为深入贯彻中央金融工作会议精神，全面落实风险 “早识别、早预警、早暴露、早处置” 要求，九江银行启动了AI大模型赋能信用风险识别研究项目。本项目以“九银大脑”“智能风控”“信用风险预警”等数字风控成果为基础，深度融合大数据、人工智能与大模型等技术，旨在攻克跨系统协同不足、风险信息碎片化、人工处理效率低等难题，构建智能化、穿透式的信用风险早期识别体系。 

项目融合人工智能、大模型、大数据等技术，落地合同审查、风险排查及预警、绿色贷款识别、财报分析等20余个场景，打通贷前、贷中、贷后全链路信贷风险管控，同时配套建立了风险处置闭环管理机制，并通过人工线下识别交叉验证了项目实际成效，实现信贷风险管理规范化、线上化、数字化、智能化，为九江银行信用风险管理数字化、智能化转型奠定了坚实技术基础与机制保障，为中小城商行在信贷风险控制核心领域快速拥抱并应用 AI 大模型技术提供了可供参考的实践示范。

方案背景

中央金融工作会议强调金融是国民经济的血脉，要加快建设金融强国，全面加强金融监管、完善金融体制、优化金融服务、防范化解风险，推动金融高质量发展，做好金融五篇大文章，加大对科技创新等领域金融支持的力度,优化金融产品和服务，提升金融服务的覆盖面和可得性。银行是金融系统的重要组成部分，经营风险是银行生产经营的本质，信用风险防控是银行稳健发展最重要、最核心的竞争力。作为服务区域经济的中小城商行，九江银行持续发力积极布局，建设了智能风控、风险预警、风象台等一系列“902数字风控项目群”，获得内外部高度认可，取得了可观的成效，但当前应用更多地集中在单环节、单系统、单场景应用，跨环节、跨系统、复杂场景的应用还存在不足，内外部多维度的风险信息集成利用还存在短板，高阶的面向客户的综合风险识别能力还有所欠缺，基于此，依托902数字风控项目群既有成果，启动本次AI大模型风控赋能升级研究项目，旨在通过技术创新与机制创新破解上述痛点，进一步提升风险 “早识别、早预警、早暴露、早处置” 能力，增强风险防范控制水平，为更好服务实体经济资金融通，助力中小城商行信贷业务高质量发展保驾护航。

方案目标

项目总体目标以解决实际业务痛点为落脚点，通过技术创新与机制创新双轮驱动，致力于构建集成化、智能化、系统化的信用风险智能识别与闭环控制体系，全面提升九江银行在复杂环境下的信用风险全链路主动防控能力，并为中小城商行提供可供参考的实践范式。 

1.赋能信用风险全链路。融合串通行内关键业务系统与基础技术平台，形成跨系统的集成能力，更大发挥金融科技功效。将大模型嵌入各业务系统各类业务流程中，全面提高信贷风险管理贷前、贷中、贷后全链路的规范化、线上化、数字化、智能化水平。 

2. 提高早期风险识别能力。高效动态实时集成行内信贷数据、客户信息、交易流水、尽调报告、检查报告等内部数据，以及外部工商、司法、电力、舆情等外部数据，提前识别潜在风险，将风控介入节点前移。 

3. 建立行之有效的风险处置闭环管理机制。根据识别出的信用风险等级和类型，制定差异化的风险处置策略，建立风险预警与处置的联动机制，实现风险信息的快速传递和响应，提高风险处置效率。同时，建立风险处置应对效果评估体系，定期对风险处置措施实施效果进行评估，根据评估结果及时调整风险处置策略。

方案特点

本项目在技术应用、工程实践和业务模式上实现了多项创新： 

1. 多模态融合与复杂场景解析创新：创造性结合OCR增强技术与多模态大模型，有效攻克了金融领域非标准合同、混合影像存在歪斜、重叠、手写体、多表头等复杂场景的识别难题，显著提升数据输入的准确性和可用性。 

2. 知识驱动的高效模型压缩与部署创新：采用“大模型驱动数据集构建-->知识蒸馏能力迁移-->高质量数据微调小模型”的技术路径，让小模型学习大模型提炼的专业知识，得到“小而精”的小模型，实现小模型学习专业知识的效果，优化模型的性能和部署效率。 

3. 多Agent协同的智能风控体系创新： 构建基于多智能体协同的框架，实现贷前、贷中、贷后全维度风险穿透式排查，并通过动态风险画像生成与自动化任务指令，将传统被动响应、抽样检查模式升级为主动预警、全量覆盖的智能风控新模式。 

4. 大模型工程化落地范式创新：在2023年便开始率先自主构建了融合RAG检索增强、多智能体(Agent)工作流编排、系统深度集成的全流程自动化工程链路，逐渐成功将大模型能力规模化应用于信贷尽调、报告生成等高复杂度、长链条业务场景，获得中国人民银行认可，实现了效率的质的飞跃。 

5. 区域性银行智能化转型路径创新：打造了覆盖前、中、后台的信贷全流程智能服务体系，创新金融服务模式，更大发挥金融科技功效，推动金融行业的数字化转型和创新升级，助力实体经济发展。

方案业务流程图

本项目构建了一套以大模型等模型层为技术底座，从底层原子能力到上层风控应用的完整闭环体系。

模型层主要包含本项目中使用到的各类AI模型，分别有生成式文本大模型Qwen3系列、DeepSeek-R1系列，多模态大模型Qwen-VL，用于构建知识库的词嵌入模型，各类文档解析MinerU等模型，以及RAG过程中涉及到的重排序算法模型等，模型层实现多模型间的动态协同、负载均衡与结果融合，确保在风险排查、报告生成、异常识别等场景中“看得准、写得对、判得准、跑得快”，作为稳定、高效、可解释的AI基础能力支撑，是智能化风控体系从“辅助工具”迈向“自主决策”的关键技术基石。

在可调用的工具组件模块中，集成了可信源搜索及互联网广信息搜索的搜索引擎，可有效提高知识检索效率。并且集成了代码解释器、图片生成等工具，进一步提质增效。在本项目的知识工程中，采用多元能力提升知识召回效果，通过query改写、预设问答、优先级排序等综合提高模型理解能力，并配置化多种嵌入模型以及召回模型，可提高知识库动态适配能力，提升召回内容的可用性。搭建内网智能体平台，可高效实现大模型提示词管理，通过灵活编排agent智能体，继而构建出特定化工作流、对话流，并通过统一发布管理，形成定向格式接口，实现任务流程自动化，可广泛用于多项应用。

服务层聚焦业务支撑能力建设，系统化构建涵盖知识库搭建、报告模板生成、工作流引擎、Agent管理与插件配置、指标库管理等核心能力，全面支撑风险报告智能生成、客户风险自动排查、贷后预警推送、反洗钱线索筛查、客户画像动态更新等AI应用场景。通过知识库实现监管政策、内部制度、历史案例的结构化沉淀与语义检索；依托报告模板引擎实现多维度、多角色报告的自动化编写与合规校验；Agent管理平台支持多智能体协同调度与任务分解；插件配置管理实现多系统灵活接入；指标库统一管理风险评估模型与监控阈值，确保评估口径一致、结果可追溯。服务层作为AI大模型落地的中枢神经系统，打通“数据—模型—流程—决策”全链路，推动业务从人工驱动向智能驱动转型，助力打造敏捷、智能、合规的数字化风控体系。

Agent中心作为业务协同枢纽，整合关联方分析、股权穿透、财务数据提取、交易流水异常识别、涉诉信息联动、黑名单匹配、行为模式建模等20余项核心风险分析能力，构建标准化、可复用的智能代理服务矩阵。通过统一调度引擎实现跨系统、跨模块的数据自动调取、任务并行执行与结果智能聚合，打通风控知识库、指标库、报告模板与工作流系统，形成“感知—分析—决策—执行”闭环。在风险排查场景中，可自动识别隐性关联方与资金闭环；在风险预警中，基于动态阈值与多因子加权模型实现早发现、早干预。Agent中心兼具技术前瞻性与强业务落地性，成为驱动风控从“经验判断”迈向“智能协同”的核心引擎。

应用层最终实现全面赋能风险排查、风险预警、审查报告撰写、合同质检、财报校验等各类业务场景，赋能风险管理各业务环节。

实现功能展示

部分场景及功能介绍： 

1、合同审查智能化

运用多模态模型实现合同审查智能化，有效防范潜在的信贷风险。受影像质量欠佳、文档歪斜、内容重叠及手写体混杂等因素影响，合同识别难度显著增加，通过引入OCR增强技术与多模态大模型，有效解决了非标准合同中合并单元格、跨页表格、手写体与印刷体混合排版等复杂场景的识别难题，借助提示词引导对识别内容的上下文进行语义理解，并对明显识别错误进行自动纠正，较传统方案识别准确率提升18%，同时搭建智能体预设各类审查要素，按要求实现审查要点精准输出，显著提高审批效率，及时预防潜在风险。 

2、授信审查报告撰写自动化

运用知识蒸馏、Agent协作实现授信审查报告撰写自动化，提高审查效率。通过整合行内系统（如信贷系统、客户管理系统、影像平台等）、线下收集的运营与财务数据、客户外部数据（互联网公司官网、金融资讯平台及舆情信息、天眼查、工商等）多维数据源，依托大模型与工程化链路技术，构建了覆盖信息智能提取、多模态解析、RAG检索增强、智能体工作流搭建、系统集成的全流程自动化处理体系，报告初稿生成时间从一周缩短至30分钟，实现100%线上化。为提升模型的专项能力及优化模型部署，通过历史授信审查报告文档驱动大尺寸模型训练，利用知识蒸馏技术将大模型的核心能力迁移至小尺寸模型，并基于输出结果构建高质量数据集对小模型进行针对性微调，最终实现模型能力的高效压缩与部署优化。 

3、绿色贷款识别及分类

以“绿色金融”为出发点，运用大模型实现绿色贷款的自动识别及分类，助力“五篇大文章”领域的统一统计标准实施。在“双碳”目标驱动下，绿色贷款作为支持绿色项目与可持续经济的关键工具，规模持续扩大，但其分类工作仍面临多重挑战传统分类多依赖人工核查项目文档、贷款用途合同等多项材料存在耗时长、主观性强、难以精准匹配动态法规标准的问题，将《绿色产业指导目录(2024年版)》、历史贷款分类结果形成绿色金融知识库，新增贷款通过大模型输出人行绿色分类认定结果，认定率88%以上，辅助业务提高认定及分类效率。该场景正在与省人行合作课题，待成熟后，计划开源提供给全省金融机构使用，为行业领域统计标准提供指引和参考。 

4、风险排查及预警

运用多模态大模型、专业知识库等能力实现客户风险地毯式排查及预警，提高风险管控能力。深度融合行内客户数据、各类调查报告及外部工商司法信息，通过多Agent智能体协同机制实现基础情况分析、财报解析、流水监测、抵押物评估、经营稳定性诊断及贷后管理全维度穿透式排查。依托大模型多模态能力直接解析PDF、图像等非结构化材料，精准抽取风险特征；结合专业金融知识库动态生成客户全景风险画像，同步自动化输出风险排查任务指令，彻底改变了传统抽查式、重点式的排查模式，转变为地毯式对全量客户进行定期排查，大幅缩短了人工收集、整合和分析各类材料的时间，及时发现客户异常信息，显著提升风险响应效率与管控精准度。同时建立适配的风险应对处置机制，制定差异化的风险处置策略，建立风险预警与处置的联动机制，实现风险信息的快速传递和响应，提高风险处置效率。 

5、风险专业知识问答

建立风险建立信贷专业知识库，实现信贷知识随问随答，提高信贷类业务办理效率。系统化整合行内各类规章制度、系统操作手册、业务指引手册及外部政策、行业等专属数据资源，收集FAQ(Frequently-Asked Questions)问答对作为补充信息导入知识库，并建立定期知识更新机制与员工反馈闭环机制，持续提升知识库的时效性与实用性。通过RAG检索增强、Query改写、提示词工程等技术手段提升回答的准确性与可信度，使得大模型降低幻觉现象，辅助一线业务及时获取各类知识，提高问题解决效率。

方案案例及效果

通过AI大模型在信贷风险全链路的深入融合及应用，基于数据驱动和智能交互，实现传统信贷业务的业务流程重构和效率提高，提高全流程智能化信贷风控能力。 

1. 降本增效：其中部分场景如信贷审查报告初稿生成时间从1周缩短至30分钟；合同关键信息识别与审查效率显著提高，识别成功率达92%以上，单笔合同处理时间大幅缩短；风险排查覆盖率提升至100%，排查周期由1周缩短至1天，人工信息收集整合时间减少70%+；绿色贷款识别准备率88%，识别效率提升76%。 

2. 精度提升：其中非标准合同识别准确率提升18个百分点；流水分析识别率准确率达到91%；风险特征抽取与画像构建精准度显著提高，减少误判和漏判。 

3. 风险防控能力增强：潜在风险点（如合同瑕疵、经营异常信号）发现更早、更全面；风险预警的及时性和准确性提高，为风险处置争取宝贵时间；贷后管理由被动应对转向主动监控，风险管控关口前移。 

4. 提升区域金融稳定： 作为区域性银行，九江银行风控能力的强化，进一步提升了防范区域性金融风险的能力，为区域金融稳定提供助力。 

5. 行业示范效应： 本项目的技术和部分场景具备可复制性，为众多中小银行提供了利用AI大模型实现信贷智能化升级、突破资源和技术瓶颈的宝贵经验和可行路径，推动银行业整体风控水平提升。

方案未来展望

未来，九江银行将继续围绕AI大模型赋能风险识别与控制，持续推进技术持续创新、系统迭代优化、成果深化应用。 

继续拓展风险智能识别场景。进一步整合供应链金融、电力、工商等多维度特征数据，形成核心风险监测指标；提升对公小微风险识别颗粒度，实现行业风险、关联交易风险的穿透式识别；构建零售信贷智能预警矩阵，实现对个人消费贷、住房按揭、信用卡等对私场景的风险动态评估。 

深化大模型技术融合应用。 持续跟踪并引入前沿AI技术，探索多模态大模型在视频尽调、语音访谈分析等创新场景的应用；推进大模型与知识图谱、图计算技术的深度融合，构建更加立体全面的风险防控能力。 

打造开放共享的行业生态。 深化与各金融机构的合作，推动绿色贷款识别等成熟场景的行业标准制定与推广，探索与同业机构、科技公司、科研院所的协同创新，共同助力中小银行业数字化转型升级。

内容提及地域：江西省、九江市、上饶市、广信区

IP属地：中国 广东