易鑫AI新范式：以人为中心的长程智能体

YIXIN·AI·FINTECH

聚焦汽车金融智能化新阶段

汽车金融是典型的长链路下需要进行复杂决策的业务，从客户准入、材料提交、审批决策、方案匹配、交付签约、到资产管理，呈现出任务跨度长、流程繁琐、动态决策难、合规管控严等特点。

因此，真正适配产业需求的长程智能体不能局限于“用固定步骤完成单一任务”，而是要围绕明确的业务目标，与状态持续变化的客户开展长周期交互。

正如张磊所言，“在企业级场景中，真正重要的不是‘更多步’，而是在给定业务目标后，长程交互，持续面对一个会变化的人。”

基于这一判断，易鑫提出“以人为中心的长程智能体”的AI新范式。该体系由人类理解模型、垂直领域模型与Harness工程协同构成。

其中，人类理解模型通过持续建模来理解客户购车意图、预算、信任度与购买决策，是提升智能体效果的关键；垂直领域模型深度适配汽车金融规则，围绕业务目标动态优化沟通与服务策略；

Harness工程则打通全链路数据闭环，支持智能体与真人在同一订单流中实时无缝切换，当模型出现“幻觉”或违规承诺时、系统可毫秒级触发熔断及治理策略并切换至人工链路，兼顾效率与风险管控。

张磊强调：“汽车金融智能化不是让AI替代人，而是让AI更懂人、更懂业务，在安全合规边界内持续创造价值。”

该AI体系已在易鑫实现业务全链路的规模化落地。截至2026年6月底，易鑫已在真实业务场景部署45个智能体，覆盖营销、风控、审批、客服等核心环节，日均处理任务23万次，实现90%的业务流程由汽车金融Agentic AI自主驱动，整体运营效率提升45.4%。目前，其AI已可独立跟进同一客户超20天，单任务持续执行超16小时，让长周期客户服务成为现实。

张磊表示，作为AI驱动的金融科技平台，易鑫的创新成果不仅服务于自身业务，更强调科技赋能，积极为产业上下游合作伙伴提供一站式AI智能解决方案。

随着行业从规模驱动转向效率与合规并重，易鑫将持续推动“以人为中心的长程智能体”在更多场景落地，为行业智能化转型提供可复制样本，助力汽车金融迈向更高质量、更可持续的发展。

以下为演讲速记：

各位嘉宾下午好！我是来自易鑫的张磊，今天分享的主题是“工具到原生，汽车金融全链路的Agent革命”。

过去我们讲Agent，更多讲的是它够不够智能、能不能更智能地调用工具、完成各式各样的任务。但在实际的行业应用里我们发现，对 Agent来说最难的其实是理解人，因为它面对的是不断变化的人。所以怎么理解人、怎么影响人，以及最终怎么拿到业务结果，我认为这才是产业落地中更关键的能力。接下来的分享主要是我们在这方面的思考。

先简单介绍一下公司：易鑫是一家AI驱动的金融科技平台，有12年的行业积累，研发上也一直在大举投入。我们是整个汽车金融领域里第一家开源行业模型的公司，也是行业里第一家通过国家大模型备案的公司。同时我们跟开源社区有比较好的合作，近期把底层的GPU虚拟化工作也开源到社区了。在去年“直通乌镇”全球互联网大赛的开源赛道里，我们拿下了唯一的一等奖。

对汽车金融来说，为什么需要Agent？

核心本质上是因为汽车金融是一个长链路、决策复杂、动态决策、强合规，以及结果导向的业务。当一个用户进来，他需要经历大概五个大环节，材料提交、审批决策、方案匹配、交付签约，然后是资产管理。每个环节里都会有很多子流程，比如材料提交涉及60多种材料，还要根据不同的场景去做组合。

审批决策里有15个组织节点，整个决策路径的组合大概有上万种。而且整个链路不是从左到右线性顺序执行的，左边的任何一个节点，都有可能回跳到前面的任何一个节点。所以这个过程没办法像传统 Agent那样，用流程自动化去解决。

所以在这样的场景下，就急需新型的Agent去解决这些问题。为此我们提出了一个新的AI范式，叫Human-Centric Long-Horizon Agent。这个范式主要有三个部分，第一部分是理解人的模型，第二部分是垂直领域模型，最后一部分就是常说的 Harness，我们把它分成了三层，数据的Harness、Agent的Harness和人的Harness。

为什么需要这三个组成部分？核心原因在于：当Agent具备工具能力的时候，它可以很好地完成任务；当它懂行业的时候，就能很好地完成业务任务。而当你以人为核心服务对象的时候，整个系统、整个 Agent就应该更懂人。你要知道人在想什么，才有可能更好地服务用户。所以我们认为，接下来尤其在企业Agent领域，会逐步过渡：更好地理解人，才是提升Agent效果的关键。

对Agent来说，完成一件事可能不是最难的，最难的是怎么理解人。围绕人的整个过程中，传统系统更多是在记录已经过去、已经结束的事情。比如一个人提交了融资审批，他当下的状态是什么，传统系统更多是在记录这种完成的状态。

但实际上，如果你想很好地服务人，就必须知道这个人接下来的状态是什么：他是不是有购车意向，他是不是信任你。整个过程是在环境不断变化中同时交互，同时对这个人的状态和行为做预测。

所以我们基于这套想法做了一个模型出来。它本质上是一个随机过程，输入是整体的语言环境和行为信号，输出是人的行为接下来应该如何变化、他的状态是什么样。

相比传统的Agent，它做的是管理建模，我们更多是在人的状态粒度上做建模。这意味着，人的状态不是一个静态的用户画像，而是一个随着交互和环境变化持续变化的状态建模，一种持续性的建模。

其实现在行业里谈Long-Horizon，包括大家去判断一个Agent到底厉不厉害，经常会说它能不能无干扰地完成一个比如100步的任务，能不能写一些复杂的软件，或者操作几十页的网页逻辑。

但在企业应用里，我觉得可能更重要的是：给定一个业务目标之后，我们能不能持续面对一个不断变化的人去做交互，最终推动出一个业务结果。

这里以汽车金融为例，一个用户第一天进来，第三天他可能到了补充资料的阶段，第七天他的额度发生变化，走了审批决策；到第十天发现所有方案都尝试过了，但没有适合他的。这时候常规的Agent可能就会说，“我的任务结束了”。但真正意义上的Agent，会比如在到了第80天的时候，因为我们接入了新的资方、有了新的金融产品，反过来去找这个客户，“你还有没有相应的需求？我现在有东西可以满足你。”

另外，当用户到了第480天、合同快要结束的时候，AI 会主动去做这种访客营销。整个决策的过程中，每一个节点其实都是由Agent独立承担的，但所有Agent背后其实是同一套程序运行循环的机制在支撑：目标拆解、规划决策、执行、观察反馈、交互，以及持续推进，它会变成一个大的闭环。

同时，对Agent model来说，很重要的一个内化能力叫Persuasion Policy，它能够动态决定我到底在什么时间去跟进这个用户、我应该说什么、不应该说什么、在什么渠道先跟他讲。所以整体它是以最大化长期转化为目标的。它的目标不是一次对话有多好，所谓最大化长期转化，对应的其实就是业务结果——我优化的是最终的业务结果。举个例子，比如这里的预约率、到店率、成交率、渗透率等等。

所以我们认为，这可能才是企业真正需要的Long-Horizon。前面有了model、有了Agent，为什么还需要Harness？我们的任务是说，企业里面真正要去运转AI Agent这件事，能不能出结果，我觉得是很容易的；但最难的是它怎么能够长期稳定地运行，这就是Harness在企业里的价值。跟传统的Agent相比，我们不太一样的地方在于，我们会基于用户的关系去做建模，这里面包括五大板块。

第一个板块是记忆管理，它回答的主要是“发生了什么”。举个例子，我在9月份提交了30万的融资申请。第二部分状态管理，即“正在发生什么”，这个用户中间还差一份资料没有补齐。第三部分是Agent怎么看待这个用户、这个客户，这块的上下文主要由model提供。比如客户购车意图的概率大概是70%，但他对月供的敏感度概率是 90%。这就是这一块要做的事。

第四是目标管理。其实每一个子阶段都会有一个相应的目标，我要去推动这个目标往前走。还以刚才的客户为例，这个阶段的目标可能就是完成“进店提报”。最后一个板块是，知道所有信息之后，我接下来要怎么办？同样以刚才的客户为例，接下来的动作应该是打消用户对月供的疑虑。

同时，在企业落地的过程中，逻辑上并不是所有角色都能交给AI去做，这里面有三个典型的场景。

第一个场景是合规熔断。比如大模型因为幻觉，出现了一些触碰强监管规则的内容，或者跟用户对话的过程中，用户产生了一些触碰规则的事件，这个时候就要迅速转人工。

第二种是涉及重大权益的，比如某一个单子需要做罚息减免，这个时候可能就要转到人去做判断；再比如一些意外的场景，比如特批流程，也需要转到人。

所以在Harness框架下面，其实是融合了Agent自己以及人本身。同时我们也会有相应的RSI（Recursive Self-Improvement，递归自我改进）这一套逻辑机制。

在这个管理过程中，我们会形成相应的、用于训练模型的数据轨迹，这个轨迹未来会有一个小循环或者大循环去做优化，小循环主要是skill粒度的优化，大循环主要是基于model去做优化。

我们认为Harness框架本质上就是一个持续运行、持续反馈、持续优化的过程。我们计划在年底的时候，把这套框架开源出来。

综合以上讲的内容，我大概做一个总结，对比一下传统Agent和新Agent到底有什么区别。前者主要是在优化任务的执行，以及执行过程中怎么做规划和推理、怎么做工具的编排、怎么去完成它的一个flow，最终成没成功，这件事取决于任务是否完成，完成了就代表成功。

后者主要是在优化人的决策过程。除了要持久化用户的记忆，还需要对用户做信任和意图的建模，需要去做关系的管理。最终你成没成功，其实在于你有没有产生收益、有没有转化成功。所以本质上我们认为，未来AI Agent在企业的应用，会从任务的执行过渡到Harness。

这个是我们实际运转中的应用效果。目前在线上一共有45个Agent在跑，日均处理任务大概23万次，每天大概消耗3.6亿Token。因为我们整个集团有自己的训推一体化平台，所以整个model都是在这个平台上跑的。

Agent的自主交付率现在达到90%，整体的运营提效大概是45.4%，线索从接触到成交平均大概3天。AI现在可以独立地跟进同一个用户超过 20 天，单个任务的执行时长超过16个小时，单次对话超过81轮——这些对话可能发生在企业微信，也可能发生在微信，是一个跨渠道的逻辑，全程的信息交互大概超过了400条。

同时我们也有商业化的产品，是一站式的AI智能服务解决方案。目前有三个大的核心板块——智能进件、风控决策和资管服务。然后底层Model是我们自己的一套新的推理模型，以及整个新系列不同尺寸的Model。

在整个应用的规模上，产品应用上大概累计有1.44亿次的使用，覆盖了智能呼叫（每天10万通）、智能面审、智能审批、智能客服、智能资管、智能质检等，基本上覆盖了整个行业的所有场景。

除了提供技术方案之外，我们也有生态合作伙伴，这里面包括 80 家以上的互联网企业、100多家主机厂、100多家金融机构，以及4万多家经销商。

最后我想分享一下今天的核心观点。我们认为，未来企业Agent的AI进化会逐步过渡，整个模式可能不只是适用于汽车金融这个行业，也适用于所有类似的、需要交付业务结果的场景。