DBS智能体AI：企业自动化意味着什么

太长不看: DBS正在向35万企业客户部署智能体AI——能够规划并执行多步骤任务的AI系统，同时让1000万零售客户继续使用生成式AI虚拟助手。该银行明确表示暂不放开AI智能体的自主行动，理由是治理机制尚不完善。对于构建类似系统的开发者而言，开放模型API提供了一种经济高效的方式来原型化智能体工作流，而无需锁定在专有平台上。

什么是智能体AI，DBS为何部署它？

智能体AI指的是不仅能生成文本，还能推理、规划并执行一系列行动以实现目标的系统——比如获取数据、做出决策、触发后续流程。与回答单个问题的聊天机器人不同，智能体可以将“核对这些发票”这样的任务分解为子步骤，调用工具，并验证结果。

DBS向35万企业客户推出智能体AI，标志着银行业最大规模的企业级智能体AI部署之一。此举瞄准高价值、重复性的工作流——现金管理、合规检查、贸易融资——在这些领域，自动化可以节省数小时的人工操作。对于零售客户，DBS保持更简单的方案：生成式AI助手回答问题但不独立行动。

这一区别很重要。企业客户拥有专门的支持团队和复杂的工作流，使其成为更安全的早期采用者。零售客户获得对话式帮助，但没有自主行动，这反映了该银行对在没有严格管控下让AI智能体运行的明确谨慎态度。

DBS为何在自主AI智能体上有所保留？

DBS公开表示，控制能力落后于技术能力——也就是说技术可行，但治理、审计追踪和风险管理尚未跟上。这是智能体AI的核心矛盾：授予的自主权越多，预测、监控和纠正行为就越困难。

三个具体担忧推动了这种谨慎：

• 行动中的幻觉风险： 错误的API调用或错误的数据解读可能引发真实的财务后果，不像错误的聊天机器人回答可以被人类忽略。
• 审计与合规： 监管机构要求可解释的决策。一个串联10个推理步骤的智能体需要每一步都被记录和可审查。
• 责任边界： 如果智能体进行了未经授权的交易或支付，谁负责——银行、客户还是模型提供商？

DBS的做法——向企业客户部署智能体AI同时保持人工监督——反映了一种务实的中间路线。智能体协助、提议和起草，但人类批准最终行动。这种“人在回路”模式目前是高风险自动化的行业标准。

开发者如何利用开放模型API构建智能体工作流？

你不需要银行的预算就能原型化智能体AI。像TokShop上的开放模型API让你以按量付费的价格构建概念验证，使用你已经熟悉的OpenAI兼容SDK。

以下是一个使用openai库的Python最小智能体循环：

from openai import OpenAI

client = OpenAI(base_url="https://tokshop.xyz/v1", api_key="sk-tok-...")

def run_agent(task, max_steps=5):
    messages = [{"role": "system", "content": "你是一个任务智能体。分解任务，建议行动，并报告结果。"}]
    messages.append({"role": "user", "content": task})
    
    for step in range(max_steps):
        resp = client.chat.completions.create(
            model="deepseek-v3.2",
            messages=messages,
            temperature=0.3
        )
        reply = resp.choices[0].message.content
        print(f"步骤 {step+1}: {reply}")
        
        # 在真实智能体中，你会解析此内容、执行工具调用并追加结果
        if "[DONE]" in reply:
            return reply
        messages.append({"role": "assistant", "content": reply})
        messages.append({"role": "user", "content": "继续或回复[DONE]。"})
    
    return "达到最大步骤数"

run_agent("检查Q3营收是否比Q2超出10%。如果是，起草一封摘要邮件。")

对于生产级智能体系统，你需要添加：

• 工具调用 通过API请求中的函数定义
• 状态持久化 跨步骤（数据库、消息历史）
• 护栏 如输出验证和人工审批检查点

开放模型的关键优势是成本。按TokShop的价格，DeepSeek V3.2每百万输入token $0.42，每百万输出token $0.63。一个10步的智能体对话可能消耗5,000个输入token和2,000个输出token——大约$0.003。这足够便宜，可以激进地迭代。

开放与专有智能体模型之间的权衡是什么？

DBS内部混合使用专有和开放模型，但对开发者而言，选择关系到成本、控制和合规。

因素	开放模型（如DeepSeek、GLM、Kimi）	专有模型（如GPT-4、Claude）
每百万token成本（输入/输出）	$0.42–$2.25 / $0.63–$11.25	$2.50–$15 / $10–$75
数据控制	自托管或API，日志清晰	供应商托管，数据政策各异
定制化	可微调	仅限于提示工程
生态系统	OpenAI兼容工具可用	原生SDK，但锁定

对于智能体AI，关键因素是token消耗。智能体在每一步推理、工具调用和错误恢复中都会消耗token。一个复杂的任务可能使用50,000+ token。按专有价格，那是每个任务$1–$5。使用开放模型，通常低于$0.50。

然而，专有模型在复杂多步任务上有时表现出更强的推理能力。诚实的权衡是：开放模型更便宜、更可控；专有模型可能降低难题的错误率。对于大多数智能体原型，开放模型已经足够——而且你随时可以为特定子任务升级到更强的模型。

如何为智能体任务选择合适的模型？

模型选择取决于任务的上下文窗口、推理复杂度和成本敏感性。TokShop提供多种具有不同优势的开放模型：

模型	上下文（token）	输入 $/1M	输出 $/1M	最适合
DeepSeek V3.2	128,000	$0.42	$0.63	成本敏感、高量任务
GLM 4.6	200,000	$0.90	$3.30	长文档、多步推理
Kimi K2	131,072	$0.855	$3.45	性能与成本平衡
Qwen3 Coder	262,144	$2.25	$11.25	代码密集型智能体工作流

对于智能体AI，上下文长度比原始基准分数更重要。智能体会累积对话历史、工具输出和中间推理。128K上下文模型可以处理大多数任务，但如果你处理大型代码库或长金融文档，200K–262K选项可防止截断错误。

一个实用策略：使用DeepSeek V3.2处理高量、低复杂度的步骤（数据提取、格式化），在推理密集型部分切换到GLM 4.6或Qwen3 Coder。这种“模型路由”在保持质量的同时降低成本。

常见问题

银行中的“智能体AI”到底是什么意思？

银行中的智能体AI指的是能够独立规划和执行多步骤任务的AI系统——比如核对账户、起草合规报告或分析贸易文件——而不仅仅是回答问题。DBS正在向企业客户部署这一技术，同时让零售客户继续使用更简单的生成式AI助手。

DBS如何控制自主AI智能体的风险？

DBS在高风险决策中保持人在回路，意味着智能体提出行动建议但不经批准不执行。该银行还指出，在授予完全自主权之前，需要更好的审计追踪、可解释性和风险控制。

没有大预算也能构建智能体AI吗？

可以。像TokShop上的开放模型API让你以每个任务几分钱的成本原型化智能体工作流。使用DeepSeek V3.2的10步智能体对话大约花费$0.003，使实验变得负担得起。查看定价页面获取当前费率，以及文档获取设置指南。