先把事实边界划清楚，避免把 "传闻" 当成 "案例"：
- WorkBuddy 金融版是腾讯 2026-09-03 正式发布的金融智能体工作台，目前公开可考的首批共建机构名单为：中金公司、国投证券、平安银行、中国太平等 100+ 家金融机构新浪财经中国日报网。
- 招商银行、工商银行在贷前尽调上均为自研大模型 + 自研智能体路线（招行 "对公 AI 小招 / 火眼尽调"、工行 "工银智涌 / 智融通 / 工小审"），没有公开证据表明它们是 WorkBuddy 客户。下文我把 "WorkBuddy 上的平安银行" 与 "招行 / 工行自研体系" 分开讲，并做横向对比，避免张冠李戴。
一、WorkBuddy 在贷前尽调上的 "重大突破" 是什么？
不是 "AI 会写尽调报告"，而是把过去客户经理跨 10+ 平台、跨多份 PDF、跨多个 Excel 手工拼装的活儿，重构成一条MCP 数据连接器 + Skill 业务流程封装 + 9 位专家团 Multi-Agent 协同 + 行内模板 + 证据留痕的端到端流水线。
1. 官方公开的量化结果（腾讯云副总裁胡利明披露）
- 对公信贷尽调：原本 10 天 → 压缩至 1 天中国日报网IT之家
- 已覆盖环节：生成材料清单 → 识别缺失项 → 调用工商 / 财务 / 司法数据交叉核验 → 按机构模板输出保留依据的尽调初稿 → 提示流程待办36氪DoNews
- 9 位 AI 专家组成的 "尽职调查专家团" 协同工作，所有结论可追溯至原始数据来源中国日报网
- 部署形态：整套系统在金融机构内网，模型、数据、审计链路全部留在机构自己的墙内36氪
- 与企业微信深度打通：员工在群里 @机器人即可发起尽调，关键动作（命令执行、文件修改、结果确认）通过企微人工确认，AI 始终在组织权限之内新浪财经
2. WorkBuddy 在贷前尽调这条链上的 5 个 "真突破"
- 从 "文档问答" 升级为 "业务流程 Agent"：AI 不再只是回答 "这家公司怎么样"，而是按 SOP 自动生成材料清单、识别缺失项、推送线下尽调待办 —— 直接驱动业务流程，而不是辅助阅读。
- MCP 多源数据交叉核验，而非单文档阅读：工商、财务、司法数据并行拉取后交叉校验，识别 "数据冲突"，解决过去 AI 单源信息幻觉问题。
- 结论保留依据（坐标溯源）：每一条风险判断绑定原始数据出处，满足银行底稿、内审、监管检查要求。这是和通用大模型对话最本质的区别。
- 按客群加载 Skill，最小权限：底座 MCP 全开，业务 Skill 按银行 / 投资 / 法务 / 供应链分组按需加载，单次对话 Token 消耗下降约 60%腾讯云开发者社区。
- 人保留决策权 + 关键动作企微确认：AI 出初稿，客户经理做最终判断；执行类动作需人工确认 —— 这是金融监管对 "AI 自主放贷" 的硬红线。
二、平安银行 × WorkBuddy（公开可考的合作方）
信息边界：WorkBuddy 官方把平安银行列为首批共建机构之一36氪新浪财经；平安银行自身对外披露的是自建大模型 + 自建 AI 风险中台，二者是 "WorkBuddy 平台 + 行内自研模型 / 知识库" 并存关系。
1. 平安银行在贷前尽调上的真实动作
- 截至 2025 年 9 月末，平安银行累计落地大模型应用场景超过 360 个，AI 辅助开发覆盖率 100%上海证券报·中国证券网。
- 风控合规上：强化对公业务风险专家知识库底座，建立 AI 风险中台，集约化构建智能体并嵌入风险管理流程；同步升级零售尽调、审批、放款、催收智能体证券日报。
- 普惠金融侧：把 "数据驱动、智能赋能、服务增效" 作为普惠线上化升级主线，系统化解中小微信贷痛点中国日报网。
- 自有金融大模型 PingAnGPT-Qwen3-32B 已在 CNFinBench 金融评测中拿到第一，已部署集团 97 个真实业务场景Ping An。
2. 在 WorkBuddy 平台上，平安银行侧典型调用的 Skill 组合
按公开披露的 "对公授信尽调 → 项目建立、材料准备、财务校验、风险总览、报告生成" 五段式流程DoNews新浪财经，对应到企查查 MCP 在 WorkBuddy 上的 12 个银行客群 Skill腾讯云开发者社区：
表格
| 尽调阶段 | 调用 Skill | 拉取的 MCP 数据源 |
|---|---|---|
| 项目建立 / 客户识别 | strip-profile（企业画像）、kyb-verification（KYB 主体核验） | qcc-company、qcc-risk |
| 股权 / 实控人核查 | equity-structure（股权穿透）、ubo-screening（UBO 筛查）、history-evolution（历史沿革） | qcc-company、qcc-history、qcc-executive |
| 材料准备 / 缺失项识别 | credit-due-diligence主调度、business-health-scan（健康度扫描） | 行内信贷库 MCP + qcc-operation |
| 财务校验 | 财报解析连接器（合同 / 发票 / 货单多源提取） | qcc-document / qcc-document-mcp（OCR） |
| 风险总览 | counterparty-risk（交易对手风险扫描）、guarantor-check（担保人核查） | qcc-risk、qcc-executive |
| 报告生成 | credit-due-diligence报告子流程，按行内模板填充 | 全部上游结果回灌 |
底层 10 个 MCP 服务器：qcc-company /qcc-risk/qcc-ipr /qcc-operation/qcc-executive /qcc-history/qcc-legal-regulation /qcc-legal-case/qcc-document /qcc-document-mcp，统一 Bearer Token 鉴权。 启信慧眼作为 WorkBuddy"十大专业级技能" 之一，对外开放200+ 数据接口，覆盖工商、司法、知识产权、经营数据光明网。
3. 平安银行侧落地结果（公开口径）
- 对公信贷尽调端到端10 天 → 1 天；
- 9 位专家团产出的报告所有结论可追溯到原始数据来源；
- 行内私有部署，模型 + 数据 + 审计链路不出行；
- 任务进展、待办、风险提示同步到企业微信，关键动作走人工确认。
三、招商银行在贷前尽调上的 Skills（自研路线，非 WorkBuddy）
必须先说清楚：招行是全栈自研大模型路线，其智能体体系与 WorkBuddy 平行，没有公开合作证据。我列出来是为了横向对比。
1. 招行自研智能体矩阵
- 对公 AI 助手 "对公 AI 小招"：服务79.99 万户企业，AI 已覆盖 90% 小企业尽调内容新华网客户端中国证券报。
- 对公尽调产品 "火眼尽调"：一键调取企业工商、流水数据，自动形成授信分析底稿新浪财经。
- 中后台 "风险小助"：嵌入作业流程，覆盖客户经理、风险经理、审贷官三类角色，嵌入信贷" 三查 "证券日报电子报招商银行。
- 已落地800+ AI 场景；2026 上半年日均 Token 吞吐量同比 +78%，等效节约1388 万人工小时证券时报新浪财经。
2. 招行 "对公 AI 小招 / 火眼尽调" 在贷前尽调上的技能拆解（对标 Skill 视角）
表格
| 尽调环节 | 对应能力 | 数据 / 技术底座 |
|---|---|---|
| 客户找 / 识 / 筛 / 盯 | 对公客户经营问答、新风险主动提示 | 行内数据中台 + 自研大模型 |
| 尽调报告自动生成 | 覆盖 90% 小企业尽调内容（基本情况、行业分析、公司架构、财报分析） | 大模型文档生成 + 行内模板 |
| 工商 + 流水一键调取 | 火眼尽调底稿自动产出 | 外部工商 + 行内流水 |
| 知识图谱关联分析 | 企业关联关系图谱、风险传导 | 图谱技术 + 大模型推理 |
| 风险小助嵌入作业流 | 贷前 / 贷中 / 贷后三查全流程 | 自研全栈大模型底座 |
结论：招行走 "自研大模型 + 自研智能体 + 行内数据" 闭环，是替代型而非 "接入 WorkBuddy"；它的优势是和行内系统打通最深，缺点是开发周期长、复用性弱于 WorkBuddy 这种 "MCP + Skill 拼装" 模式。
四、工商银行在贷前尽调上的 Skills（自研路线，非 WorkBuddy）
同样先划边界：工行是 "工银智涌"大模型 + 自研"智融通 / 智贷通 / 工小审" 智能体矩阵，没有公开 WorkBuddy 合作证据。
1. 工行侧公开披露
- 全行大模型落地500+ 场景；构建 "一超多专" MoA 多智能体协同框架：1 个超级智能体作中枢 + N 个专项智能体（知识检索、数据分析等）移动支付网。
- 对公信贷领域："智融通" 智能体矩阵，完成客户多维信息整合、风险初步研判、融资方案辅助生成，最终由信贷人员复核与终审中国金融新闻网。
- 融资全流程智能体矩阵 "智贷通"；信贷评审 AI 数字助手"工小审"中国工商银行。
- 总行软件开发中心 "智慧尽调助手"：客户经理输入企业名或统一社会信用代码，自动调用智慧搜索 + 多模态分析，生成基本情况、行业分析、公司架构、财报分析内容，覆盖客户经理近 11 万人新浪。
- 浙江分行 "尽调报告助手"：尽调工作效率提升50%同花顺财经。
- 江苏分行 "普惠驿道"：全国首创大模型 AI 尽调助手，配套智能营销、数据通途、尽调助手、e 点即贷、智慧核查、精准风控六大子系统金科创新社。
2. 工行 "智慧尽调助手" 在贷前尽调上的技能拆解
表格
| 模块 | 能力 |
|---|---|
| 输入入口 | 对话式交互，输入企业名 / 统一社会信用代码即可 |
| 多模态解析 | 工商、财报、合同、图片、音视频多源材料一站式处理 |
| 报告自动章节 | 基本情况、行业分析、公司架构、财报分析 |
| 报告类产物 | 尽调报告、信贷审批报告、反洗钱报告自动编写中国工商银行 |
| 数据问答 | 业务人员自然语言查数，无需传统需求开发 |
| MoA 编排 | 超脑拆任务 → 专项智能体并行执行 → 汇总 |
五、WorkBuddy 贷前尽调 Skills 深度拆解（核心交付）
按企查查 MCP 在 WorkBuddy 上的银行客群 12 个 Skill完整拆解腾讯云开发者社区，这是 WorkBuddy 做银行贷前尽调最硬的一张底牌：
1. 12 个银行客群 Skill 全景
表格
| # | Skill 名 | 贷前尽调用途 |
|---|---|---|
| 1 | credit-due-diligence | 贷前尽调全流程主调度（总入口） |
| 2 | kyb-verification | 企业身份核验（KYB） |
| 3 | ubo-screening | 实际控制人 / 隐名股东穿透筛查 |
| 4 | equity-structure | 多层股权结构、交叉持股图谱 |
| 5 | history-evolution | 历史沿革、历史股东、已注销主体 |
| 6 | strip-profile | 企业一键画像 |
| 7 | business-health-scan | 企业经营健康度扫描打分 |
| 8 | counterparty-risk | 交易对手风险扫描（诉讼、被执行、失信、股权冻结） |
| 9 | guarantor-check | 担保人资质、担保余额、或有负债 |
| 10 | credit-monitoring | 贷后风险监控（跨周期延伸） |
| 11 | bankruptcy-monitor | 破产重整监控 |
| 12 | debt-recovery-assessment | 债务回收可行性评估 |
2. 典型一键尽调链路（用户在企微 @机器人 触发）
客户经理输入："帮我对 XX 公司做对公授信尽调初稿" ↓ credit-due-diligence 主 Skill 启动 ↓ 并行子 Agent [kyb-verification] → qcc-company：工商、股东、分支机构 [equity-structure] → qcc-company + qcc-history：股权穿透 3-5 层 [ubo-screening] → qcc-executive：高管任职、投资、风险 [counterparty-risk] → qcc-risk：立案、失信、被执行、股权冻结 [guarantor-check] → qcc-executive + qcc-risk：担保链、互保圈 [business-health-scan] → qcc-operation：招投标、资质、融资、土地 [strip-profile] → 汇总企业画像 ↓ 交叉比对：识别多源数据冲突（工商/财报/司法） ↓ 按银行模板填充：标红"现金流为负""关联方担保"等高风险项 ↓ 输出尽调初稿（每条结论挂证据坐标）+ 线下待办清单 ↓ 企业微信推送客户经理复核 → 关键动作人工确认3. WorkBuddy 这套 Skill 设计的 4 个工程突破
- 底座全开、业务分组：MCP 服务器统一注册，Skill 按银行 / 投资 / 法务 / 供应链按需加载，避免几百个工具 schema 同时进上下文 —— 实测 Token 消耗降 60%+腾讯云开发者社区。
- 最小权限原则：每个岗位只暴露该场景必需的工具子集，符合银行内控。
- 专家团 > 单 Skill：腾讯云官方把 "尽职调查专家团" 做成9 位 AI 专家协同，比单 Skill 调用更接近真实投行 / 信贷团队分工中国日报网。
- 可观测、可追溯、可治理：所有结论挂原始数据出处；任务进展、待办、关键动作同步企业微信；模型、数据、审计链路全在机构内网 —— 这是和 OpenAI/Claude 类海外模型在金融落地最本质的差异。
六、WorkBuddy vs 招行自研 vs 工行自研 —— 贷前尽调横向对比
表格
| 维度 | WorkBuddy 金融版 | 招行 "对公 AI 小招 / 火眼尽调" | 工行 "工银智涌 / 智慧尽调助手" |
|---|---|---|---|
| 路线 | MCP + Skill + 专家团拼装（平台型） | 全栈自研大模型 + 自研智能体 | 全栈自研大模型 + MoA 多智能体矩阵 |
| 首批共建客户 | 平安银行、中金、国投证券、中国太平 100+ | 全行（自营） | 全行（自营） |
| 尽调周期 | 10 天 → 1 天 | 小企业尽调 AI 覆盖90%内容 | 尽调效率+50%（浙江分行） |
| 客户经理覆盖 | 按机构部署 | 全行对公客户经理 | 总行覆盖近11 万客户经理 |
| 数据接入 | 企查查 / 启信慧眼 MCP（200+ 接口） | 行内数据中台 + 外部工商流水 | 行内数据中台 + 多模态解析 |
| 报告证据留痕 | 坐标溯源，每条结论绑原始数据 | 行内自有底稿 | 行内自有底稿 |
| 部署形态 | 机构内网私有化 | 行内 | 行内 |
| 关键差异 | 拼装快、跨机构复用、80+ 金融专家开箱即用 | 与行内系统打通最深，800+ 场景 | MoA 超脑调度，500+ 场景，规模最大 |
七、一句话结论
- WorkBuddy 在贷前尽调的真突破：不是 "更聪明的大模型"，而是把银行尽调拆成12 个可复用 Skill + 10 个 MCP 数据服务器 + 9 位专家团 + 行内模板 + 企微人工确认的标准化流水线，让 10 天尽调压到 1 天，且结论全程可追溯、全程在内网。
- 平安银行：是 WorkBuddy 官方首批共建方，同时自建 AI 风险中台 + PingAnGPT，走 "平台 + 自研" 混合路线。
