易鑫完成“以人为本的长视野代理”：企业级代理最难的不是任务，是理解人

易鑫首席AI科学家、高级副总裁张磊 “对Agent来说，完成一件事可能不是最难的，最难的是怎么理解人。”说这话的是易鑫首席AI科学家、高级副总裁张磊。他所在的公司，做的正是这门“最难”的生意——汽车金融。 一笔汽车融资申请，要经过材料提交、审批决策、方案匹配、交付签约、资产管理五个大环节。仅材料就有60多种，审批决策涉及多达 15 个组织节点，路径组合上万种。而且这条链路不是线性走完的，任何一个节点，都可能回跳到前面任意一个节点。 这让大多数Agent在这里“过早收工”。张磊举了个例子：一个用户第一天进来，第三天补充资料，第七天额度发生变化、走了审批；到第十天，所有方案都试过了，没有适合他的。常规Agent到这里就会说，“我的任务结束了”。但真正的Agent会在第80天回头，那时公司接入了新的资方、有了新的产品，它会重新找到这个客户：“你还有没有相应的需求？我现在有东西可以满足你。” 一笔业务的成败，就分在第十天和第八十天之间。 也正因此，张磊对眼下衡量Agent的主流标准并不买账。行业里判断一个Agent厉不厉害，常说的是它能不能无干扰地跑完 100 步，能不能写出复杂的软件，或者操作几十页的网页逻辑。“但在企业应用里，更重要的是：给定一个业务目标之后，你能不能持续面对一个不断变化的人做交互，最终推动出一个业务结果。” 为此，易鑫提出了一套自己的范式——Human-Centric Long-Horizon Agent，即“以人为中心的长程智能体”。它由人的理解模型、垂直领域模型和Harness三部分组成，Harness又分三层：数据的Harness、Agent的Harness、人的Harness。前两者解决“懂人”，后者解决“能不能长期稳定地跑”。在张磊看来，让Agent出结果并不难，难的是它怎么长期稳定运行，这才是Harness在企业的价值。张磊透露，这套Harness框架计划在年底开源。 不过，他并不认为Agent应该包办一切。在易鑫的框架里，人的位置被明确保留：合规熔断（模型幻觉触碰强监管规则）、重大权益（比如罚息减免）、特批这类意外场景，三类必须转人工。 目前这套系统在线上的运转情况是45个Agent，日均处理任务约23 万次，每天消耗约3.6亿Token；AI能独立跟进同一个用户超过 20 天，单个任务执行超过16小时，单次对话超过81轮，且横跨企业微信、微信等渠道。 以下是易鑫首席AI科学家、高级副总裁张磊的发言速记，略经笔者编辑： 各位嘉宾下午好！我是来自易鑫的张磊，今天分享的主题是“工具到原生，汽车金融全链路的Agent革命”。 过去我们讲Agent，更多讲的是它够不够智能、能不能更智能地调用工具、完成各式各样的任务。但在实际的行业应用里我们发现，对 Agent来说最难的其实是理解人，因为它面对的是不断变化的人。所以怎么理解人、怎么影响人，以及最终怎么拿到业务结果，我认为这才是产业落地中更关键的能力。 接下来的分享主要是我们在这方面的思考。先简单介绍一下公司：易鑫是一家AI驱动的金融平台，有12年的行业积累，研发上也一直在大举投入。我们是整个汽车金融领域里第一家开源行业模型的公司，也是行业里第一家通过国家大模型备案的公司。同时我们跟开源社区有比较好的合作，近期把底层的GPU虚拟化工作也开源到社区了。在去年“直通乌镇”全球互联网大赛的开源赛道里，我们拿下了唯一的一等奖。 对汽车金融来说，为什么需要Agent？核心本质上是因为汽车金融是一个长链路、决策复杂、动态决策、强合规，以及结果导向的业务。可以看到，当一个用户进来，他会流过大概五个大环节，材料提交、审批决策、方案匹配、交付签约，然后是资产管理。每个环节里都会有很多子流程，比如材料提交涉及60多种材料，还要根据不同的场景去做组合。 审批决策里有15个组织节点，整个决策路径的组合大概有上万种。而且整个链路不是从左到右线性顺序执行的，左边的任何一个节点，都有可能回跳到前面的任何一个节点。所以这个过程没办法像传统 Agent那样，用流程自动化去解决。 所以在这样的场景下，就急需新型的Agent去解决这些问题。为此我们提出了一个新的AI范式，叫Human-Centric Long-Horizon Agent。这个范式主要有三个部分，第一部分是人的理解模型，第二部分是垂直领域模型，最后一部分就是常说的 Harness，我们把它分成了三层，数据的Harness、Agent的Harness和人的Harness。 为什么需要这三个组成部分？核心原因在于：当Agent具备工具能力的时候，它可以很好地完成任务；当它懂行业的时候，就能很好地完成业务任务。而当你以人为核心服务对象的时候，整个系统、整个 Agent就应该更懂人。你要知道人在想什么，才有可能更好地服务用户。所以我们认为，接下来尤其在企业Agent领域，会逐步过渡：更好地理解人，才是提升Agent效果的关键。 对Agent来说，完成一件事可能不是最难的，最难的是怎么理解人。围绕人的整个过程中，传统系统更多是在记录已经过去、已经结束的事情。比如一个人提交了融资审批，他当下的状态是什么，传统系统更多是在记录这种完成的状态。 但实际上，如果你想很好地服务人，就必须知道这个人接下来的状态是什么：他是不是有购车意向，他是不是信任你。整个过程是在环境不断变化中同时交互，同时对这个人的状态和行为做预测。 所以我们基于这套想法做了一个模型出来。它本质上是一个随机过程，输入是整体的语言环境和行为信号，输出是人的行为接下来应该如何变化、他的状态是什么样。 相比传统的Agent，它做的是管理建模，我们更多是在人的状态粒度上做建模。这意味着，人的状态不是一个静态的用户画像，而是一个随着交互和环境变化持续变化的状态建模，一种持续性的建模。 其实现在行业里谈Long-Horizon，包括大家去判断一个Agent到底厉不厉害，经常会说它能不能无干扰地完成一个比如100步的任务，能不能写一些复杂的软件，或者操作几十页的网页逻辑。 但在企业应用里，我觉得可能更重要的是：给定一个业务目标之后，我们能不能持续面对一个不断变化的人去做交互，最终推动出一个业务结果。 这里以汽车金融为例，一个用户第一天进来，第三天他可能到了补充资料的阶段，第七天他的额度发生变化，走了审批决策；到第十天发现所有方案都尝试过了，但没有适合他的。这时候常规的Agent可能就会说，“我的任务结束了”。但真正意义上的Agent，会比如在到了第80天的时候，因为我们接入了新的资方、有了新的金融产品，反过来去找这个客户，“你还有没有相应的需求？我现在有东西可以满足你。” 另外，当用户到了第480天、合同快要结束的时候，AI 会主动去做这种访客营销。整个决策的过程中，每一个节点其实都是由Agent独立承担的，但所有Agent背后其实是同一套程序运行循环的机制在支撑：目标拆解、规划决策、执行、观察反馈、交互，以及持续推进，它会变成一个大的闭环。 同时，对Agent model来说，很重要的一个内化能力叫Persuasion Policy，它能够动态决定我到底在什么时间去跟进这个用户、我应该说什么、不应该说什么、在什么渠道先跟他讲。所以整体它是以最大化长期转化为