通用大模型解决了“交互”的流畅度，但解决不了金融服务的“专业度”。本文将复盘在腾讯元器大赛获“优智奖”智能体「盈小智」的产品逻辑。我尝试跳出传统的 Prompt 调优陷阱，通过接入盈米且慢 MCP 的 49 个标准化接口，探索出一套“意图识别+专业接口+结构化交付”的智能体搭建方法论，为金融 AI 产品化提供一种可复用的新范式。

一、产品破局：当 Chatbot 遇到“三难困境”

我相信很多开发者会陷入通用大模型落地的“三难困境”：

1. 要流利，就容易产生幻觉（内容看似合理但不可信）。
2. 要准确，就变成了生硬的搜索机器（缺少服务体验/缺少对话温度）。
3. 要深度，大模型却算不清简单的数学概率（缺少金融领域的结构化模型/先验）。 

这种表层体验与底层能力的脱节，导致了大量的“玩具级”理财 AI Agent 充斥市场。

在金融科技领域，我们其实一直在等待一个时刻：什么时候，AI 能真正像理财师一样思考，而不是像复读机一样背书？

作为产品经理，我意识到：仅靠提示词工程是无法突破这个天花板的。 Prompt 只能解决“态度问题”，解决不了“能力问题”。

智能体的下半场，拼的不是谁的提示词写得长，而是谁能连接更专业的外部大脑。

我的破局思路是：User Interface (元器) + Standardized Service (且慢 MCP)。

通过 MCP，我们将盈米且慢沉淀多年的投顾能力（Know-How），标准化为大模型可调用的“原子能力”。我不再试图教会 AI 做蒙特卡洛模拟，而是通过 MCP协议，把这一整套成熟的金融工程能力变成智能体随手可用的“插件”。

这标志着智能投顾进入了一个新阶段：业务逻辑与交互逻辑的解耦，以及二者通过标准协议的重新整合。。

二、搭建复盘：如何让 AI “长”出专业的金融大脑？

在腾讯元器的后台搭建过程中，我的核心工作不是“写文案”，而是“设计业务流”。我将智能体的搭建过程拆解为三个深度的业务融合阶段：

1. 意图识别层：用 Prompt 建立“路由规则”

接入 49 个原子接口只是基础，真正的难点在于构建一套让 AI 能够理解自然语言并正确调度的“路由规则”。

在 System Prompt 的架构设计中，我不仅罗列了工具定义，更核心的是建立了一张多维度的“用户意图映射拓扑表”。通过预设关键词锚点，将用户口语化的模糊需求，精准翻译为确定性的函数调用指令：

（例子很多，图中只展示部分）

核心心得：

智能体的本质不仅仅是对话框，而是一个基于自然语言的高级路由器。产品经理的核心功力，不再是设计死板的 UI 流程，而是体现在对用户模糊意图的“精准翻译”能力上——将用户的“情绪语言”转译为系统的“执行语言”。

2. 核心计算层：从“文本生成”转为“模型调用”

这是「盈小智」与普通 Chatbot 的技术分水岭。

普通大语言模型（LLM）在处理‘未来收益预测’类问题时，本质上受限于‘文本接龙’的生成机制，往往只能反馈‘股市有风险’一类的通用话术。

而本架构通过 MCP 协议深度集成了金融工程引擎，实现了计算能力的‘外挂内嵌’。当意图识别层捕捉到预测需求时，系统即刻接管 LLM 的文本生成逻辑，转而调用 MonteCarloSimulate 接口，在后台执行上万次随机路径模拟，输出具有统计学意义的收益分布数据。关于该机制在实际业务中的应用效果，将在后文四、场景实战中‘场景二：专业概率交付’中详述。

核心心得：

这里的“业务融合”在于能力的封装化。我将金融工程中复杂的随机过程、方差分析等数学模型，封装成了 AI 触手可及的“本能”。开发者不需要向 LLM 解释复杂的数学公式，只需要在 Prompt 中植入一条规则：“涉及未来推演时，请把舞台交给模拟器。”

3. 交互交付层：拒绝“冷数据”，设计“暖交付”

MCP 返回的是冷冰冰的 JSON 数据，如果直接透传给用户，不仅阅读体验极差，更可能因数据枯燥而流失用户。

在交付层的设计上，我重点打磨了“结构化输出规范”与“合规前置机制”：

• 强制可视化 (Data Visualization)： 确立了“图表优先”原则。凡是涉及趋势、占比、相关性的数据，Prompt 强制要求 AI 调用 RenderEchart 工具，将 JSON 数据实时渲染为相关性热力图、累计收益走势图或资产配置饼图。

• 风险合规前置 (Compliance First)： 在 System Prompt 中写入了金融领域的“机器三原则”。例如，任何收益率数据的展示，必须同步伴随最大回撤提示；任何预测数据，必须标注“仅供参考，不构成投资建议”。

核心心得： 智能体不应只是后台数据库的搬运工，而应是复杂金融数据的翻译官。优秀的交付层设计，是把“数据 (Data)”加工成“信息 (Information)”，最后升华为让用户听得懂、用得上的“洞察 (Insight)”。

三、定义标准化接口：MCP 作为行业基础设施

在搭建过程中，我最深刻的体会是：我们在尝试定义标准。

我们开放的这 49 个 MCP 接口，实际上是在定义：一个合格的智能投顾，到底应该具备哪些原子能力？

我将其总结为“智能投顾能力矩阵”：

这套接口体系，就是我们为开发者提供的“金融乐高”。它让“生产平权”成为可能——任何开发者，只要接入这套标准接口，就能瞬间拥有顶尖投顾机构的分析能力。

四、场景实战：标准化接口带来的“降维打击”

以下展示的不仅仅是功能，更是业务逻辑在智能体中的具象化。

场景一：深度业务洞察 —— “你以为的分散不是分散”

用户痛点： 持有多只基金，却不知道风险极度集中。

业务逻辑： 并不是基金数量多就是分散，必须看底层资产的相关性。

智能体实现：

用户输入持仓 -> 智能体调用 AnalyzePortfolioRisk -> 智能体调用 BatchGetFundsDetail ->计算相关系数矩阵 -> 各基金风险情况 -> 警示高相关性风险

图注：智能体利用相关性算法，精准识别用户的“伪分散”风险。

场景二：专业概率交付 —— “把未来算给你看”

用户痛点：对未来收益只有模糊的幻想，没有概率概念。

业务逻辑：基于资产配置理论，利用蒙特卡洛方法模拟上千次市场走势。

智能体实现：

用户输入投资目标 -> 智能体调用 MonteCarloSimulate -> 生成收益概率分布图 -> 解读 95% 置信区间

图注：行业罕见的 C 端蒙特卡洛工具，将不确定性量化为可见的概率。

五、行业深度洞察：定义下一代智能投顾的“USB 接口”

过去，我们开发金融应用，是在造轮子（写算法、清洗数据、搭后台）。

现在，通过 MCP 这样的标准化协议，我们拥有了金融行业的 “USB 接口”。

1. 生产平权： 无论你是独立开发者还是大厂 PM，只要接入这套 MCP，你就能瞬间拥有顶尖投顾机构的分析能力（诊断、规划、预测）。
2. 业务解耦： 智能体专注于“听懂人话”和“友好交互”，MCP 专注于“专业计算”和“数据准确”。
3. 去 App 化： 未来的金融服务可能不再依赖臃肿的 App，而是化身为一个个灵动的 Agent，潜伏在微信、手机系统甚至眼镜里，随时响应用户的理财需求。

「盈小智」只是一个开始。我希望通过这篇文章，邀请更多产品经理和开发者，利用这套标准化的 MCP 接口，去构建你们心中那个完美的“私人 CFO”。 欢迎大家访问 https://qieman.com/mcp/landing 申请个人专属 API Key。