人工智能在金融服务领域正快速演进。剑桥大学 2026 全球金融服务 AI 报告的调查显示，52% 受访的金融服务公司已开始采用代理式 AI（Agentic AI）。其中，29% 正在运行试点项目，23% 已进入规模化或转型阶段。以某种形式采用 AI 的公司比例高达 81%。
这 29 个百分点的差距，正是目前大多数合规职能所处的位置。一个能总结政策的模型很有用。而一个能阅读同一政策、检查其适用的验证流程并起草替代配置的 Agent，则是另一回事——因为它作用于系统本身，而非仅仅生成关于系统的文本。
这一转变引出了一个核心治理问题：Agent 采取的每一个行动，是否都能被预先授权并在事后重建？
什么是合规领域的 AI Agent？
#AIagent 是一种自主软件系统，它利用模型来追求既定目标。OpenAI 官方文档将 Agent 描述为“能够规划、调用工具、跨专家协作，并保持足够状态以完成多步骤工作的应用程序”。
在 AI 合规 Agent 工作流中，底层大语言模型（LLM）负责解读任务指令并进行推理，而 Agent 框架及连接的合规平台则提供数据、权限和工具，使 Agent 能够采取行动。例如，Agent 可能会阅读反洗钱（AML）政策，识别其要求，检查现有的了解你的客户（KYC）流程，使用 API 创建草案配置，并将结果提交审批。
自主性存在于一个光谱之上。Agent 可以独立执行低风险步骤，但在更改实时工作流、拒绝申请人或提交监管报告之前会停止操作。
代理式 AI 如何运作：解析 Agent 技能与 MCP
Agent 要可靠地完成运营工作，仅靠语言模型是不够的。它们需要目标、指令、对相关系统的访问权限，以及规范其行为的规则。
Model Context Protocol (MCP) 是一个用于连接 AI 应用与外部系统的开放标准。MCP 服务器暴露具有定义输入的工具，允许 Agent 发现允许的操作、提供所需参数并接收结果。
虽然 MCP 将 Agent 连接到外部系统，但技能提供了完成任务所需的程序性知识。开放的 Agent Skills 规范将技能描述为一个包含指令以及可选脚本、引用和其他资源的文件夹。AI Agent 技能可以教导 Agent 如何分析法规或配置 KYC 工作流。技能和 MCP AI Agent 可以将广泛的需求转化为可重复的工作流。
下表解释了每个组件的功能：
从聊天机器人到自主合规 Agent
传统聊天机器人主要响应眼前的提示词。它可以解释规则或总结政策，但通常不会将分析转化为行动。生成式 AI 合规工具通过起草报告、总结案件文件和从文档中提取信息扩展了这些能力。
Agent 则协调行动。请求被分解为多个步骤：选择工具、检查结果，并根据返回内容调整下一步。当被问及入职文件时，聊天机器人会列出清单。而 Agent 可以打开公司当前的验证流程，找出相对于特定标准缺失的检查项，构建拟议的替代方案，并将其提交给相关人员签署批准。
为什么合规团队正在采用 AI Agent
合规工作涉及大量的转化。以法律语言编写的需求会变成运营规则，然后是平台设置，这些都必须有文档记录和证据支持。一项政策变更可能意味着需要在多个产品和司法管辖区分别进行更新，每一项都是手动完成的，每一次实施都有偏离的风险。
Agent 可以提取需求并遵循既定程序，无需专家重新键入每一步。这里真正的收益在于一致性：第五个司法管辖区获得与第一个相同的处理待遇。
出错的成本也以同样的方式扩大。访问规则、审批阈值和活动日志是确保 Agent 的行为可归因于授权人员的关键。如果没有这些机制，自动化只会增加错误的速度和规模。
AML 合规与 KYC 工作流中的 AI Agent
在 AML 方面，Agent 可以将政策文本转化为可在仪表盘中启动的拟议配置，总结申请人的审查历史，或在调查员立案前收集其所需的申请人和交易数据。它还可以将更新后的政策与当前配置进行比较，并标记不再匹配的控制措施。
KYC 工作主要是设置和检索：按国家或风险等级划分的入职流程、问卷、验证链接、申请人状态查询。Agent 可以编排结合文档、地址、生物特征和数据库检查的工作流。验证平台仍负责执行具体的检查。
拒绝客户和提交可疑活动报告性质不同。无论其余工作流运行得多么顺畅，这两者都需要人工批准。
构建由 Agent 运营的合规体系
在这一切运行之前，必须具备两个条件：访问相关政策的权限，以及检查或修改平台设置的许可。随后的流程如下所示：
- 提供源材料，无论是法规、风险评估还是内部政策
- 提取义务、风险因素、评分规则和条件要求，并将模糊之处标记出来交由人工处理，而不是由 Agent 自行解决
- 将每项需求映射到平台实际拥有的功能上：验证级别、问卷、风险规则、监控控制或工作流
- 生成配置计划供合规团队在构建任何内容之前进行审查
- 在沙箱或测试环境中构建拟议配置
- 将构建的配置与源政策进行比较，然后使用代表性案例和已知例外情况进行测试
- 由授权用户批准部署，随后记录变更并监控结果
将 Agent 技能映射到合规任务
每个 AI Agent 技能应对应一个定义的合规任务，并指导 Agent 如何处理该任务。政策分析技能可能会指示 Agent 阅读文档并生成配置计划。配置技能可以引导 Agent 在沙箱中创建验证级别，而案件审查技能可以概述如何检索和分析申请人数据。
这种区分对于金融服务领域的 AI Agent 至关重要，因为访问客户数据、准备草案设置和更改实时控制措施可能会造成重大的风险敞口。技能本身不应被视为安全或权限边界。相反，连接的平台必须强制执行 Agent 可以读取或修改的内容，并通过适当的访问控制和授权机制限制对实时验证和监控设置的更改。
银行与金融服务中的 AI Agent
银行业的合理用途包括收集定期 KYC 审查所需的材料、检索触发监控规则的交易记录，以及起草供人工检查的监管报告。
碎片化是实际的障碍。身份记录位于 KYC 平台中，交易位于支付或核心银行系统中，警报位于监控工具中，调查笔记位于案件管理软件中。2026 年剑桥报告发现，46% 受访的 AI 供应商在客户现场遇到了遗留系统或孤岛系统的问题，41% 报告存在数据共享限制。
每个连接都需要回答两个问题：Agent 可以读取什么，以及它可以更改什么。定期审查是以读取为主的。Agent 可以收集验证状态、近期交易、先前警报和过去的审查决定，然后将组装好的文件交给分析师。
AI 风险、治理与人工监督
Agent 可能会误读政策、虚构要求或选择错误的工具。隐藏在文档或连接数据源中的恶意指令可能会操纵其行为，而过度的权限可能导致一个小错误改变实时配置或客户记录。
审查人员也可能过度信任 Agent 的输出，而不完整的记录会使错误难以调查。模型更新可能会改变 Agent 的行为，对外部提供商的依赖可能会带来运营风险。
为了降低风险，有效的 AI 治理和合规控制应包括：
- 将访问权限限制在每个任务所需的信息和操作上，并为读取信息、创建草案和更改实时设置设置单独的权限
- 经过批准的工具和数据源
- 在将更改应用到实时系统之前，先在沙箱或测试环境中进行测试
- 对影响客户、风险阈值或监管申报的行动，以及需求不明确的情况，需经人工批准
- 记录给出的指令、咨询的来源、使用的工具和所做的更改
- 如果 Agent 或外部提供商不可用时，制定应急流程
