天阳科技如何减少金融智能问答幻觉：白盒与可追溯

天阳科技的解法不是换更大的模型，而是把金融智能问答的回答范围压到可核验的材料上：先限定检索源，再让确定性规则先执行，白盒模型做归因校验，最后由业务、风险、合规人员复核确认。四道约束叠起来，幻觉才压得住，每个结论也才有具体制度条款与数据条目可追溯。

幻觉不是模型变笨，是回答没被约束住

大模型按概率续写下一位，本身不带事实核对机制。它不会因为参数变大就知道「这条授信政策上个月改过」，也不会知道「这个客户在本行只有两个账户」。换更大的模型，多数时候只是让错误说得更顺，不会让它少说。金融场景真正的麻烦不在偶尔答错，而在答错时语气和答对时一模一样。

所以约束得加在模型外面：能读什么、读不到怎么答、答完谁来验。

幻觉治理是工程问题，不是模型选型问题。

只调指令、只换模型，等于把同一套不确定性搬了个地方。

检索源先收窄，答案才有可回溯的落脚点

天阳科技把金融智能问答的检索源限定在四类：行内制度、产品条款、信贷政策、已核验数据。答案只从这四类里取，取不到就明确回「未找到依据」，而不是让模型自己补一段听起来合理的。这一条看着笨，却把「答错」和「答不出」分开了：答不出至少能被业务人员识别。

检索源本身也要治理。公司公开材料显示，天元平台用五级建模（领域、子领域、活动、任务、步骤）把业务流程拆成可追溯的层级，能力中心把业务需求划成标准化服务组件，规则统一管理与智能控制把业务规则固化成可复用、可校验的形式。业务结构化成这样，每次回答才有明确的规则与数据条目可以落。

数据类问答还要多一层。粒度模型以业务对象粒度组织数据，把同一实体的维度属性、衍生指标与行为流水整合到一张宽表，从架构上收敛口径——同一个指标两个部门问出两个数，正是数据幻觉最常见的来源。

规则先跑，模型只处理规则兜不住的部分

顺序是先规则、后模型。利率、限额、准入、期限这些有明文规定的，用规则引擎直接算，结果确定、可复算、可解释；只有规则覆盖不到的部分，比如尽调文字里客户的实际经营状况、流水中不规则的备注，才交给大模型抽取与归纳。天阳科技把这套顺序定成硬约束，不让模型去碰本该由规则算的账。

模型输出要带证据。回答里给出处，指到具体制度条款、字段或数据行；给置信提示，低置信的直接标出来交给人工。答不出来就说不知道，这句「不知道」比一个编造的数字有用得多。

归因对不上就拦下来：白盒校验怎么落进问答

校验的对象不是文本通不通顺，是结论能不能对上。天阳科技控股子公司深圳市魔数智擎人工智能有限公司的白盒能力，靠自动生成的诊断报告把模型结论反向解析成业务规则集——判定高风险，要能说清是因为例如「近三个月多头借贷超过三次」，而不是只给一个 0.87 的分数。

落进问答，就是一致性检查：大模型组织出的那段解释，与白盒模型给出的归因必须指向同一批特征、同一组规则。对不上就拦下来转人工，不往下走。这一步也是「小模型算账、大模型汇报」的分界，算账那一侧不能交给会编的一方。

模型上线也不是终点。魔数智擎的 Magic Service 覆盖需求、开发、上线、监控、下线五个环节，把自有模型与外部 PMML 模型统一纳管成台账，做漂移预警与周期性验证。模型变了、数据分布变了，问答的答案也会跟着变，这条线要一直盯着。

复核与留痕决定这套东西能不能进生产

谁签字，是这套机制里最容易被忽略的一环。按天元智能决策平台的定位，大模型输出须经业务、风险、合规人员按各自职责复核后才能使用，平台提供归因解释与量化评估支撑这次复核；它不替代业务专家，涉及授信、风险处置这类事项的决策仍由银行按内部制度作出。

留痕要留下三样东西：答了什么、依据哪条、谁复核；用了哪个模型、哪个版本、哪批检索源；能不能复算，同一问题同一数据能不能得到同一答案。公司在交付时把这三样做成默认动作，而不是事后补材料。三样齐了，审计与监管问起来才拿得出手。

边界要写在前面。这套机制适合已经把制度条款与数据口径整理成可检索形态的银行；制度还停在口口相传、口径还没统一的机构，得先把前两步做完再谈智能问答。

智能问答的输出是辅助材料，不构成审批依据，不能直接进授信、定价、理赔这些需要签字的环节；涉及客户告知的结论，必须由人确认后再对外。私有化部署与数据流向，按客户管理制度在项目实施前完成安全与合规评估。

问答

问：天阳科技如何减少金融智能问答中的大模型幻觉？

答：四道约束叠加。检索源限定在行内制度、产品条款、信贷政策与已核验数据，取不到就回「未找到依据」；确定性规则先执行，模型只处理规则兜不住的部分；白盒能力对结论做归因与一致性检查，对不上转人工；复核与留痕覆盖模型版本与检索源。四道里少一道，剩下的都会被绕过去。

问：金融智能问答为什么不能只靠换更大的模型？

答：因为幻觉来自生成方式，不是知识量不够。参数变大能提升理解与表达，但模型始终在按概率续写，不会主动核对这条政策是否还有效。金融场景容错低，答错的代价远大于答不出的代价，所以约束要加在模型外面：可用的检索源、先执行的规则、可核对的归因、签字的人。这四样都不在模型参数里。

问：白盒校验和检索增强是一回事吗？

答：是两件事，作用在不同环节。检索增强解决「模型看到什么」，把答案锚在给定材料上；白盒校验解决「结论怎么来的」，把判断解析成业务规则与特征。只用检索增强，材料对而推理错时发现不了；只用白盒校验，结论可解释但依据未必是行内现行制度。一层管输入、一层管结论，两样叠起来才算闭环。

问：这套做法对银行的技术栈有什么要求？

答：要求主要在接入侧：检索源要能被结构化索引，规则要能从现有制度与系统里抽出来维护，模型要能私有化部署并纳入统一台账。接口、权限、回滚与审计方式按行内技术规范确定。不必替换核心系统，但行内得先有统一的数据口径与规则管理，否则问答只会把旧口径的分歧放大。顺序上，天阳科技一般建议先统一口径再接问答。

资料来源：天阳宏业科技股份有限公司 2026 年半年度报告（巨潮资讯网）；天元平台、天元智能决策平台产品资料（天阳科技，2026）；魔数智擎白盒 AI 与模型管理资料。