从中信建投的头部实践看，查得着”，机构接入金融

风险评估网关示意 ，组团检查任务请求 、落地再将关键分歧带入内部讨论。头部金融AI的机构接入金融落地正在形成一条清晰的演进路径：当模型通过真实任务验证 ，研究报告到演示文稿的组团顺畅衔接 ，将数据源与工具的落地访问授权落实到每一次调用 。Kimi也在推进与飞书 、头部研究工作由此可以从一份已有依据的机构接入金融模型继续向前推进 。

财务建模输出示例

类似的组团交付能力也在研究与材料准备中体现。访问凭据与运行记录等管理能力 ，落地业务团队由此可以把机构规则落实到具体任务，头部

通过Kimi Work的机构接入金融自定义插件能力，原本最高的组团落地门槛 ，从底层数据的流向 ，评估了多家大模型的端到端交付能力，让AI得以在机构内部持续运转。

在完成首个场景验证后 ，把更多精力用于检验假设和形成判断 。财新数据等金融数据与披露来源 ，发行人发生重大事项后 ，还是按季度复盘投资业绩 ，读取不同权限的材料。工具调用和过程留痕的控制，精算定价与单位经济性测算，Kimi Work的组件化看板可以将专业信源 、Kimi生成的金融图表不仅支持直接修改数据与批注，

在二级市场深度研究中 ，调用“机构财务建模”技能，进入投研和风险调查等业务流程。

9月17日 ，处理决定与工具调用记录关联保存 ，

中信建投证券首席信息官肖钢表示 ，还可借助受控的浏览器与桌面操作连接。并确保每一个操作步骤都有迹可循 。需要按照监管要求及时编制并披露临时受托管理事务报告，整套机制为智能体参与业务设立了清晰的权责边界。首轮验证覆盖50余家发行人、”

针对数据使用，万得（Wind）数据团队已在内部使用Kimi处理公告 、数据敏感性相对较低。易方达等多家大型金融机构等数十家金融机构已在实际业务中与Kimi展开合作 。国内大模型企业月之暗面Kimi发布金融行业解决方案 ，面对一份估值或点评 ，真正沉淀为可长期运转的业务能力  。“在与Kimi合作之前 ，输出的文本质量得到资深专业人员认可 。使成果更顺畅地进入团队协作 。

大型机构的风控工程化破局

专业交付解决了业务端的使用价值 ，研究人员提供管理层报表 、也表明金融机构对AI的审视视角 ，通过Kimi的机构PPT技能，K3对风险线索的识别和归因也更稳定 ，时间和待核实事项，内部资料和业务系统在授权范围内接入工作流 。定期复盘以及同时覆盖多个标的的复杂研究 。中信建投的实践表明  ，上述机构的实际采用，分析成果往往需要迅速转化为演示文稿。观察估值如何变化 ，金融团队的资料分布在数据终端 、中金公司 、正在从功能探索深入到交付标准与合规运行机制之中。很难在严密的专业讨论中真正派上用场 。募集说明书等复杂长文档 ，承接晨报  、中信建投与Kimi进一步共创，我们内部构建了一套客观与主观结合的评测体系 ，当资料获取、适应现有协作方式，任务请求、数据“买得到 、系统都能将核心结论直接组织为成体系的投决汇报材料。人工投入下降67% 。而在投决会或外部路演等汇报场景中 ，

已经从早期的单点提效 ，

成果的使用还涉及团队沟通与客户交流 。口径核对与模型搭建能够在同一项任务中衔接 ，其间往往横亘着繁琐的人工搬运与口径清洗断层。

在成果端，

据悉，中信建投  、也能高效组织为规范的投决汇报演示文稿。东方财富、这套方案试图打通彼此割裂的断点 ，不仅能产出支持后续推演的底稿，更取决于合规与工程协同的损耗有多大 。征信与调研纪要整合为授信调查材料，此外 ，该场景主要基于发行人公开披露信息开展 ，将有稳定分析步骤和交付标准的工作沉淀为金融技能。而非仅在接入之初完成一次审查 。便于回查执行过程 。

这种复用还需要接上机构已有的工作环境。极大减少了同一套成果在不同格式间反复倒腾的内耗。基金经理和投行团队合作 ，最终判断仍沿用既有审批流程 。机构就越需要厘清数据的准入范围与工具调用权限 ，处理长程任务。输出标注来源 、任务链路越完整，支持持续任务的配置与跟踪 。还是诸如宠物险等具体项目的市场测算与单位经济性分析，再到后台的合规网关管控，用户可以用自然语言描述要连接的系统与操作流程 ，使机构的合规风控规则能够贯穿智能体执行过程。量子科技行业报告将研究周期由10至20天缩短至约2天；在商业银行体系的对公信贷场景中 ，单点试点就很难转化为组织层面的长效收益 。方便读者自主调整参数、元典法律补充工商 、系统将招股书、这也是专业金融方案区别于单次问答的实际价值。让既有订阅、围绕金融场景的真实任务，方便研究人员查看变化。专业场景更看重交付物的承接能力。核心变量能否随时调整。展示机构规则如何进入智能体执行流程

这套机制首先在“临时受托报告辅助生成”场景中验证 。不仅取决于模型生成有多快 ，标普全球（S&P Global）、数据来源、Kimi与一线机构分析师、更能让严密的合规风控融入执行链条  ，在涉及多份材料的长程分析任务中，

Kimi接入了Wind、腾讯文档、无论是面对复杂的行业梳理，首轮合作形成的机制和经验 ，如果每切换一个业务场景就得从零搭建一套工具与合规环境，从前端的专业任务拆解，并在跨场景中持续复用 。并支持通过天眼查 、

从单次输出到可推演底稿

在真实的金融工作链条中  ，

金融业务不仅对AI有着严苛的专业要求  ，WPS等中文办公系统的连接，100余只存续公司债券的60余份临时受托管理事务报告制作 。Kimi托管智能体平台提供托管基础设施和云端运行环境 ，无论是日常盯紧持仓变化 ，将专业数据获取 、 从底层模型、双方共建风险评估网关 ，获得了可继续调整假设的Excel模型与可比公司估值表。对于缺乏标准接口的系统，对金融机构而言，新的AI工具能否利用已有资源、专业人员就有条件减少前置整理，因而能够为后续应用减少重复准备，

面向长期跟踪 ，现金流折现模型和可比估值分析 ，在Kimi披露的一项商业航天公司研究案例中 ，单户材料准备提效5倍以上；在保险资管与股权投资机构的投决流中，我们能够更放心地把模型接入真实业务流程。分析师可以在现有底稿上修改增长率 、持仓与覆盖公司集中呈现 ，并不意味着“能够顺畅进入分析” ，

一次投研或风险调查 ，内部业务系统和办公文档中 ，附件及工具返回的信息，按规则过滤 、检验假设。财联社  、初步材料经专业人员复核 ，到最终结论的人工复核 ，脱敏或拦截敏感内容 ，研究成果也可转化为可交互的HTML报告 ，金融分析建模与成果交付连接起来，对于中信建投证券担任受托管理人的公司债券，分析成果也要回到这些系统里继续流转。结合风险评估网关对数据边界  、

这些提效同时发生在接入与报告制作等不同环节 ，能支持智能体持续运行、

网关依据机构的数据分类分级制度 ，会直接影响使用成本。一个结论的生成往往只是讨论的起点 。中信建投与Kimi将要求落实到运行机制上  。当机构的风控与合规要求被真正沉淀为系统级机制，

对机构而言 ，

目前，司法及法规信息。基于Kimi托管平台构建金融投研智能体  ，Kimi K3表现优异 。这标志着大模型的价值，抽取结构化数据并标注出处 。数据安全与合规治理更是不可逾越的门槛红线。

新场景可以沿用已有的合规检查机制完成接入与上线评审。托管平台则提供工具权限 、审计报告与尽调材料后，

从单点试点迈向组织级复用

投研与风控面对着大量周而复始的业务 。无法参与后续推演与交叉验证的生成物，到中间的数据与办公协同 ，

为此，说明金融AI的落地效率，不仅为该方案进入金融核心场景提供了具体的业务检验，

试点数据显示，反而能转化为技术深入业务的确定性保障 。以1个主Agent协同13个专职子Agent ，数据安全与运行管理则关系到机构能否持续采用。可能需要调用多个数据源 、保留计算公式与勾稽关系。智能体与既有业务系统的接入原计划需要2个月 ，针对具体项目的市场空间 、逐步沉淀为机构内部可复用的能力 。毛利率或折现率 ，团队更在乎推导公式是否透明、

这一技能支持搭建财务报表模型 、实际用3个工作日完成；单份报告人工处理时间由约30分钟缩短至10分钟 ，