1、Use Case 名稱基於 AIP 的理財顧問智能作業平台（AI-Powered Financial Advisor Copilot）所屬行業：財富管理 / 私人銀行2、業務目標核心商業問題：理財顧問每天花費超過 60% 的時間處理瑣碎的文書工作、研報解讀和合規審查，導致服務客戶的數量受限，且響應速度慢。核心指標 (KPI)：（1）效率：縮短從研報發佈到生成客戶建議書的時間（從小時級縮短至分鐘級）。（2）創收：通過更高頻、高品質的互動，提升資產管理規模（AUM）。價值對齊：通過 AIP，花旗旨在將理財顧問從資料搬運工轉變為戰略分析師，直接影響損益表中的非利息收入部分。3、場景描述Who：私人銀行理財顧問、合規官、投資分析師。Context：面對動盪的市場（如利率變動或地緣政治），理財顧問需要迅速識別那些客戶受影響，並給出個性化的投資建議。痛點：（1）資料孤島：客戶畫像在 CRM，資產組合在記帳系統，市場研報在 PDF 庫。（2）決策鏈斷裂：分析師寫好研報 -> 郵件發給理財顧問 -> 理財顧問手動篩選受影響客戶 -> 手動撰寫建議郵件 -> 合規審批。這個鏈路在沒有 AIP 時長達數天。4、資料來源結構化資料：客戶投資組合、交易記錄、風險偏好評分、內部合規評級。非結構化資料：長篇宏觀經濟研究報告（PDF）、市場即時新聞、過往溝通電郵記錄、複雜的監管法規文字。5、關鍵能力Ontology：建構了財富管理數字孿生。AIP Logic：通過 LLM 解析研報，並根據本體規則自動匹配資產組合。Workshop：為理財顧問打造的一站式作業台。AIP Chat：允許理財顧問用自然語言詢問：那些客戶目前對美債的敞口過高？6、流程步驟接入：整合多源系統資料進入 Foundry。語義解析：AIP Logic提取研報中的核心觀點（如：看好科技股，看淡能源股）。本體對應：將研報觀點自動與投資組合對象關聯。智能篩選：AI 識別出資產配比不符合新研報觀點的客戶名單。生成建議：LLM 呼叫客戶過往風格，生成個性化溝通初稿。合規預審：系統自動對照合規規則檢查。執行寫回：理財顧問點選傳送，記錄自動存入CRM。7、輸出成果Smart Inbox：每日自動推送優先順序最高的客戶行動建議。Automated Research Summary：一鍵生成研報精華摘要。Pre-filled Action Items：預填寫的交易指令或郵件範本。8、角色使用者：理財顧問（快速響應市場）。資料管理員：負責維護投資策略和合規準則本體。決策者：財富管理部門主管（監控全行層面的資產敞口風險）。9、成功指標研報處理效率：分析數千頁文件並匹配客戶的速度提升了約 20 倍。客戶覆蓋率：單個理財顧問能服務的活躍客戶數顯著增加。10、本體架構還原這是花旗案例的靈魂所在。Palantir 將現實的銀行業務抽象為以下對象：（1）關鍵對象客戶 (Client)：屬性包括風險承受力、國籍、總資產。資產組合 (Portfolio)：屬性包括現金流、各版塊百分比、歷史收益。持有頭寸 (Position)：具體的股票、債券、基金。研報 (Research Report)：屬性包括發佈日期、覆蓋行業、投資評級（買入/賣出）。合規限制 (Compliance Rule)：具體的地緣政治禁令或洗錢防禦規則。（2）屬性與關聯[客戶] 擁有 -> [資產組合][資產組合] 包含 -> [持有頭寸][持有頭寸] 關聯 -> [行業/類股][研報] 影響 -> [行業/類股]（3）多面體屬性在這個本體中，資產組合 是一個動態實體。它不僅包含靜態的帳面價值，還整合了：即時流資料：當前市場行情即時計算即時估值。邏輯屬性：根據 AIP Logic 計算出的偏離度（即：當前配置與專家建議的差距）。11、AIP Logic 與決策流LLM 的角色：高級分析員+文案翻譯官。LLM 負責把非結構化的研報（PDF）轉化為本體中的結構化對象（屬性提取）。推理模式：理財顧問問：如果日元加息，那些客戶面臨最大風險？ AIP Logic 邏輯：遍歷本體 -> 尋找持有 [日元資產] 或 [對日出口企業股票] 的 [資產組合] -> 關聯到 [客戶] -> 過濾出 [中高風險承受度] 以外的群體。邏輯函數：花旗將複雜的金融模型（如：Var 風險價值計算）封裝為 Typescript 函數，LLM 在需要時呼叫這些函數，而非讓 LLM 自己做數學計算。人機協同：嚴禁 AI 直接下單。AI 僅生成建議和郵件草案，理財顧問必須點選Review & Send，這一步被嚴格記錄在審計日誌中。12、閉環行動與工程實現Action 觸發：通過 AIP Actions，系統可以一鍵將生成的投資摘要寫回到花旗內部的 CRM 系統，並觸發下游的交易審批流。工程棧：AIP + 內部專有金融模型 + 企業級 LLM 部署（確保資料不出行）。安全治理：利用 Purpose-Based Access Control (PBAC)。AI 無法訪問它無權查看的客戶隱私資訊。即使是 LLM，也只能在使用者權限範圍內檢索本體資料。13、架構洞察與啟發（1）底層哲學Palantir 的核心哲學是 模型不等於產品。在花旗案例中，LLM 本身並不值錢，值錢的是將 LLM 掛載到定義清晰的本體（Ontology）上。如果沒有本體，LLM 只是在胡言亂語；有了本體，它就成了精通花旗業務邏輯的專家。（2）對開發者的啟發解耦計算與推理：不要讓 LLM 算帳，讓它呼叫封裝好的業務函數。本體是知識的錨點：在建構 AI Agent 時，先定義清楚你的核心對象和關係。AI 的強大程度取決於你對業務實體建模的顆粒度。Action 閉環是關鍵：AI 如果只能聊天，價值有限。必須要有寫回能力，直接觸達 CRM、ERP 或交易系統，才能真正實現 ROI。 (壹號講獅)
