用腾讯乐享建金融知识库，信贷尽调效率提升10倍

 

 

过去两年，金融机构在 AI 建设上投入大量资源做模型选型与能力验证。然而，即使采用相同的大模型，不同机构的落地效果依然差异显著。这种差距往往并非源于模型本身，而在于其背后的数据质量与知识体系。可以说，模型决定了能力的上限，但知识的质量才真正决定业务落地的效果。

 

 

监管机构已经明确了相关标准。国家金融监督管理总局发布的《关于银行业保险业人工智能安全开发应用的指导意见》（金发〔2026〕8 号），在“提升数据治理能力”一章中，专门列出了“推进知识工程建设”（第十一条）与“建设人工智能高质量数据集”（第九条）。这两项要求为金融机构的大模型应用划定了清晰的能力边界。

 

一、对照第十一条：让专家经验沉淀为可复用、可传承的知识资产

 

第十一条提出构建企业级知识管理体系，建立涵盖知识创建、审核、发布、更新到归档的全流程管理规范，并运用人工智能技术提升知识的萃取、表示、融合与对齐能力。

 

 

（图片来源：《国家金融监督管理总局关于银行业保险业人工智能安全开发应用的指导意见》“提升数据治理能力”第十一条）

 

对金融机构而言，最有价值的经验往往存在于专家的头脑中。如何将其转化为机构内部可复用、可传承的知识资产，正是知识工程需要解决的核心问题。某城商行已将这套体系融入实际业务：基于腾讯 AI 中台与知识工程体系，该行构建了覆盖全行的智能化应用，一线员工在制度、信贷、网银操作、资金业务等多个领域实现了“边问边学、边用边学”。在信贷尽调环节，通过大模型辅助尽职调查，人工审核采纳率达到 93%，作业效率提升了 10 倍。同时，该行在统一知识底座之上搭建企业知识库，提升了多智能体开发效能，打通了从知识工程平台到智能体开发平台的全链路 AI 能力建设。系统内的知识审核、版本管理、定时更新与生命周期管理功能一应俱全，AI“以文审文”还能自动识别重复、过期及存在问题的文档，这与监管要求的“知识创建、审核、发布、更新、归档”全流程管理规范高度契合。

 

二、对照第九条：把散落的非结构化内容炼成高质量数据集

 

第九条提出，数据集需满足准确性、相关性、一致性、完整性和无偏见这五项标准，并强调运用人工智能技术加强对实时数据与非结构化数据的动态感知、智能提取和解析。

 

 

（图片来源：《国家金融监督管理总局关于银行业保险业人工智能安全开发应用的指导意见》“提升数据治理能力”第九条）

 

这恰恰是金融机构面临的首要门槛：制度、合同、产品条款、风控规则等专业文档中沉淀了大量高价值信息，但传统的知识管理方式往往难以有效应对“用不好、质量差、答不对”的痛点。将非结构化内容转化为可检索、可追踪、可解析的知识资产，正是建设高质量数据集的核心任务。

 

腾讯乐享围绕这一任务构建了相应的技术能力：支持对 Word、PDF、图片、表格等 103 种格式进行解析、结构化处理和智能问答；针对金融场景中较为复杂的表格数据，系统也能自动理解结构，实现精准检索与准确作答。在此基础上，通过持续的运营管理保持知识的时效性，从源头保障数据的准确性与一致性，使数据集真正达到监管所要求的“高质量”标准。

 

三、支撑这套实践的腾讯乐享

 

腾讯乐享是一款依托腾讯 18 年知识管理经验、深度融合 AI 技术的企业级知识库。它能够解析 103 种格式的内容，实现从文档入库、知识检索、智能问答到全生命周期治理的全流程打通。

 

在安全方面，该产品契合金融行业的严苛标准：提供企业、团队、知识库、文件四级权限管控，并配备水印、内容加密、操作留痕以及 AI“软性拒答”等功能，全面保障数据安全、隐私保护与合规运营。

 

更为关键的是，借助开放的 API 接口，腾讯乐享能够作为统一的“知识源”，向客服、营销、风控、投顾等各类业务智能体提供数据支持，让“知识库 + 智能体 + 大模型”的组合真正在业务场景中落地。

 

监管标准已经明确，接下来的重点在于对标落地。如果你也需要建设企业知识工程，不妨先拿走这份「参考答案」：我们把腾讯乐享的核心能力整理成了一份精简指南，一图看懂、随取随用。

 

金融 AI 能否真正跑通，关键就看知识工程这一层地基扎得够不够实。如果你想把这类 AI 工具和数字化能力真正用进自己的业务，可以咨询云巴巴。云巴巴是国内领先的企业数智服务平台，覆盖 AI 大模型、智能体、协同办公、营销获客、安全合规等多个领域的企业级产品与方案，能按你的行业、规模和预算比对选型、匹配资源、协助落地。欢迎咨询云巴巴，获取更多产品方案与专属服务。