在数字化浪潮席卷金融业的当下，上海银行以 " 精品银行 " 为战略愿景，围绕高质量可持续发展目标，将数字化作为创新驱动、提升能级的核心力量，加快转型发展，努力实现新的质变。

作为国内首家通过 DCMM（数据管理能力成熟度）四级认证的城市商业银行，上海银行近期率先落地行业级数据智能创新项目—— " 智能问数平台 "。

该项目依托数势科技领先的 SwiftAgent 智能体技术架构与 DeepSeek 大模型底座，实现了全行数据服务模式的革命性升级，标志着金融业数据民主化进程取得关键突破，为银行业数字化转型提供了可借鉴的实践样本。

01 ‍

标杆银行直面行业痛点，破局数据应用瓶颈

上海银行在推进数字化转型的过程中，虽已实现从数据治理到数据资产化的跨越，但在加强经营数据与业务场景融合的过程中，仍面临着三大核心挑战，亟需通过创新方案破局。

转型中的核心痛点

数据民主化不足：一方面重点业务数据模型和经营指标建设仍采用科技开发模式，建设与维护成本高，也难以快速响应业务需求；另一方面，业务数据自服务依赖传统 BI 工具，技术使用门槛相对较高，部分业务人员依赖 BP 团队提供指导，响应周期长。

数据分析效率瓶颈：传统数据分析工作需要业务人员具备丰富业务经验，分析工作较耗时，人工报告制作成本也高。例如对某类业务余额下降原因进行分析，需要业务人员获取历史业务明细数据，从机构、产品、客户等多角度进行归因分析。

指标与智能应用衔接不畅：构建业务指标和应用 AI 大模型能力两个过程相互独立，导致加工链路长，需要实现从数据开发到智能分析的全链路闭环。

项目核心目标

基于上述痛点，上海银行明确了智能问数平台的建设目标：构建全行级数据民主化体系，实现 " 数据普惠 + 智能跃迁 " 双轮驱动。具体包括三方面：

推动数据民主化，打破技术实现与业务应用壁垒，让业务人员通过自然语言交互自主完成数据分析，高效形成商业洞察；

实现效率革命，改变传统用数与分析模式，实现 " 智慧用数 "，通过低代码的指标配置、低门槛的问数平台，赋能技术和业务部门高效完成指标加工和使用，分析数据效率对比传统 BI 分析效率提升 50%+，显著压缩报告生成时间；

保障战略连续性，将全行经营指标指标体系与 AI 分析能力有机融合，形成 " 指标开发 - 指标管理 - 智能应用 " 一体化生态。

02 ‍

SwiftAgent 赋能企业数字化升级，重构数据分析新范式

上海银行智能问数平台，以数势科技智能分析平台 SwiftAgent 为核心，能够有效支持非技术人员通过简单的问答方式，快速获取关键数据指标和深度洞察。

平台核心应用了 RAG 技术和 AI Agent 技术，确保用户能够以自然语言与系统进行互动，轻松获取所需信息。

此外，平台还全面集成了 DeepSeek 能力，能够智能化、透明化地解读复杂数据，自动生成详尽的智能报告，并提供切实可行的决策建议。

平台核心架构与技术支撑

智能问数平台以 " 引擎层 + 应用层 + 数据层 " 为核心架构，整合了多项前沿技术：

引擎层：包含数据引擎与智能引擎，支持多源异构数据集成，通过 Universal Semantic Generation 实现数据语义统一，并依托 LLM 大模型（兼容 DeepSeek72B 蒸馏模型）与数势自研垂直小模型，构建一体化智能分析能力；

应用层：提供智能问数、预警归因、报告生成等应用，通过 Agent Orchestration 实现用户意图识别与复杂任务拆解，搭配计算加速技术提升响应效率；

数据层：兼容存算一体、存算分离、存算外置三种方案，整合指标平台、标签平台与知识库，为分析提供全面数据支撑。

平台的核心技术亮点尤为突出

基座大模型：全面适配 DeepSeek72B 蒸馏模型，提供深度洞察和决策支持。

Agent 智能体技术：用户输入查询请求后，经过意图识别模型判断是否为分析任务，若是，则进入复杂 / 简单任务判断。

复杂任务需要经过规划器进行子任务的拆解，保证任务的顺利执行，简单任务则直接调用相应的技能模块，进行参数的解析和后续执行。

语义增强技术：基于数势科技自研的语义增强引擎，可以增强大模型对口语的理解能力，将用户的表达对齐到数据库里指标或维度，并以槽填充的方式形成标准化的 API 接口，最后提交给计算引擎去执行任务。

相对于 NL2SQL 直接从自然语言生成 SQL 的方式，该方式生成中文指标和维度信息，再将生成的信息填充到标准 API 查询对应的槽位上。

最后通过 API 在后台翻译成查询逻辑并提交执行，这样可以对整个链路进行拆分，将大模型的不确定性和幻觉效应降到最低。

技术引擎加速技术：数据查询采用数势科技自研的 HME 引擎，基于 Doris 引擎，针对指标进行预定义和预先加工，实现自动初始化处理，用户无感知。对比传统的 SQL 查询速度，提升 5-20 倍，实现亚秒级查询体验。

多轮会话和记忆召回：针对用户的会话记忆和知识记忆进行存储和召回设计，实现长短时记忆的科学索引，并且针对结构化数据和非结构化数据做多级缓存机制的设计。

场景化应用落地

上海银行智能问数平台前期重点聚焦对公业务、零售业务两大业务场景。

通过 Agent 架构、增加指标、维度关联反问机制、数据加速引擎并配以 DeepSeek 大模型，帮助业务人员实现数据指标快速查询、自动归因分析、可视化报告自动生成。

同时，数势科技平台还支持快速、便捷地定义业务模型和指标，使智能问数平台具备自助经营分析、数据深度洞察和决策支持能力；

可自动生成可视化报告，嵌入掌上行管理平台（上海银行管理驾驶舱），支持业务人员获得更加前瞻、专业的决策依据，从而迅速应对市场的变化与挑战。

03 ‍

数据普惠落地，战略价值凸显

上海银行正持续推进 " 智能问数平台 " 的建设与技术优化迭代，该平台作为银行数智化转型的重要一环，旨在打造高效便捷的数据服务体验，预期将在多个维度带来显著提升。

在平台目标效果方面，" 智能问数平台 " 致力于：

大幅提升数据民主化水平：项目将夯实数据资产化基础，实现业务人员自主用数率从当前的 35% 跃升至 80%。

显著提高用数效率：将业务响应时间缩短 30%，数据分析效率提升 50%。

在战略发展层面，" 智能问数平台 " 将被纳入上海银行整体数智化蓝图，联通行内 " 掌上行 " 经营管理决策指挥系统，将 AI 能力嵌入决策分析核心流程，探索 AI 赋能经营管理的有效路径。

同时，此平台还将在完善数据自服务及智能化支撑能力，赋能更多员工 " 看数、懂数、用数。

成功要素：战略、技术与场景的深度融合

上海银行智能问数平台的成功，源于多维度的精准布局，其经验可为行业提供重要借鉴：

精准战略匹配：深度契合上海银行的 " 数据民主化 " 和 " 智能跃迁 " 战略，通过 " 数据普惠 + 智能跃迁 " 双轮驱动解决关键痛点。

技术创新落地：利用 RAG、AI Agent 及自研语义增强引擎，实现自然语言交互，降低业务人员的数据使用门槛。自研 HME 加速引擎实现亚秒级查询。采用 NL2Semantics 技术，消除大模型幻觉，确保查询准确性。

聚焦场景价值：优先攻克对公和零售核心场景，快速交付指标查询、自动归因与报告生成，大幅缩短响应时间。

整合能力：将平台能力嵌入 " 掌上行 " 管理驾驶舱，实现 AI 与决策流程的融合，保障战略连续性。

上海银行智能问数平台的建设，不仅是技术层面的创新，更是 " 数据普惠 " 理念的实践 —— 通过降低数据使用门槛，让每个业务人员都能深度使用数据，真正释放数据资产的价值。

从行业视角看，该项目为城商行数字化转型提供了可复制的路径：以业务痛点为导向，通过 " 技术创新 + 场景落地 + 生态整合 "，实现从数据治理到数据赋能的跨越。

未来，随着平台的持续迭代，上海银行有望在数据民主化与智能应用领域进一步突破，为 " 精品银行 " 战略的实现注入更强的数智动力。