近日，在行业顶级技术盛会QCon大会上，诸葛智能CTO文革发表了主题演讲《一本通（Datainsight Agent）在城商行业务分析的探索与实践》。
他在演讲中聚焦于一个核心问题：如何在“最后一公里”帮助客户，尤其是城商行，真正用起大模型的能力，解决业务分析中的实际痛点。
痛点：
城商行数据分析的“深度与效率”挑战
文革首先指出，城商行在数字化经营分析中普遍存在三大痛点，主要集中在人员、知识和效率：
- 人员经验不足，缺乏深度洞察：多数城商行对复杂业务的深度分析能力有限，超六成机构存在客群未盘活、风控能力不足等问题。
- 行业专业知识积累有限：城商行深度绑定地方经济，缺乏行业营销经验与风向预测能力。
- 分析标准不统一，效率低下：内部缺乏统一分析标准，数据口径差异导致分析效率低下。
解法：
让数据分析拥有自我进化能力
针对这一现状，诸葛智能推出的「一本通（Datainsight Agent）」并非传统意义上的BI或数据工具，而是一款具备自主学习与业务理解能力的智能体。
它可通过自然语言与用户交互，实现“自助分析、自主学习、自主解读”，帮助业务人员在分钟级时间内完成复杂分析，从数据到结论的转化不再依赖人工经验。
“培养一个985毕业生”
行业专精的成长逻辑
在谈到模型构建理念时，文革用一个生动的比喻形容了Datainsight Agent的成长机制——“我们希望把智能体培养成一个行业里的985毕业生。”
所谓“985毕业生”，意味着智能体具备扎实的专业知识与较强的自我学习能力。诸葛智能通过行业知识预训练+使用中自学习进化两条路径，让AI在银行领域具备“越用越懂你”的特征。
它不仅能理解银行业务的复杂指标逻辑，还能随着使用者反馈持续微调模型，动态优化分析策略。
技术创新
多智能体协作与记忆体系构建
技术层面上，「一本通」采用了多智能体架构（Multi-Agent System）。
不同的智能体承担“指标理解”“任务规划”“数据获取”“报告解读”等分工，通过智能协作完成复杂分析请求。
在具体实现中，系统应用了LoRA参数微调、强化学习奖励机制与上下文优化策略，使模型能够在多轮分析任务中形成可持续进化的智能反馈闭环。
引人注目的是，「一本通」构建了业内领先的长、中、短期记忆体系。
这一机制让智能体不仅能记住用户的即时问题（短期记忆），还能理解历史分析逻辑与业务偏好（中期记忆），最终形成“懂用户、懂业务”的个性化知识体系（长期记忆）。
业务成效
报告生成从3天缩短至30分钟
在实际落地中，「一本通」已在多家城商行部署应用，显著提升了分析决策效率：
报告生成周期：由原来的3-5天缩短至30分钟以内；
合规达标率：由85%提升至100%；
人力成本：报告编制工作量下降70%；
模型精度：准确率超90%，并随使用持续提升。
通过与城商行现有的数据中台、风控模型、行为分析系统对接，「一本通」实现了“整合利用，而非从零建设”，在补全报告生成能力的同时，放大了已有AI资产的价值。
展望
打造银行业首个“全栈式智能体”
演讲最后，文革提出了诸葛智能的未来愿景——打造银行业首个“全栈式智能体”，覆盖从“感知—认知—决策—执行”的完整链条。
这一智能体不仅能进行智能分析、智能打标、智能营销与智能风控，更将成为银行业务增长与客户体验提升的核心引擎。
文革强调：大模型的价值，不在于算法本身，而在于它如何真正融入业务流程、提升生产力。
关于诸葛智能
诸葛智能是容联云旗下敏捷开放的场景化数据智能服务商，为企业提供实时的全渠道数据采集整合、全维度数据分析、全场景用户标签画像，辅以个性化自动化的营销平台+策略配置，助力企业快速洞察市场趋势，迭代经营决策，实现营收增长。
热门跟贴