保险后援的AI，过去只能干一件事：识别一张单据，回答一句问话。现在它要干的是整条链路——从核保到理赔，从保全到续收，自己规划任务、自己办完单子、自己复盘优化。

平安人寿中级开发经理吴智炜已确认出席 QCon 上海站「金融 AI Native 工程实践：从研发提效到业务破局」专题，带来题为《生成式到代理式跃迁：构建保险后援全域自治数字分身》的分享。他要讲的核心，是一个基于开源 OpenClaw 代理框架的规模化落地案例。

三代AI，三种活法

保险后援的 AI 演进被拆成三个阶段，每一代的短板都很具体。

第一代是单点生成式 AI。OCR、语音问答这类能力被碎片化嵌入流程节点，只能局部提效，没有完整办单能力。它能帮你认出一张医疗票据，但没法把这张票据推进到核保结论。

第二代是烟囱式智能体。场景之间彼此割裂，资源重复建设，迭代高度依赖人工运维。每个场景一套系统，各干各的，跨场景协同基本谈不上。

第三代是 OpenClaw 代理数字分身。按吴智炜的提纲，这一代要实现的是 AI 从「生成文字」到「自主闭环办单」的跨越——具备任务规划、端到端办单、自省优化的能力。

四层架构怎么改造成金融级

OpenClaw 原生有四层核心组件：Gateway、Agent、Skills、Memory。落地到保险业务，这四层被逐一映射到保险底座上。

  • Memory 层：打通14 类保单数据源，搭建客户时光轴，构建5000+ 维多模态特征体系
  • Agent 层：采用 Qwen + DeepSeek 混合分层推理，配套长上下文压缩检索方案
  • Skills 层：沉淀 OCR、RAG、风险校验等通用原子技能池，全业务共享复用
  • Gateway 层：负责全局任务路由、多代理协同、执行日志统一归集

开源框架原生面向个人办公场景，缺的是金融合规能力。项目为此做了定制加固：权限沙箱、规则熔断、全链路可审计，补齐开源方案在合规上的短板。

五个分身，覆盖后援全场景

统一复用底座与技能资产之后，代理分身覆盖了核保、理赔、保全、咨诉、续收五个场景。

核保分身做医疗多模态识别和自动预核，压降线下人工审核量；理赔分身做票据智能解析和风险自动挖掘，减少人工录入；保全分身做规则解读和变更风险实时校验，提升线上自助办理占比；咨诉分身整合客户全周期轨迹、做智能协谈，缩短案件处置周期；续收分身负责四维派工、催收策略和通话复盘。

吴智炜给了一句小结：烟囱 Agent 仅能执行固定流程，OpenClaw 分身可以动态组合技能、跨保单协同处理，并持续自优化。

双阶段闭环：人工冷启动，大模型接管质检

代理上线之后怎么持续变好，是这套方案里最值得看的部分。三代 Agent 的迭代能力被横向对比：单点 AI 没有优化能力，烟囱 Agent 靠纯人工调参，OpenClaw 分身走的是人机协同的自主迭代。

迭代流水线分两个阶段。阶段一是冷启动：人工标注代理办单结果，构建基准样本库，守住业务合规底线。阶段二是规模化运行：大模型自动评判处置效果，反向更新技能、调度与业务策略。全量执行日志经 Gateway 汇入质检引擎，形成长效自进化闭环。

这套设计针对的是一个共性痛点——Agent 上线后效果衰减，长期依赖人工调参。完全靠人工复盘，效率低、覆盖有限；直接放开 AI 自主评估，业务和合规双重风险又兜不住。

四个工程坑，四套解法

开源 Agent 落地金融场景，吴智炜列出了几组具体矛盾和解法。

OpenClaw 原生缺失金融合规能力，解法是三层校验沙箱改造。长周期保单原生记忆不足、上下文精简会丢关键信息，解法是滚动摘要加分层检索。多代理并发时算力开销与业务精度相互制约，解法是大小模型动态分层调度。5000 维多源特征存在冗余波动，解法是业务分层筛选加时序降维治理。

至于全 AI 自主执行风险高、纯人工复盘低效这对矛盾，对应的就是前面那套双阶段渐进迭代体系。

落地成效方面，提纲给出的方向是：底座能力共享削减重复研发算力投入，全业务自动化率提升，续收触达频次显著优化，整体运营成本下降。

能复用到哪

这套方案的复用范围被明确划到了银行、产险、养老等长周期金融业务。架构和迭代流程都可以迁移。

吴智炜本人的背景是金融保险科技领域 10 年，现任平安人寿核心系统续期板块技术负责人，主导过续期三先重大项目，持有 9 项 AI 认证及 PMP、ACP、LOMA 等资质。

QCon 上海站将于 10 月 22 日—24 日举办，围绕 AI Native 架构、Agent Runtime、AI Infra、Data Systems、Agent 安全与可观测、Loop Engineering、Vibe Coding、具身智能与世界模型、端云协同等方向设置 20 个专题论坛，100+ 位专家现场分享。