人工智能正在重塑金融业的每一个角落，但真正将AI从实验室带到生产环境的案例并不多见。美国第一资本银行（Capital One）却用一套深度定制的开源模型策略，构建了企业级多智能体AI平台，在客服、欺诈检测、自动化运维等场景中实现了可量化的价值提升。在VB Transform 2026大会上，Capital One机器学习工程MVP Kel Vanee详细拆解了这套架构的底层逻辑——他们不依赖现成的通用大模型，而是基于开源权重模型进行深度定制，用专有数据训练出“懂业务”的AI专家。这一做法不仅降低了推理成本，更让AI投资回报率显著提升，成为金融科技领域备受关注的AI独角兽级实践。
从零构建AI平台：技术基础与架构决策
Capital One的AI转型并非一蹴而就。早在几年前，该行就开始布局数据转型和云原生架构，这些基础设施投入为后来的人工智能快速落地奠定了坚实基础。Vanee在采访中强调：“我们不只是使用AI，我们正在构建AI。”这一战略定位决定了Capital One必须做出几个关键架构决策：建立一个集中化、企业级的AI平台，内置治理与合规框架；对开源模型进行深度定制，融入专有数据；自行构建多智能体编排引擎。
相比许多金融机构直接采购黑盒式的AI服务，Capital One选择了更重但更可控的路径。他们发现，通用大模型虽然能力强大，但在金融领域的专业术语、政策框架和客户行为模式上存在明显短板。通过AI Agent技术，Capital One将不同的模型能力拆解为独立组件，再通过治理层进行编排，既保证了输出的准确性，又实现了对风险的实时控制。这种架构设计让AI投资更加精准，避免了盲目采购造成的资源浪费。
值得注意的是，该平台内置了完整的监控与审计机制，这在金融行业是合规刚需。Vanee透露，每一个AI决策都可以追溯到具体的模型版本、输入数据和推理路径，这为后续的模型优化和监管审查提供了透明基础。
开源模型的深度定制：数据优势与扩展性
Capital One没有选择训练自己的基础大模型，而是基于开源权重模型（如Meta的Llama系列）进行微调。这种策略的核心在于：专有数据才是真正的护城河。Vanee直言：“我们把自己的数据视为巨大优势，这是其他公司没有的，通用前沿模型也无法提供。所以我们用这些数据深度定制模型。”
实时数据在金融场景中至关重要。当客户与客服交互时，最新交易记录、账户状态、风险评分等上下文信息必须实时注入模型。Capital One的定制化过程不仅包括离线训练，还构建了在线推理时的数据增强管道，确保模型在每次交互时都能获取最新信息。
更令人惊喜的是，这种定制化带来了意想不到的跨业务扩展性。Vanee指出：“当我们将一个开源模型为某个用例进行定制后，我们发现整个业务组合都受益了。我们正在训练模型成为Capital One用例、政策和术语的专家。随着训练进行，我们看到整体性能的提升。”这意味着，针对欺诈检测优化的模型，在客服问答、产品推荐等场景中也表现出更好的表现。资本投入的边际效应因此被放大，这正符合AI投资领域追求的高效回报逻辑。
这种“一次定制，多处受益”的特性，让Capital One的AI工具箱能够快速覆盖更多业务线，而不必为每个场景单独训练模型。对于希望快速落地AI的金融机构而言，这是一个极具参考价值的策略——与其追求最前沿的通用模型，不如聚焦于如何用专有数据让开源模型变得“更懂行”。
多智能体工作流实战：欺诈客服与购物助手
Capital One多智能体架构的典型应用是欺诈客服工作流（MACAW）。该银行每年处理数百万通欺诈相关电话，通话时长从4分钟到60分钟不等。最初尝试用单一大型语言模型处理这些对话，效果并不理想——模型难以同时兼顾意图理解、推理总结、事实核查和文档生成等多重任务。
MACAW工作流将任务拆解为多个专用智能体：第一个是“理解智能体”，负责分析客户意图；接着“推理智能体”根据特定指令生成摘要；“验证智能体”对摘要进行事实核查，确保准确性；最后“解释智能体”将摘要转化为格式化的文档，包含所有必要细节，供后续客服人员使用。
这套流程帮助数百名处理复杂欺诈电话的客服人员大幅提升效率。以前客服需要手动重建冗长的通话记录，现在MACAW自动生成结构化的通话摘要，不仅节省了时间，还减少了人为错误。Vanee强调，每个智能体都内置了治理和护栏，防止模型输出不当内容或错误信息。
面向客户的自助购物助手Chat Concierge也采用了类似的架构。它基于Meta的Llama模型进行定制，使用Capital One的专有数据训练。工作流中同样包含多个智能体：一个与客户对话，一个根据业务规则构建行动计划，一个评估准确性，一个解释并验证结果。这种分层设计让AI能够同时处理复杂的产品推荐、价格比较和支付流程，同时保持对用户意图的深度理解。
值得注意的是，这些智能体之间的协作并非简单的顺序执行，而是动态编排。根据场景复杂度，系统可以调用不同的智能体组合，甚至并行处理多个子任务。这种灵活性正是多智能体架构的核心优势，也是AI图片生成等创意工具领域所借鉴的分工协作理念——只不过在金融场景中，输出的是结构化文档而非图像。
延迟与成本优化：自主代理研究系统
除了面向客户的应用，Capital One还利用智能体AI自动化内部重复性工作，帮助员工聚焦高价值任务。其中一个典型例子是自主代理优化系统，用于调优后端托管基础设施的配置。
在大模型领域，每天都有新的优化技术出现，但它们并非总是互补的。Vanee解释：“将两个好的优化技术组合在一起，有时反而会导致性能倒退。”为了解决这个问题，Capital One构建了一个智能体系统，它能够自动遍历研究人员设计的搜索空间，处理实验设置和运行的所有细节，然后将结果总结呈现给研究人员。
这个系统允许研究人员找到“真正能给出最佳延迟的优化和配置组合”。它本质上是一个自动化实验平台，将手动试错的工作量减少了90%以上。对于AI投资而言，这种优化直接降低了基础设施成本——更好的延迟意味着更少的计算资源消耗，同时提升了用户体验。
Vanee还提到，在LLM领域，不同的优化技术可能相互冲突，传统的手动调优方式效率极低。而智能体系统可以同时测试数百种配置组合，并通过强化学习不断改进搜索策略。这种自动化能力不仅适用于基础设施，也可以扩展到模型迭代、数据管道优化等场景。对于计划打造AI独角兽的初创企业来说，这种“AI优化AI”的理念值得借鉴：将工程团队从繁琐的参数调优中解放出来，专注于更高层次的模型架构创新。
未来展望：模型路由与主动事件驱动AI
展望未来，Vanee看到了两个重要趋势。第一个是模型路由抽象层。他认为，没有一个模型能在所有任务上表现最好，因此企业应该构建一个路由层，根据任务类型、成本和准确性要求，动态选择最合适的模型。“我们相信，通过在更广泛的可用模型集合中进行路由，可以获得比任何单一模型更好的准确性，因为不同模型在不同领域各有专长。”
这种路由策略需要平台具备高度灵活性，能够同时接入多个开源模型和商业API，并根据实时性能指标进行切换。Capital One已经开始在内部测试这种架构，并且发现某些场景下，混合使用多个模型的效果远优于单一模型。这也意味着AI投资不再局限于单一模型提供商，而是可以分散到多个AI工具导航中的优质模型，降低供应商锁定风险。
第二个趋势是主动式、事件驱动的AI。Vanee预测：“未来会更重要的东西是更主动和事件驱动的AI。”传统AI应用需要用户主动发起提示，而主动AI会在检测到符合条件的事件时自动介入。例如，在信用卡欺诈检测中，系统可以在交易发生后的瞬间自动启动调查流程，而不需要等待客服人员手动触发。
这种主动能力将带来更大规模的监控，并在反欺诈等场景中发挥巨大作用。Vanee强调：“主动AI将成为一个非常重要的趋势。”然而，他也警告说，部署主动式智能体需要严格的测试和监控，因为系统在没有明确人类指令的情况下行动，可能会产生不可预见的后果。
对于金融科技行业的AI投资而言，主动AI意味着需要构建更强大的事件流处理基础设施和风险控制机制。这也为AI独角兽企业提供了新的机会——开发能够实时感知、推理并执行操作的智能体平台，将成为下一波竞争热点。
金融AI创新的启示：从采购到构建
Capital One的实践揭示了企业级AI落地的核心逻辑：驱动可衡量的价值，需要超越现成软件，转向深度定制、高度治理的架构。通过组合微调后的开源权重模型、多智能体编排引擎以及专有数据资产，该行建立了一个可复用的AI平台，能够快速扩展到新的业务场景。
这种模式对金融行业乃至其他受监管行业具有重要参考意义。首先，开源模型+自有数据微调的策略，既保证了AI的灵活性，又避免了对单一供应商的依赖。其次，多智能体架构通过任务分解和治理嵌入，解决了大模型在专业场景中的准确性和可控性问题。最后，自动化优化和主动AI的探索，为持续降低运营成本、提升客户体验指明了方向。
对于正在规划AI投资的企业决策者，最大启示或许是：不要被通用大模型的光环迷惑，真正有效的AI需要深度融入业务数据和流程。Capital One用五年时间证明，即使是传统金融机构，也能成为人工智能创新的主力军。而文生图、AI诗词等创意工具的原理同样适用于金融场景——关键是找到适合自身业务的分工与协作模式。
在AI投资领域，我们正从“模型竞赛”进入“工程落地”阶段。谁能在数据治理、模型定制和智能体编排上建立优势，谁就能在下一轮企业数字化转型中占据先机。Capital One的故事，或许正是这个趋势的最佳注脚。