2026 年 9 月 23 日至 27 日的杭州数贸会上，金融智能体集中亮相，呈现出两条清晰可辨的落地路径。一条是中国工商银行浙江分行的「工银智涌」，定位桌面级 AI 业务伙伴，覆盖 10 余个业务领域、30 余个具体场景，跨境「数智清关」与信贷「尽调报告助手」是其中两个代表；另一条是浙商期货的 TradeMate，用自研期货垂域大模型 FutSeek 给交易员与研究员当「交易秘书」。同期杭州银行也展示了智能机具，说明金融机构正沿着多条线同时把智能体推进业务现场。
一类对内当业务伙伴
工银智涌的取向，是把智能体嵌进银行内部流程，当一名「懂业务的伙伴」。它覆盖的领域不止一两个，而是横跨 10 余个业务方向、落到 30 余个具体场景：跨境「数智清关」把原本要在多个部门之间来回的清关流程收进一次对话；信贷「尽调报告助手」把人工撰写尽调初稿的效率提升约 50%。这类智能体的价值不在替代人，而在把专家经验固化进流程，让人把时间花在判断与沟通上，而不是重复搬运材料。
值得注意的是，它强调的是「伙伴」而非「替代」——智能体承接的是信息整理、初稿生成、流程引导这类高重复环节，最终拍板与风险判断仍留在人手里。对强监管的银行业，这种分工比「全自动」更经得起审视。
一类对外当垂域秘书
浙商期货的 TradeMate 走的是另一条路：不进银行后台，而是贴着交易链路，用自研的期货垂域大模型 FutSeek 给交易员与研究员当「交易秘书」。它能做因子分析、策略诊断、信号模拟，并且 24 小时持续跑。金融垂域大模型的意义，在于它懂行话、懂品种、懂监管规则，比通用大模型更贴近真实的交易与研究的日常。对交易员而言，智能体不是来抢饭碗的，而是把「盯盘、复盘、找因子」这些耗时间的活接了过去。
垂域大模型这条路并不好走。通用大模型同样能跑因子分析与策略诊断，TradeMate 的差异化在于它吃透了期货行业的术语、合约规则与品种特性，能把「策略诊断」落到具体品种与周期，而不是泛泛给一句建议。对金融机构而言，这类模型的护城河不在参数规模，而在有没有把业务知识沉淀进训练与检索链路。这也解释了为什么期货公司愿意自研，而不是直接套用通用模型——同样的智能体，懂行与不懂行，产出的可用性天差地别。
两条路径的共性：从提效走向嵌入
把两条线放在一起看，共性是金融智能体正从「后台提效工具」走向「业务嵌入角色」：一个嵌进银行流程当伙伴，一个嵌进交易链路当秘书。杭州银行同期展示智能机具，进一步说明金融机构不是在单点试水，而是多条线并行。两者共同面临的挑战也很一致——金融强监管下，智能体的动作要留痕、关键节点要留人、责任归属要清晰，这些比模型能力更难，也更关键。
两类路径看似一个面向银行内部、一个贴着交易链路，底层却共享同一组前提：干净的数据与清晰的权责。工银智涌依赖银行内部数据的质量，TradeMate 依赖行情与合约数据的时效；两者也都把关键判断留在人手里。智能体在金融里能不能真正嵌入业务，不取决于演示多漂亮，而取决于这两组前提有没有被严肃对待。数贸会给出的信号是，头部机构已经开始把前提当基建来建，而不只是当功能来加。
从行业视角看，数贸会这一波展示的，是金融智能体「从提效到嵌入」的拐点信号：过去多停在写初稿、排流程这类内部省力，现在开始产生业务增量（清关提速、尽调提效、交易信号模拟常态化）。但也要冷静：效率数字来自厂商与媒体口径，落地规模与长期效果仍待独立核验。金融对误差零容忍，智能体当前更适合做辅助与初筛，而非独自拍板。对监管而言，嵌入式智能体的可解释要求更高——一笔由智能体促成的交易，要能回溯它依据了哪条规则、调阅了哪些数据，否则既过不了审计，也难让业务方真正托付。