金融监管领域的Harness实践：让知识与数据驱动Agent稳定运行
AICon 深圳
决定金融监管Agent能否稳定运行的，不是模型能力，而是数据资产与知识资产的质量及其持续增强的工程体系。
场景特性
❗ 零容错
❗ 强追溯
❗ 口径复杂
一张报表背后是成百上千的指标口径、明细数据和监管规则，任何口径漂移或数据错误都可能带来合规风险。
通用Agent三大失控点
✗ 口径漂移
✗ 幻觉
✗ 不可解释
需求解析
→
数据初始化
→
质量检核
↓
↓
↓
根因分析
←
缺失补全
←
血缘追溯
需求侧解析监管要求并自动生成采集逻辑；报送中智能数据初始化与质量检核；问题处置环节根因分析、血缘追溯、缺失补全；报送前数据复核与审核建议。
解决方案：Harness体系如何支撑场景落地
AIR Harness：面向金融监管的智能体底座，定位为在零容错、强追溯要求下稳定运行的工程底座。
监管特性
3项
口径受控执行
面向监管数据形态的受控连接
全链路可追溯
每次取数与知识引用可审计可留痕，每次调用Skill、口径、表、血缘均可回溯
向量知识库
存储监管制度 / 口径说明 / 数据字典
图数据库
存储指标勾稽、数据血缘、报送逻辑关系
通过 MCP 接入增强 RAG
数据资产管理
数据分层（明细/指标/报表/非结构化），三类定义入库为知识；Agent反哺自动生成取数SQL、取指标方法、数据知识问答。
数据质量管理
Agent驱动的动态监测，自动生成检核规则、评估有效性、根因血缘追溯、自动生成质量分析报告与考核评价报告。
🔄 Harness体系
Agent按知识资产业务逻辑 + 数据资产定义信息执行，Skill固化 + MCP受控接入，抑制幻觉、锁定口径。
⚠️ 通用Agent
易出现口径漂移、幻觉、不可解释。
经验与展望
"数据资产和知识资产在初步形成及后续维护过程中的质量稳定性及稳定性评价方面，还存在不可控因素。"
—— 于浩军 · 中软融鑫总工程师
落地经验
双向驱动飞轮：治理越好 → Agent越稳 → 治理更高效。
工程范式
可复用的"知识/数据资产 → Harness → Agent"链路。
🎯 听众收益
金融监管场景下Agent落地的全流程拆解与真实痛点，以及一套可复用的"知识/数据资产 → Harness → Agent"工程范式。