场景金融的"Manus"时刻

随着2025年大模型能力的快速提升，我们是否能在每个细分金融场景中，迅速搭建一个类似Manus这样的智能助理，以更低的成本、更快的速度支持业务落地？我们不妨一步一步来拆解这个问题，深入探讨这种创新模式的可行性。

在传统金融的视野中，个人或企业的信用历史和声誉占据了核心位置，相较之下，具体的交易细节往往被边缘化。这不是没有原因的。在这个框架下，信用被视作对一个人或企业的历史交易和行为的静态总结。例如，按时偿还贷款的个体在未来很可能会保持这种信赖的行为；同理，守信用的企业也会延续其正直的商业准则。

当人们走进银行申请贷款，银行通常首先会查看申请者的信用评分，来决策是否发放贷款及其额度。信用评分来源于个体过去的还款历史、开户数量和逾期情况等静态数据。在满足某些标准后，申请者就能获得贷款。而这种决策模式，很大程度上是基于对历史数据的高度概括和统计分析。相对来说，由于隐私和验证的问题，交易的细节数据并不经常被作为主要的参考。

当然，信用评估并不仅仅是看评分。其他因素，如年龄、家庭结构、抵押资产和担保方、从业行业属性等也被纳入考量。但真正关键的是理解每笔交易背后的逻辑和现实可行性，这确保了个体和企业能够保持持续的正向现金流。

这种在金融决策中对信用的重视和对交易细节的相对轻视，背后其实有其复杂的考量。简洁的信用评估流程使决策变得直观，而深入交易则需要收集更多的数据，花费更多时间，依赖更多的专业洞察和技术支持。合规和隐私也是一个棘手问题，深挖交易细节可能引发的法律和伦理争议，也使得不少金融机构选择了更为保守的策略。

2. 场景金融：对事不对人

与“对人不对事”的传统金融模式不同，场景金融更加关注交易的实际内容和细节，而不是单纯基于交易双方的信用。在传统金融的逻辑中，很多时候，个体或企业往往要在先获得成功，积攒了一定的财富和信用后，才能更容易地获得金融资源的支持。这种情境中，常常出现一个“先有鸡还是先有蛋”的困境：没有金融资源的支撑，如何获得首次的成功？因此，传统金融更像是对成功者的锦上添花；但对于大多数个体和小型企业，他们更期待的是像春风化雨那样的滋润。

相比于传统金融主要依赖静态的信用数据，场景金融则更深入地挖掘丰富的交易过程数据进行风险评估，这其中包括大量的非结构化交易数据，例如合同、发票和转账单等。这就意味着，在场景金融领域，拥有强大的科技支持和数据处理能力显得尤为关键。

举例来说，一个公司的产品非常热销，如果它希望获取短期融资以支付货款并扩大生产规模，金融机构可能会要求提供客户的订单，与供应商的合同、近期订单记录、物流信息，甚至产品质量报告等。这些金融机构可能采用先进的AI技术来高效处理交易细节中的数据，其中也包括大量的非结构化数据，进而基于这些数据来评估风险并决定是否发放贷款。

在这种场景下，如ChatGPT、DeepSeek这样的大模型可以帮助金融机构深入理解交易的细节，以及每一笔交易背后的决策和执行过程。

GPT 大模型诞生前，机器处理非结构化数据（如图片、文字、视频）困难重重，需借助专业工具转化为结构化数据，效率低且成本高。比尔・盖兹盛赞 GPT 大模型是自现代图形桌面环境（GUI）以来最具变革性的技术突破。GUI 虽优化了人机交互，但软件定制图形界面成本不菲。过去针对场景金融，每一个场景要建设一个系统；一千个场景，就要建设一千个系统。为了考虑系统的整合，还得对这些不同的场景进行抽象、解耦，极大地增加了产品经理和架构师的工作量。

而今天，GPT 模型让 AI 能理解非结构化数据，实现人机对话、图片自动打标签、图片和文件自动分类、代码自动生成、网页自动生成、网页流程自动化执行和各种工具/API的调用，大幅降低人机交互成本。

例如在一个建筑工地的场景金融中，AI 大模型可直接解读工地、仓储监控视频、施工现场人员聊天对话等原始非结构化数据，再结合传统的业务系统中的数据，精准判断业务的真实性以及进度，能降低运营成本，精准适配金融资源与业务。AI大模型通过挖掘非结构化数据商业价值，实现信息流、资金流与物流融合，让跨领域协同更高效。

场景金融的“Manus”包括下面主要四个组件：

1. Chat：智能化交互窗口

2. WorkSpace，File Folder：文件目录

3. WorkSpace, Code Folder：代码仓库

4. Browser：浏览器执行或者调用可信云桌面

   
   

下面对每个组件进行功能上的拆解：

1. Chat：智能化交互窗口

   
   

通过对话了解客户的背景和意图，回答客户的各种问题，推荐合适的场景金融业务，引导客户完成相关的业务流程。

按照客户的意图，全自动或者分步骤执行业务流程，并实时提供执行过程中的信息反馈。

支持在单一聊天窗口中引入客户、平台方及金融机构多方参与，通过实时互动快速达成业务共识，形成清晰、可执行的标准操作流程（SOP）。自动拆解SOP中的关键步骤，明确每一步所需的文件和凭证，标记审批节点，并自动记录与归档全过程。

集成Zoom、腾讯会议等多方会议工具，无缝扩展实时沟通与协作能力。

聊天窗口可智能识别并自动分类用户上传的各类文件、压缩包及文件夹，自动存储至Workspace对应目录。例如KYC环节中，客户身份证、营业执照等文件被自动归类到KYC专用目录，并自动解析成可直接阅读的Markdown文本，提高业务处理效率。

通过聊天的方式来自动生成文件，代码和其他内容。

2. WorkSpace，File Folder：文件目录

将Chat模块中的聊天过程、视频会议等记录为文件。

将Chat模块中达成共识的SOP保持为AI工作流文件，用于大模型来做详细落地的规划。

将SOP拆解为AI大模型可以理解可以执行的分步骤的文件，自动生成相应AI工作流需要的文件目录，例如Demo视频中的 Step01_KYC.md等文件和文件夹。

其他各种结构化数据和非结构化数据的存储、浏览和编辑。

3. WorkSpace，Code Folder：代码目录

可在此查看场景金融“Manus”的代码，实现系统透明化管理。

普通用户可通过自然语言对话或AI自主规划方式快速生成非核心功能代码。例如，在场景金融的SOP执行过程中，AI可自动生成特定业务场景所需的页面，如客户身份验证页面，自动从0-1生成对应代码与网页，并通过Browser模块直接浏览和执行，显著提升业务开发效率。

支持开发人员、架构师等专业用户通过单独对话或团队群聊模式，智能化地优化、更新核心代码。核心代码的修改需经过严格的标准审核流程，确保系统安全性和稳定性。

调用经过认证的第三方API、MPC插件，完成系统缺失的功能。

4. 浏览器执行或者调用可信云桌面

通过浏览器便捷查看和编辑Workspace中的文件、代码及相关内容，充当一个简易的文件编辑器和代码编辑器的功能。

系统支持自动执行AI规划的步骤，智能打开目标网页并自动填写所需信息（如用户身份、账户密码、居住地址等），显著提高操作效率。以场景金融为例，可自动访问工商信息平台、中登网等数据网站，对客户提供信息进行高效核验。

针对不支持嵌套展示的网页，系统可远程启动相应页面，并将实时运行画面反馈至浏览器内，直观引导客户完成每个步骤。

并非所有操作都能在浏览器中顺利完成。例如，视频编辑通常依赖桌面端软件，许多专业工具的复杂交互也只能在桌面环境下实现。处理大型或复杂文件时，也往往需要依托桌面软件进行高效操作。此外，一些工具的下载、编译和重新组合往往需要一个完整的操作系统支撑。因此，在场景金融中，构建一个可信的云桌面环境显得尤为重要。这不仅能够确保复杂任务的顺利执行，还能在保障数据安全的同时，实现更灵活、高效的业务操作。

对于安全等级极高的交互环节，如客户私有ERP、电商订单系统及其他机构的授信材料，可嵌套接入可信云桌面环境，确保敏感信息的安全和隐私保护，信息不会泄露。可信云桌面环境对可以访问的系统进行白名单控制，并且对网络流量和其他信息交互进行审计。

在可信云桌面中进一步集成多方可信任的AI大模型，例如满血版671B参数的DeepSeek等，大模型可实时识别云桌面内的操作和信息，自动生成详细业务报告，例如从客户ERP系统中读取的经营情况，并经脱敏处理后同步至Workspace指定目录，实现全流程的高效与安全。

5. 全新的交互方式：从人工现场尽调到智能化远程评估

过去，金融机构开展信贷审批通常需要客户经理实地走访，通过面对面访谈、现场勘察、拍照取证，并进入客户的ERP系统或订单系统查看运营数据，最终形成一份人工撰写的信审报告。这种方式不仅消耗大量的人力与时间成本，也容易出现信息遗漏或误判，影响信审质量。

在多方交互场景中，由于软件易于修改和快速迭代，大部分软件往往无法做到完全开源，这使得各方在使用时难以完全信任某一方提供的软件工具。然而，AI大模型则不同。例如，一个671B参数的开源大模型，可以通过文件校验轻松确认其原始性；且由于微调难度极高，篡改后的模型很难伪装成原版。更重要的是，大模型的输出结果依赖于其训练数据和逻辑推演，而非受限于交易中某一方的干预或影响。这意味着，在复杂的金融交易中，大模型能够作为一个中立可靠的“第三方中间人”，保持客观、公正，不偏向任何交易方，有助于建立信任基础。

而现在，场景金融可以远程调用一个类似“智能无人机”的AI助手，快速深入到客户现场。这个AI助手能自主与客户各部门团队进行智能对话与协作，制定与客户场景相匹配的AI工作流程SOP，自动采集包括生产车间运行视频、实时库存状况、订单数据、经营指标等多维信息，全程无需人工干预。内置的AI大模型可实时理解、处理并精准分析这些非结构化数据，自动生成一份结构清晰、全面准确的智能化信审报告。同时，该报告自动完成敏感经营数据的脱敏，确保信息传输、存储和使用均符合严格的数据安全与隐私合规要求。

文章中展示的Demo系统中Browser区域展示的四个网页，都是通过跟AI经过十几轮对话完成的，完全没有人工修改代码，包括网页中的内容自动填充功能。这些网页的内容与交互逻辑均可根据SOP中预先定义的输入输出要求及整体页面风格自动完成。今天的AI不仅能够快速生成所需页面，更擅长设计清晰、直观的交互逻辑，并提供系统架构层面的专业建议，例如如何巧妙地利用各类现有的开源工具与成熟框架，快速搭建高质量的完整系统。

设想一下，若场景金融数字化成本能大幅降低，未来是否能让 AI 大模型为每一笔融资量身定制数字化场景？如此一来，我们或许无需再构建复杂系统以覆盖多样场景，也无需再为复杂的抽象和解耦问题而烦恼。如此，团队便能将更多时间投入客户沟通和业务拓展，而宝贵的 IT 资源也可聚焦于那些拓展后有规模放大潜力的业务系统优化，实现资源的高效配置与价值最大化 。

过去的2023-2024年，我们目睹了AI大模型在单点任务上的飞速进步：它们能与客户自然交流、生成精美图片，甚至创作视频内容。然而，在现实世界的商业环境中，业务场景并非孤立单一，而是复杂、多环节的组合。传统的单点AI能力，难以理解和驾驭这种复杂性，导致AI技术往往停留于少数专业人士的小圈子中，难以真正落地到广大企业用户的实际业务之中。

而到了2025年，随着Claude、DeepSeek、GPT-4.5等AI大模型的不断进步，大模型对复杂的数字世界和物理世界的理解越来越深刻，以Manus为代表的新一代智能体开始崭露头角。这些AI智能体打破了以往的局限，不再局限于解决单个任务，而是通过巧妙的工程化与多智能体协作，用MCP协议调度各种现有的工具和API，实现业务执行的 “最后一公里”，达成对复杂业务场景的深度理解与端到端的自主运作。

有人或许认为Manus只是简单地整合了已有的工具和技术，但正如智能手机当年将电话、音乐、相机等功能无缝融合一样，Manus这样的智能体的真正革命性之处，恰恰在于将各个孤立的AI能力巧妙地组合成一个整体，带来了前所未有的用户体验与商业效率。

今天，人们依然习惯于用微信进行日常沟通交流，但在严肃场景下，仍然不得不回归到传统的软件系统完成任务。然而，我们有理由大胆设想，在很短的时间里，这一切将发生根本性的转变：未来的交互中，当人们在腾讯会议上开会或者群聊时，AI已能实时捕捉会议讨论的每一个细节，自动形成完整的业务共识，智能生成对应的标准操作流程（SOP）。会议尚未结束时，AI就已经在后台自动生成了所需的网页界面、代码和交互流程，会议讨论结束后，大家就可以立即开展实际业务。

这一幕或许听起来像科幻，但正是AI技术快速演进所带来的新现实。AI的真正价值，不仅在于优化现有的任务流程，更在于彻底重新定义人类与数字世界的交互方式，推动人类社会进入更高效、更协同、更具创造力的新时代。