AI+金融进入"智能体时代"：MCP开放之争背后，银行的Agent路线图怎么画？
东吴证券最新报告《【AI金融新纪元】系列（五）》给出了一个清晰判断：AI+金融已从”大模型时代”进入”智能体时代”，竞争重点由模型能力转向专业数据、工具调用、场景渗透与持续使用。
这份报告对银行科技管理者而言，几乎是一张现成的 Agent 落地路线图。
范式跃迁：从”对话工具”到”自主执行”
大模型解决信息理解、内容生成和逻辑推理，但工作停留在信息处理层面，需要用户持续发指令、人工做后续操作。Agent 在此基础上增加工具调用、任务规划和记忆能力，可以自动拆解任务、调用数据库或软件工具、检查执行结果、根据反馈调整步骤，最终输出分析报告或业务成果。
金融 Agent 的核心价值在于形成任务执行闭环：投研场景中，Agent 按”确定研究目标→获取数据→完成计算→比较分析→生成报告”连续工作。
支撑这个闭环的技术底座是 MCP 和 Skills：MCP 负责 Agent 连接外部数据和工具，Skills 把具体金融能力封装为可调用模块。2026 年以来，同花顺 iFinD MCP、万得 AIFin Market、东方财富妙想 Skills、通达信 MCP、恒生聚源 MCP 集中开放——金融数据从封闭终端走向可被 Agent 调用的标准化能力。
垂类 Agent：B 端卖效率，C 端卖体验
B 端围绕”数据×内容×工作流”形成壁垒。同花顺 iFinD 投研智能体 15 分钟完成一家公司初研（人工约 3 天）；Wind Alice 20 秒生成信用评估报告，66 小时的工作量压缩到 3 小时；恒生聚源 WarrenQ 5 分钟生成万字投研报告。
C 端围绕”用户入口×场景深度×业务闭环”展开。同花顺问财月活 3867.73 万，从自然语言选股升级为具备自主规划能力的投资助手；东方财富妙想嵌入 APP，打通”信息获取→分析→交易”链路；九方智投 AI 股票机累计销量突破 20 万台，以硬件入口整合投顾、投研与投教。
通用 Agent 的两条进场路径
路径一：外接专业金融能力。通义千问”深度研究”接入同花顺 1.3 万只股票数据+约 100 万份财报公告，Kimi 接入 iFinD——通用 Agent 通过 MCP 获得实时金融数据。
路径二：机构本地化部署。DeepSeek-V4 发布后国泰海通、兴业、国投、中泰、国金、山西等多家头部券商完成升级部署；建设银行完成基于 DeepSeek-R1 的内部金融大模型私有化部署。开源模型+私有化+内部知识库，正在成为金融机构的标准范式。
四类参与者：数据、场景、模型、平台
数据拥有者（同花顺/万得/东方财富）：数据壁垒决定下限，开放策略决定上限。MCP 开放之争本质是数据资产货币化路径之争。
场景拥有者（同花顺/九方智投控股/财富趋势/指南针）：场景渗透深度决定用户黏性，硬件载体（AI 股票机）是差异化壁垒。
模型拥有者（豆包/DeepSeek/通义/智谱）：通用模型不取代垂类但分流 C 端浅层需求，DeepSeek 凭开源低成本成为机构部署首选。
平台拥有者（WorkBuddy 等）：已集成三家金融 MCP，是数据方最大客户也是最大威胁——当 MCP 标准化后，用户不再需要打开各家独立终端，传统终端优势可能被削弱。
对银行的 Agent 路线图
第一，把接口标准化当作基础设施。MCP/Skills 是 Agent 时代的”水电煤”。银行构建 AI Agent 体系，第一步不是堆模型，而是把数据服务、系统调用封装为标准化接口——否则每个 Agent 都是烟囱，无法协同。
第二，走”开源底座+私有化部署”路线。DeepSeek 开源低成本+私有化+知识库，已被券商和建设银行验证。银行核心数据不出行，本地化部署是合规底线，也是 Agent 落地的前提。
第三，B 端卖效率、C 端卖体验的双轮逻辑。对公条线 Agent 主打降本增效（信贷尽调、财报分析、风险监测）；零售条线 Agent 主打体验与陪伴（智能投顾、客户服务）。两条线都要设计”使用→数据回流→模型迭代”的飞轮。
第四，评估供应商用四类框架。数据、场景、模型、平台——银行既要自建核心能力，也要善于调用外部 Agent 生态，把金融数据封装成别人愿意调用的能力，本身就是新的商业价值。
从”能对话”到”能办事”，金融 AI 的竞争已经换赛道。对银行来说，Agent 不是要不要做的问题，而是以多快速度、多大深度进入真实业务流程的问题。