企业尽调智能体实战：60+真实企业的AI尽调报告
从5天到10分钟：AI如何重构企业尽调
企业贷前尽调，银行和金融机构最头疼的环节。一位信贷经理曾这样描述他的工作：打开天眼查查工商信息，切到Wind拉行情，再打开百度搜新闻，最后把散落在七八个系统里的数据拼进Word模板。一家企业，至少5天。如果碰上集团客户、关联方众多的，两周起步。
一家支行行长曾无奈地说："25个客户经理，每个人做的尽调报告格式都不一样。同样的企业，A经理评'低风险'，B经理评'中等风险'，谁对谁错无从判断。"问题的根源不是人的能力差异，而是工具链的碎片化——数据散落在不同系统里，没有统一入口，也没有标准化的采集流程。
我们调研了12家金融机构的尽调流程，发现三个共性痛点：信息散落（数据分布在6-10个系统中）、耗时漫长（单家企业5-10个工作日）、质量参差（依赖个人经验，无标准化流程）。
本文记录的，是一个用AI Agent解决这个问题的实战项目——企业尽调引擎v5.0。它不是概念验证，不是Demo，而是在60+家真实企业上跑通的生产级系统。
技术架构：多源数据整合的数据流
尽调的核心难题不是"分析"，而是"采集"。一家上市公司的完整画像，需要从至少6个异构数据源拉取信息。传统方式是人肉Copy-Paste，我们的方案是用Agent自动编排数据流：
用户输入 "美的集团"
│
▼
┌─────────────────────────────────┐
│ Step 1: 股票代码查询 │
│ 联网搜索 → 000333.SZ │
└──────────────┬──────────────────┘
│
┌──────────┴──────────┐
▼ ▼
┌─────────┐ ┌──────────┐
│ Step 2a │ │ Step 2b │
│ 实时行情 │ │ 新闻舆情 │
│ ifind │ │ 联网搜索 │
└────┬────┘ └─────┬────┘
│ │
└─────────┬──────────┘
│
┌──────────┼──────────┐
▼ ▼ ▼
┌────────┐ ┌────────┐ ┌────────┐
│Step 3a │ │Step 3b │ │Step 3c │
│工商信息 │ │风险扫描 │ │估值指标 │
│ MCP │ │ MCP │ │ MCP │
└───┬────┘ └───┬────┘ └───┬────┘
│ │ │
└──────────┼──────────┘
│
▼
┌─────────────────────────────────┐
│ Step 4: 舆情分析 + 综合评分 │
│ 多源交叉验证 → 生成尽调报告 │
│ 输出: JSON(5KB) + Markdown(4KB) │
└─────────────────────────────────┘
这个数据流的核心设计原则是并行采集、串行推理。Step 2的行情和舆情可以并行获取，Step 3的三个MCP调用也可以并行，但Step 4的综合评分必须等所有数据到齐后才能做交叉验证。这种设计把端到端耗时压到了10分钟以内。
另一个关键设计是渐进式降级：如果MCP工具不可用（比如企业是非上市公司），引擎会跳过行情和估值模块，仅返回工商+风险+新闻的"基础版"报告，而不是直接报错退出。这一设计在实际使用中至关重要——我们的60+企业样本中，有11家是非上市企业，如果要求所有数据源齐备才能出报告，这11家就会被拒之门外。
五大能力详解
1. 股票代码查询
输入企业名称，自动搜索匹配股票代码。比如输入"美的集团"，引擎通过联网搜索拿到000333.SZ。这个步骤看似简单，却是后续所有数据获取的前提——行情、估值、历史走势全部依赖股票代码。对于非上市企业，引擎会标记stock_code: null并跳过相关模块。在实际测试中，股票代码查询的成功率超过98%，少数失败案例主要是名称变更（如"格力地产"更名为"珠免集团"）尚未被搜索引擎索引。
2. 实时行情数据
通过ifind接口获取实时股价、涨跌幅、成交量、换手率等指标。这些数据直接写入报告的"行情数据"章节，避免分析师手动从交易软件抄录。更重要的是，行情数据与后续的估值指标做交叉验证——如果PE_TTM显示14倍但股价异常波动，报告会标注"数据一致性待确认"。
3. 企业新闻舆情
联网搜索获取企业最新新闻，引擎对新闻做情感分析后输出舆情等级（正面/中性/负面）和舆情得分（0-100）。这不是简单的关键词匹配，而是基于上下文的语义判断。当正面信号和风险信号同时出现时，报告会分别列出，而非简单抵消。一条"美的集团海外营收创新高"和一条"美的集团遭反倾销调查"同时出现时，舆情得分不会因为一正一负就打平，而是会标注"增长信号与政策风险并存"。
4. 工商信息检索
通过MCP工具company_business_info获取法人、注册资本、股东结构、高管团队、行业分类等工商登记信息。这些数据来自官方工商数据库，比人工在天眼查上截图更准确，也有结构化优势——股东持股比例可以直接用于关联方分析。美的集团的工商信息返回显示，第一大股东美的控股有限公司持股30.94%，这种结构化数据可以直接输入关联方分析模型。
5. 风险扫描
通过MCP工具company_risk_info扫描被执行信息、行政处罚、欠税记录、经营异常名录。这是尽调中最关键的环节，也是最容易遗漏的——传统尽调中，信贷经理往往只查一两个维度就交差。引擎把四类风险全部扫一遍，任何一项有记录就直接标红。在60+企业的实测中，我们捕获了3家存在行政处罚记录的企业和1家曾有经营异常标记的企业——这些信息如果用人肉搜索，大概率被遗漏。
实战案例：美的集团尽调报告生成
以美的集团为例，展示完整的尽调流程：
输入："美的集团"（仅企业名称，无其他预设信息）
引擎运行过程：
| 步骤 | 动作 | 耗时 | 结果 |
|---|---|---|---|
| Step 1 | 联网搜索股票代码 | ~3s | 000333.SZ |
| Step 2a | ifind获取实时行情 | ~5s | 收盘81.81，涨1.78% |
| Step 2b | 搜索企业新闻 | ~4s | 3条正面，0条风险 |
| Step 3a | MCP获取工商信息 | ~2s | 法人方洪波，注册资本7010万 |
| Step 3b | MCP风险扫描 | ~2s | 风险等级：低，0条执行记录 |
| Step 3c | MCP获取估值指标 | ~2s | PE 14.08，PB 2.68，市值6224亿 |
| Step 4 | 综合评分+报告生成 | ~3s | 综合评分65.0，中等风险 |
总耗时：约20秒（含网络延迟。批量60+企业时，并行处理平均每家不到2分钟）
JSON报告关键字段：
{
"basic_info": {
"company_name": "美的集团",
"stock_code": "000333.SZ",
"legal_person": "方洪波",
"registered_capital": "7010万人民币",
"industry": "电气机械和器材制造业",
"status": "存续"
},
"market_data": {
"close": 81.81,
"pct_change": 1.78,
"turnover_rate": 0.57,
"volume": 38926688
},
"risk_scan": {
"risk_level": "低",
"executed_cases": 0,
"penalties": 0,
"tax_arrears": 0,
"abnormal_operations": 0,
"risk_summary": "企业经营正常，无重大风险信号"
},
"assessment": {
"overall_score": 65.0,
"risk_level": "中等风险",
"recommendation": "建议补充材料"
}
}
注意一个细节：风险扫描显示"低"，但综合评估却是"中等风险"。这是因为舆情得分65拉低了综合评分——市场层面的不确定性被引擎捕获并反映在最终结论中。这种"多源数据交叉验证，取最严结论"的策略，是避免AI幻觉的关键设计。单一数据源说"没问题"不够，必须在多个维度交叉确认后才能给出"低风险"的判断。
60+企业验证：跨行业批量尽调
我们在60+家真实企业上验证了引擎的稳定性。这些企业覆盖四个主要行业：
| 行业 | 企业数量 | 上市/非上市 | 代表企业 |
|---|---|---|---|
| 制造业 | 22 | 18/4 | 美的集团、比亚迪、宁德时代 |
| 金融业 | 15 | 12/3 | 招商银行、中信证券 |
| 消费品 | 14 | 10/4 | 河南双汇(000895)、贵州茅台 |
| 科技/互联网 | 11 | 7/4 | 科大讯飞、用友网络 |
批量运行统计数据：
- 全量完成率：93.3%（56/60家生成完整报告，4家因企业名称歧义需人工确认）
- 平均报告生成耗时：1分48秒/家
- JSON平均体积：5.2KB，Markdown平均体积：3.8KB
- 运行日志：engine_log.txt共155KB，记录了完整的调用链和异常处理过程
最典型的失败模式是企业名称歧义——比如输入"华谊"，可能是华谊兄弟也可能是华谊集团。v5.0的处理方式是列出所有匹配项让用户选择，而非猜测一个结果直接返回。这种"宁可多问一次，不可给错数据"的设计哲学，在金融场景下尤为重要。
从行业维度看，制造业的尽调报告完整度最高（22家中21家返回完整6维数据），因为上市比例高、公开信息丰富。金融业的特殊之处在于银行类企业没有传统意义上的"PE/PB"估值逻辑，引擎会自动识别并调整评估维度。
进化历程：从静态Demo到生产引擎
这个项目不是一步到位的。回顾5个版本的迭代，能清晰看到一条从"能跑"到"可信"的路线：
| 版本 | 日期 | 核心改进 | 局限 |
|---|---|---|---|
| v1.0 | 2026-04-28 | 静态数据，验证报告模板 | 全部硬编码，不可复用 |
| v2.0 | 2026-05-03 | 多数据源整合，告别硬编码 | 每家需手动配置数据源 |
| v3.0 | 2026-05-04 | 批量尽调引擎+API服务 | 数据获取仍需人工介入 |
| v4.0 | 2026-05-10 | ArkClaw集成，Agent自动编排 | 依赖特定API，费用高 |
| v5.0 | 2026-05-15 | 联网搜索+MCP双通道，零API费用 | MCP需特定环境 |
最关键的跃迁发生在v4.0到v5.0之间。v4.0依赖Ark API获取数据，每次调用都有费用，60家企业跑一轮的成本不低。v5.0引入了联网搜索作为主数据通道，MCP工具作为补充——零API费用，且数据来源更透明可审计。对于金融机构而言，"零费用"不只是省钱，更是合规加分项——没有第三方数据采购，就没有供应商风险。
v1.0到v3.0的17天里，团队解决的其实是"数据从哪来"的工程问题。v2.0把硬编码改成配置化，v3.0加了批量处理能力，但都需要人工搬运数据到指定位置。直到v4.0引入Agent自动编排，才真正实现了"输入企业名，输出完整报告"的闭环体验。
多源验证：对抗AI幻觉的工程解法
AI生成内容最大的信任危机是幻觉——模型自信地编造一个不存在的数据，看起来比真实数据还像真的。在尽调场景下，一条虚构的风险记录可能导致数亿贷款的误判。
我们的解法不是"让模型更聪明"，而是用数据流设计来物理层面阻断幻觉：
- 数据与推理分离：报告中的每一个数据点都标注了数据源（ifind/MCP/联网搜索），分析结论仅在数据到齐后生成，禁止模型"先编结论再找证据"
- 交叉验证标红：同一指标从不同数据源获取后做一致性比对，偏差超过阈值直接标红
- 渐进式降级：数据源不可用时跳过对应模块，而非降级到"模型猜测"
-
输出可审计：每份JSON报告附带
data_sources字段，记录每个数据点的来源和获取时间，支持全链路溯源
这套机制在60+企业验证中表现稳定：没有发现一例虚构数据的情况。原因不是模型变乖了，而是数据流设计让幻觉无处发生——你不给它猜测的机会，它就不会猜。155KB的engine_log.txt记录了每一次API调用的入参出参，任何数据点都可以追溯到原始请求，这是传统人工尽调无法实现的审计粒度。
落地启示：从"辅助工具"到"基础设施"
企业尽调引擎跑通60+家企业的实践，验证了一个判断：AI在金融场景的价值不在于"替代人做分析"，而在于把数据采集和标准化做成基础设施。
传统尽调的5天里，4.5天花在数据采集和格式整理上，真正的分析判断只有半天。AI把这4.5天压缩到10分钟，分析师可以把精力释放到真正需要人类判断的环节——行业趋势解读、关联方利益分析、谈判策略制定。
更深远的影响是标准化。60+企业、统一的JSON+MD双格式输出，意味着尽调结果首次具备了可比性。不同分析师做出的报告不再各写各的，而是同一口径下的差异分析——这个价值远超"省几天时间"本身。
从工具到基础设施的跨越，标志不是技术有多复杂，而是能不能被其他系统依赖。当评分引擎可以稳定消费尽调引擎的JSON输出，当风控系统可以把风险扫描结果作为规则触发条件，尽调才真正从"写报告"变成了"造数据"——而这个数据，是整个金融风控链路的起点。
Agent Skills 开源生态
本文涉及的技能和框架已开源，欢迎 Star / Fork / PR：
| 仓库 | 内容 | 协议 | 链接 |
|---|---|---|---|
| financial-ai-skills | 104个金融AI技能，零API费 | MIT | https://github.com/yuzhaopeng-up/financial-ai-skills |
| teleagent-skills | 5个通用Agent技能(评分引擎/证据链/数据聚合/可视化/NL2Query) | Apache 2.0 | https://github.com/yuzhaopeng-up/teleagent-skills |
| agent-cluster-comm | 5层集群通信技能(L1-L5) | Apache 2.0 | https://github.com/yuzhaopeng-up/agent-cluster-comm |
| skill-framework | 208技能分类体系+L0-L4框架+YAML模板 | MIT | https://github.com/yuzhaopeng-up/skill-framework |
| fintech-h5-demos | 12个零依赖金融H5演示 | MIT | https://github.com/yuzhaopeng-up/fintech-h5-demos |
AI生成
Top comments (0)