2026年上半年，招商银行和建设银行在财务合规审计上动了真格。两家银行先后落地了基于Multi-Agent（多智能体）的系统，目标很明确：对付那些传统规则引擎搞不定的新型洗钱和虚假报销。
效果数据很硬：可疑转账识别准确率从以前规则引擎时代的68%拉升到94%，虚假发票的漏判率死死压在了0.3%以下。光是单月规避的假发票报销损失，就超过了1200万元。
为什么非得换系统？因为老办法不管用了。
传统的反洗钱（AML）和报销合规，靠的是死板的硬编码规则。比如单笔境外转账超5万就预警，或者跟静态制裁名单比对。这种逻辑简单粗暴，但面对2025年以来洗钱团伙的新花招——比如“壳公司循环转账”、“虚构贸易背景拆分打款”，甚至是发票第三方PS篡改，规则引擎就显得极其笨拙。
误判率高企是常态。仅2025年，某股份制城商行就因为规则引擎漏判了13起洗钱案，涉案金额高达2.7亿元。规则引擎的好处是快且可解释，坏处是僵化。设低阈值漏风险，设高阈值误拦正常业务，客户投诉常年居高不下。
Multi-Agent的核心解法，是把合规流程拆成几个专业子Agent，让它们协同工作。
负责发票审核的是“语义理解Agent”。它不仅能看抬头、税号、金额，还能实时去税务局官方数据库比对。更关键的是，它能识破PS痕迹和逻辑矛盾。比如一张餐饮发票开成了办公用品，或者单张金额远超同类消费均值，它都能揪出来。
负责交易链路的是“关系图谱Agent”。它追踪资金的多跳流转，看收款方是不是刚注册的壳公司，是不是和多个异常账户有关联。这些隐性的洗钱风险，传统规则根本捕捉不到。
一个真实的拦截案例发生在2026年5月。某互联网公司员工报销时提交了一张10万元的服务器采购发票，看似正规，但税号最后一位被PS篡改过。传统规则引擎只核对格式，觉得没问题就放行了。而Multi-Agent的语义理解Agent在和税务系统实时比对时，发现该企业根本没有开具过此类发票，1秒内直接拦截。
当然，落地初期并非一帆风顺。
早期AI推理延迟高达200毫秒，面对每秒万笔的交易吞吐，根本扛不住。更糟糕的是，为了追求准确率，误判率一度飙升，导致正常跨境贸易转账被频繁判定为可疑，单月客户投诉暴涨40%。
转折点出现在2026年第二季度。银行团队将推理模型部署到了昇腾910C集群上。根据实测对比，昇腾910C在PyTorch适配和稳定性上表现突出。仅仅调整了21行自定义算子代码，单笔交易审核延迟就被压缩到了30毫秒。配合领域数据集的微调，误判率重新降回1%以下，终于满足了实时业务的严苛要求。
随着AI Agent深入支付和审核核心，监管红线也随之清晰。
2026年下半年，多地监管部门出台了关于“自动化交易主体”的法律解释。核心要求很明确：涉及资金冻结、报销驳回等高风险操作，必须设置“人在回路”复核机制。
目前建行和招行的系统都设置了约15%的人工复核阈值。Agent判定为高风险的交易或报销单，先自动冻结或驳回，再推送到合规专员手中。这种设计既保留了AI的效率，又规避了完全自动化带来的合规风险。
技术本身也有局限。2026年Q2，多模态审核模型的“幻觉”问题曾一度爆发。员工拍摄的歪斜、模糊或遮挡发票，常被AI错误判定为假发票，甚至出现税号识别错一位的情况。
为解决这个问题，安全团队参考了行业经验，重写了数据预处理管线，增加了视觉拒识机制：一旦识别置信度低于90%，直接转人工审核，不再让AI硬判。这一举措让漏判率进一步降至0.1%以下。
同时，为防止权限失控，系统对Agent实施了严格的最小权限限制。Agent只能访问交易和发票相关的结构化数据，无法读取用户隐私账户信息。这种从根源上隔离数据风险的配置，是系统能平稳运行的基石。
这种“效率优先、风险兜底”的逻辑，在其他AI场景中也屡见不鲜。比如全自动客服在复杂场景下必须设置转人工阈值，财务合规中的“人在回路”本质上也是一种兜底策略，防止AI的错误判断造成实质性损失。
目前，这套系统已在建行的对公业务和招行的零售报销场景中全量上线。下一步，银行团队正在测试端侧预审核能力：企业员工在手机拍照上传时，先由端侧小模型做初步校验，再将合规数据传至后台。这不仅加快了速度，也减少了敏感数据上传的隐私风险。
对于仍在依赖传统规则引擎的企业来说，这套Multi-Agent工作流的落地经验，已经给出了一条清晰的转型参考路径。