理接口，完成权限更改
结果确认： 显示修改后的权限列表，再次确认

为什么要做二次确认？

因为权限管理是高风险操作。改错了，可能导致数据泄露或者业务中断。所以我们在两个关键节点做了确认：

执行前确认：确认意图理解是否正确
执行后确认：确认操作结果是否符合预期

技术细节：

意图识别： 用提示词工程来识别用户意图。由于他们部署的模型是 DeepSeek V3（虽然对外说是自研的），工具调用能力稍弱，我们针对这个模型的特点做了专门的提示词优化。
工具封装： 由于原有代码太乱，我们没有在原有框架上改，而是独立做了一个包，把权限管理的 API 封装成工具。这样既不影响原有代码，也方便后续维护。
悬浮球交互： 做了一个悬浮球 + 对话框的 UI，用户不用离开原有页面就能完成操作。

场景二：智能整合

问题： 系统里有很多文档，散落在各个地方。用户想找一个信息，要翻很多个文档。

比如，用户想了解「理财产品 A」的信息。这个产品的基本信息在一个文档里，风险评级在另一个文档里，历史收益在第三个文档里，销售人员的推荐话术在第四个文档里。用户要打开四个文档，逐一查找，非常低效。

痛点：

文档分散，查找困难
信息碎片化，需要人工整合
耗时耗力，容易遗漏

我们的方案：

用 AI 来做文档整合。用户只需要问一句「理财产品 A 的信息」，系统就会自动完成以下操作：

文档检索： 用 RAG（检索增强生成）技术，从所有文档中检索出和「理财产品 A」相关的文档
信息提取： 从每个文档中提取出关键信息
汇总展示： 把所有信息整合在一起，展示给用户

展示方式：

我们做了两层展示：

第一层：文档列表。 列出所有包含「理财产品 A」信息的文档，用户可以直接点击查看原文。
第二层：信息汇总。 把所有关键信息提取出来，做成一个结构化的表格，用户可以快速浏览。

技术细节：

RAG： 用向量数据库存储文档的 embedding，用语义检索来找相关文档。
信息提取： 用 LLM 从文档中提取关键信息，比如产品名称、风险评级、收益区间、适合人群等。
工具封装： 同样是独立封装成工具，通过悬浮球交互。

场景三：智能推文

问题： 销售人员要向客户推荐产品，但了解产品是一个很麻烦的事。

销售人员需要知道：

这个产品的特点是什么？
这个产品适合什么样的客户？
这个产品的亮点怎么用通俗的语言表达？

这些信息，有的在产品文档里，有的在销售手册里，有的在培训资料里。销售人员要翻很多资料，才能整理出一段推荐话术。

痛点：

了解产品耗时长
推荐话术质量参差不齐
新产品上手慢

我们的方案：

用 AI 来生成推荐话术。销售人员只需要问一句「帮我写一段理财产品 A 的推荐话术」，系统就会自动完成以下操作：

产品分析： 分析产品的特点、亮点、风险等级、适合人群
话术生成： 根据分析结果，生成一段通俗易懂的推荐话术
个性化调整： 根据销售人员的客户画像，调整话术的侧重点

举例：

如果产品年化收益 5%，但连续 10 年都是 5%，话术会强调「稳健」：「这款产品虽然收益不是最高的，但胜在稳定。过去 10 年，每年都保持 5% 的收益，适合追求稳健的投资者。」
如果产品来自一家知名公司，话术会强调「品牌」：「这款产品来自 XX 公司，是国内最大的 XX 机构之一，品牌值得信赖。」
如果产品是新推出的，话术会强调「尝新」：「这是一款新产品，目前市场上还没有类似的，适合喜欢尝鲜的投资者。」

技术细节：

产品分析： 用 LLM 分析产品文档，提取特点、亮点、适合人群。
话术生成： 用 LLM 根据分析结果生成话术，通过提示词控制话术的风格和侧重点。
工具封装： 同样是独立封装成工具，通过悬浮球交互。

为什么这样切

这三个场景，看起来各不相同，但我们选择它们是有逻辑的：

从痛点强度看： 智能授权 > 智能整合 > 智能推文。权限管理是每天都用、错一次就出大事的功能；文档整合是高频使用、效率提升明显的功能；推文生成是锦上添花、提升质量的功能。
从实现难度看： 智能授权 < 智能整合 < 智能推文。权限管理的 API 是现成的，只需要做意图识别和工具调用；文档整合需要做 RAG，复杂度高一些；推文生成需要理解产品和客户，复杂度最高。
从风险等级看： 智能授权 > 智能整合 > 智能推文。权限管理是高风险操作，需要多重确认；文档整合是中风险，信息错误可能误导决策；推文生成是低风险，话术不好最多损失一个客户。

所以我们的上线顺序是：智能授权 → 智能整合 → 智能推文。

先上最痛、最难、风险最高的场景，是因为这个场景一旦做好，客户的信任度会大幅提升。而且这个场景的 API 是现成的，技术风险可控。

工具装配工厂

在做这三个场景的过程中，我们发现一个问题：每个场景都需要封装一些工具，但这些工具的封装方式是类似的。

所以我们做了一个「工具装配工厂」：

统一的工具接口： 所有工具都遵循相同的接口规范，包括输入参数、输出格式、错误处理等。
自动化的工具生成： 只需要提供 API 的地址和参数，就能自动生成工具代码。
统一的工具管理： 所有工具都注册在一个地方，方便查找、复用、更新。

这样做的好处是：

新场景上线更快，不用重复造轮子
工具质量更稳定，因为是统一规范
后续维护更方便，因为工具都在一个地方

而且，这个工具装配工厂本身也是非侵入式的。客户以后要做新的 AI 场景，只需要往工厂里加新工具就行，不用改原有系统。

效果

三个场景上线后，效果如下：

智能授权： 权限管理效率提升 80%，操作错误率降低 95%。
智能整合： 文档查找时间从平均 30 分钟降低到 2 分钟。
智能推文： 推荐话术生成时间从 1 小时降低到 5 分钟，话术质量评分提升 40%。

更重要的是，原有系统零改动，零停机时间。

写在最后

这个项目让我们学到了几件事：

非侵入式改造是可行的。 对于老系统来说，推倒重来的成本太高、风险太大。叠加一层 AI 能力，是更务实的选择。
场景选择很重要。 不是所有场景都适合用 AI 解。我们要选那些痛点强、数据足、容错空间大的场景。
工具化是关键。 把 AI 能力封装成工具，才能复用、才能扩展、才能维护。

如果你也有一个老系统想加 AI 能力，欢迎来找我们聊聊。