{"id":"07104b24-09e9-46ae-93e7-aae212e3da1b","entityType":"agent","slug":"clawhub-gechengling-finance-ai-strategy","name":"Financial AI Strategy Architect","canonicalUrl":"https://www.xpersona.co/agent/clawhub-gechengling-finance-ai-strategy","canonicalPath":"/agent/clawhub-gechengling-finance-ai-strategy","generatedAt":"2026-10-11T04:37:09.846Z","source":"CLAWHUB","claimStatus":"UNCLAIMED","verificationTier":"NONE","summary":{"evidence":{"source":"editorial-content","verified":true,"confidence":"high","updatedAt":"2026-10-11T02:34:14.740Z","emptyReason":null},"description":"帮助金融机构制定AI转型战略、评估AI投资优先级、设计AI治理框架，从数字金融迈向数智金融的战略规划指导。融合阿里百技图Agent体系与保险AI应用研究报告精华。 Skill: Financial AI Strategy Architect Owner: gechengling Summary: 帮助金融机构制定AI转型战略、评估AI投资优先级、设计AI治理框架，从数字金融迈向数智金融的战略规划指导。融合阿里百技图Agent体系与保险AI应用研究报告精华。 Tags: banking:5.0.0, dianjin:5.0.0, finance:5.0.0, finance-ai-strategy:5.2.1, insurance:5.0.0, latest:5.2.1 Version history: v5.2.1 | 2026-09-15T14:20:51.613Z | user 内容增强与修正（10737→12805字符）：修正术语错误'金融机构AI就熟度'→'AI就绪度'；更新已撤销机构名（CBIRC/银保监会→国家金融监督管理总局）并新增术语与机构沿革说明；金融AI趋势与动态更新至","descriptionLabel":"Technical summary","evidenceSummary":"Capability contract not published. No trust telemetry is available yet. 1.2K downloads reported by the source. Last updated 10/11/2026.","installCommand":"clawhub skill install s17ewqc4f2s6gpcbm88hy7fgvn85kg1g:finance-ai-strategy","sourceUrl":"https://clawhub.ai/gechengling/finance-ai-strategy","homepage":"https://clawhub.ai/gechengling/skills/finance-ai-strategy","primaryLinks":[{"label":"View on ClawHub","url":"https://clawhub.ai/gechengling/finance-ai-strategy","kind":"source"},{"label":"Homepage","url":"https://clawhub.ai/gechengling/skills/finance-ai-strategy","kind":"homepage"}],"safetyScore":84,"overallRank":62,"popularityScore":61,"trustScore":null,"claimedByName":null,"isOwner":false,"seoDescription":"帮助金融机构制定AI转型战略、评估AI投资优先级、设计AI治理框架，从数字金融迈向数智金融的战略规划指导。融合阿里百技图Agent体系与保险AI应用研究报告精华。 Skill: Financial AI Strategy Architect Owner: gechengling Summary: 帮助金融机构制定AI转"},"coverage":{"evidence":{"source":"public-profile","verified":false,"confidence":"medium","updatedAt":"2026-10-11T02:34:14.740Z","emptyReason":null},"protocols":[{"protocol":"OPENCLEW","label":"OpenClaw","status":"self-declared","notes":"Declared in the public agent profile."}],"capabilities":[],"verifiedCount":0,"selfDeclaredCount":1,"capabilityMatrix":{"rows":[{"key":"OPENCLEW","type":"protocol","support":"unknown","confidenceSource":"profile","notes":"Listed on profile"}],"flattenedTokens":"protocol:OPENCLEW|unknown|profile"}},"adoption":{"evidence":{"source":"CLAWHUB","verified":false,"confidence":"medium","updatedAt":"2026-10-11T02:34:14.740Z","emptyReason":null},"stars":null,"forks":null,"downloads":1187,"packageName":null,"latestVersion":"5.2.1","tractionLabel":"1.2K downloads"},"release":{"evidence":{"source":"CLAWHUB","verified":false,"confidence":"medium","updatedAt":"2026-10-11T02:34:14.674Z","emptyReason":null},"lastUpdatedAt":"2026-10-11T02:34:14.740Z","lastCrawledAt":"2026-10-11T02:34:14.674Z","lastIndexedAt":null,"nextCrawlAt":"2026-10-12T02:34:14.675Z","lastVerifiedAt":null,"highlights":[{"version":"5.2.1","createdAt":"2026-09-15T14:20:51.613Z","changelog":"内容增强与修正（10737→12805字符）：修正术语错误'金融机构AI就熟度'→'AI就绪度'；更新已撤销机构名（CBIRC/银保监会→国家金融监督管理总局）并新增术语与机构沿革说明；金融AI趋势与动态更新至2026-09-15并扩充至11项；新增AI场景优先级评分表（六维加权，合规风险具备否决性）、治理落地指标表、常见误用与纠偏表；版本号 5.2.0→5.2.1","fileCount":3,"zipByteSize":11803},{"version":"5.2.0","createdAt":"2026-06-03T14:16:21.308Z","changelog":"**finance-ai-strategy v5.2.0 changelog** - 增加阿里百技图Agent体系和保险AI应用研究报告的精华，进一步丰富战略方法论。 - 引入麦肯锡三地平线（Three Horizons）、MECE诊断、AI就绪度等新模型，升级战略分析框架。 - 全面扩展金融AI Agent角色和能力层级，提供10类金融AI雇员全景与推荐场景。 - 补充LLM与MCP/A2A生态选型策略，详细对比开源&闭源大模型、协议标准与金融适配度。 - 明确2026年金融AI监管新规（模型台账、偏差应急、伦理评级等）与行业趋势。 - 优化触发与用户确认机制，加强合规声明，确保输出仅供参考。","fileCount":3,"zipByteSize":9665},{"version":"5.1.0","createdAt":"2026-06-03T14:07:08.274Z","changelog":"finance-ai-strategy v5.1.0 - Updated security, compliance, and usage instructions for enhanced data safety and clarity. - Added precise trigger rules: skill now only activates for explicit AI strategy/finance-related requests. - Reinforced the educational/advisory-only nature; clarified that all code is for reference and not executed. - \"Allowed-tools\" field added, indicating no active integrations. - Removed the skill-card.md file for streamlined documentation. - No changes to frameworks, models, or guidance content.","fileCount":3,"zipByteSize":6222},{"version":"1.0.2","createdAt":"2026-06-02T15:20:42.416Z","changelog":"**v1.0.2 Changelog** - Clarified that all code is for reference only (not auto-executed); updated capabilities to \"code-examples-reference\". - Strengthened security, compliance, and trigger-use warnings in documentation. - Refined explanatory notes and disclaimers in the \"Dianjin\" integration appendix to emphasize the educational and non-investment-advice nature. - Updated trigger keywords and usage rules for stricter context matching. - Removed the unused skill-card.md file for a cleaner repository.","fileCount":3,"zipByteSize":8059},{"version":"1.0.1","createdAt":"2026-06-02T14:37:59.532Z","changelog":"- Clarified and tightened security and data privacy notices, emphasizing non-collection and non-storage of user data. - Added precise trigger conditions: skill now only activates for explicit AI strategy, investment prioritization, or governance topics in finance. - Added an \"allowed-tools\" field and new trigger slug `finance-ai-strategy-architect` for improved integration control. - Removed redundant file `skill-card.md` for cleaner packaging. - No changes to core frameworks, templates, or financial AI strategy content.","fileCount":3,"zipByteSize":7743},{"version":"5.0.1","createdAt":"2026-06-01T22:34:58.419Z","changelog":"Security compliance: fixed garbled text, added capability declarations and advisory-only disclaimers; enriched content with detailed steps, rules, and report templates","fileCount":3,"zipByteSize":7378},{"version":"5.0.0","createdAt":"2026-05-31T02:12:35.379Z","changelog":"融合阿里点金（Dianjin）金融数字员工精髓，版本升级至5.0.0","fileCount":3,"zipByteSize":7119},{"version":"2.0.0","createdAt":"2026-05-13T02:22:50.047Z","changelog":"No changes detected in this version. - Version number updated to 2.0.0, but content is unchanged.","fileCount":3,"zipByteSize":4640}]},"execution":{"evidence":{"source":"CLAWHUB","verified":false,"confidence":"low","updatedAt":null,"emptyReason":"No published capability contract is available yet."},"installCommand":"clawhub skill install s17ewqc4f2s6gpcbm88hy7fgvn85kg1g:finance-ai-strategy","setupComplexity":"low","setupSteps":["Setup complexity is classified as HIGH. You must provision dedicated cloud infrastructure or an isolated VM. Do not run this directly on your local workstation.","Final validation: Expose the agent to a mock request payload inside a sandbox and trace the network egress before allowing access to real customer data."],"contract":{"contractStatus":"missing","authModes":[],"requires":[],"forbidden":[],"supportsMcp":false,"supportsA2a":false,"supportsStreaming":false,"inputSchemaRef":null,"outputSchemaRef":null,"dataRegion":null,"contractUpdatedAt":null,"sourceUpdatedAt":null,"freshnessSeconds":null},"invocationGuide":{"preferredApi":{"snapshotUrl":"https://www.xpersona.co/api/v1/agents/clawhub-gechengling-finance-ai-strategy/snapshot","contractUrl":"https://www.xpersona.co/api/v1/agents/clawhub-gechengling-finance-ai-strategy/contract","trustUrl":"https://www.xpersona.co/api/v1/agents/clawhub-gechengling-finance-ai-strategy/trust"},"curlExamples":["curl -s \"https://www.xpersona.co/api/v1/agents/clawhub-gechengling-finance-ai-strategy/snapshot\"","curl -s \"https://www.xpersona.co/api/v1/agents/clawhub-gechengling-finance-ai-strategy/contract\"","curl -s \"https://www.xpersona.co/api/v1/agents/clawhub-gechengling-finance-ai-strategy/trust\""],"jsonRequestTemplate":{"query":"summarize this repo","constraints":{"maxLatencyMs":2000,"protocolPreference":["OPENCLEW"]}},"jsonResponseTemplate":{"ok":true,"result":{"summary":"...","confidence":0.9},"meta":{"source":"CLAWHUB","generatedAt":"2026-10-11T04:37:09.844Z"}},"retryPolicy":{"maxAttempts":3,"backoffMs":[500,1500,3500],"retryableConditions":["HTTP_429","HTTP_503","NETWORK_TIMEOUT"]}},"endpoints":{"dossierUrl":"https://www.xpersona.co/api/v1/agents/clawhub-gechengling-finance-ai-strategy/dossier","snapshotUrl":"https://www.xpersona.co/api/v1/agents/clawhub-gechengling-finance-ai-strategy/snapshot","contractUrl":"https://www.xpersona.co/api/v1/agents/clawhub-gechengling-finance-ai-strategy/contract","trustUrl":"https://www.xpersona.co/api/v1/agents/clawhub-gechengling-finance-ai-strategy/trust"}},"reliability":{"evidence":{"source":"runtime-metrics","verified":false,"confidence":"low","updatedAt":null,"emptyReason":"No trust, reliability, or runtime telemetry is available."},"trust":{"status":"unavailable","handshakeStatus":"UNKNOWN","verificationFreshnessHours":null,"reputationScore":null,"p95LatencyMs":null,"successRate30d":null,"fallbackRate":null,"attempts30d":null,"trustUpdatedAt":null,"trustConfidence":"unknown","sourceUpdatedAt":null,"freshnessSeconds":null},"decisionGuardrails":{"doNotUseIf":["Contract metadata is missing or unavailable for deterministic execution."],"safeUseWhen":[],"riskFlags":["missing_or_unavailable_contract","trust_data_unavailable","schema_references_missing"],"operationalConfidence":"low"},"executionMetrics":{"observedLatencyMsP50":null,"observedLatencyMsP95":null,"estimatedCostUsd":null,"uptime30d":null,"rateLimitRpm":null,"rateLimitBurst":null,"lastVerifiedAt":null,"verificationSource":null},"runtimeMetrics":{"successRate":null,"avgLatencyMs":null,"avgCostUsd":null,"hallucinationRate":null,"retryRate":null,"disputeRate":null,"p50Latency":null,"p95Latency":null,"lastUpdated":null}},"benchmarks":{"evidence":{"source":"no-benchmark-data","verified":false,"confidence":"low","updatedAt":null,"emptyReason":"No benchmark suites or observed failure patterns are available."},"suites":[],"failurePatterns":[]},"artifacts":{"evidence":{"source":"CLAWHUB","verified":false,"confidence":"high","updatedAt":"2026-10-11T02:34:14.740Z","emptyReason":null},"readme":"Skill: Financial AI Strategy Architect\n\nOwner: gechengling\n\nSummary: 帮助金融机构制定AI转型战略、评估AI投资优先级、设计AI治理框架，从数字金融迈向数智金融的战略规划指导。融合阿里百技图Agent体系与保险AI应用研究报告精华。\n\nTags: banking:5.0.0, dianjin:5.0.0, finance:5.0.0, finance-ai-strategy:5.2.1, insurance:5.0.0, latest:5.2.1\n\nVersion history:\n\nv5.2.1 | 2026-09-15T14:20:51.613Z | user\n\n内容增强与修正（10737→12805字符）：修正术语错误'金融机构AI就熟度'→'AI就绪度'；更新已撤销机构名（CBIRC/银保监会→国家金融监督管理总局）并新增术语与机构沿革说明；金融AI趋势与动态更新至2026-09-15并扩充至11项；新增AI场景优先级评分表（六维加权，合规风险具备否决性）、治理落地指标表、常见误用与纠偏表；版本号 5.2.0→5.2.1\n\nv5.2.0 | 2026-06-03T14:16:21.308Z | auto\n\n**finance-ai-strategy v5.2.0 changelog**\n\n- 增加阿里百技图Agent体系和保险AI应用研究报告的精华，进一步丰富战略方法论。\n- 引入麦肯锡三地平线（Three Horizons）、MECE诊断、AI就绪度等新模型，升级战略分析框架。\n- 全面扩展金融AI Agent角色和能力层级，提供10类金融AI雇员全景与推荐场景。\n- 补充LLM与MCP/A2A生态选型策略，详细对比开源&闭源大模型、协议标准与金融适配度。\n- 明确2026年金融AI监管新规（模型台账、偏差应急、伦理评级等）与行业趋势。\n- 优化触发与用户确认机制，加强合规声明，确保输出仅供参考。\n\nv5.1.0 | 2026-06-03T14:07:08.274Z | auto\n\nfinance-ai-strategy v5.1.0\n\n- Updated security, compliance, and usage instructions for enhanced data safety and clarity.\n- Added precise trigger rules: skill now only activates for explicit AI strategy/finance-related requests.\n- Reinforced the educational/advisory-only nature; clarified that all code is for reference and not executed.\n- \"Allowed-tools\" field added, indicating no active integrations.\n- Removed the skill-card.md file for streamlined documentation.\n- No changes to frameworks, models, or guidance content.\n\nv1.0.2 | 2026-06-02T15:20:42.416Z | auto\n\n**v1.0.2 Changelog**\n\n- Clarified that all code is for reference only (not auto-executed); updated capabilities to \"code-examples-reference\".\n- Strengthened security, compliance, and trigger-use warnings in documentation.\n- Refined explanatory notes and disclaimers in the \"Dianjin\" integration appendix to emphasize the educational and non-investment-advice nature.\n- Updated trigger keywords and usage rules for stricter context matching.\n- Removed the unused skill-card.md file for a cleaner repository.\n\nv1.0.1 | 2026-06-02T14:37:59.532Z | auto\n\n- Clarified and tightened security and data privacy notices, emphasizing non-collection and non-storage of user data.\n- Added precise trigger conditions: skill now only activates for explicit AI strategy, investment prioritization, or governance topics in finance.\n- Added an \"allowed-tools\" field and new trigger slug `finance-ai-strategy-architect` for improved integration control.\n- Removed redundant file `skill-card.md` for cleaner packaging.\n- No changes to core frameworks, templates, or financial AI strategy content.\n\nv5.0.1 | 2026-06-01T22:34:58.419Z | user\n\nSecurity compliance: fixed garbled text, added capability declarations and advisory-only disclaimers; enriched content with detailed steps, rules, and report templates\n\nv5.0.0 | 2026-05-31T02:12:35.379Z | user\n\n融合阿里点金（Dianjin）金融数字员工精髓，版本升级至5.0.0\n\nv2.0.0 | 2026-05-13T02:22:50.047Z | auto\n\nNo changes detected in this version.\n\n- Version number updated to 2.0.0, but content is unchanged.\n\nv1.0.0 | 2026-05-13T02:11:16.486Z | auto\n\nInitial release of Financial AI Strategy Architect.\n\n- Provides key strategic models for AI transformation in financial institutions (banking, insurance, securities, funds).\n- Includes frameworks for transformation roadmap, scenario prioritization, AI governance, technical route selection, and organizational change management.\n- Supplies ready-to-use Python templates for ROI calculation and AI maturity assessment.\n- Offers concise compliance checklists for Chinese regulations (CBIRC, PIPL).\n- Based on industry practice and up-to-date compliance guidance.\n\nArchive index:\n\nArchive v5.2.1: 3 files, 11803 bytes\n\nFiles: skill-card.md (2482b), SKILL.md (23826b), _meta.json (138b)\n\nFile v5.2.1:SKILL.md\n\n---\nname: Financial AI Strategy Architect\nslug: finance-ai-strategy\ndescription: 帮助金融机构制定AI转型战略、评估AI投资优先级、设计AI治理框架，从数字金融迈向数智金融的战略规划指导。融合阿里百技图Agent体系与保险AI应用研究报告精华。\nversion: \"5.2.1\"\nallowed-tools: []\ncapabilities:\n  - educational-reference\n  - advisory-only\n  - requires-human-review\n  - code-examples-reference\ntriggers:\n  - finance-ai-strategy\n  - finance-ai-strategy-architect\n---\n\n# SKILL.md\n\n> **⚠️ SECURITY NOTICE / 安全声明**\n> - **Type:** Educational reference / analytical framework ONLY\n> - **No executable code, scripts, or binaries are included in this skill**\n> - **No persistent storage, network calls, background execution, or credential collection**\n> - **All outputs are for reference only and require human review before real-world application**\n> - **This skill does NOT provide financial, legal, or insurance advice**\n> - **Users must exercise their own judgment and consult qualified professionals**\n>\n> **⚠️ 数据安全警告**\n> - 本技能仅提供金融机构AI转型的战略分析框架，**不执行任何代码或脚本**\n> - 所有战略建议均为参考性输出，**不能替代专业咨询团队的深度调研**\n> - 不收集、不存储用户的任何机构数据、业务数据或个人信息\n> - 监管合规信息请以国家金融监督管理总局（NFRA）官方文件为准\n> - 文中涉及的行业数据、案例仅用于方法论说明，不构成对特定产品或供应商的推荐\n\n## Identity\n\n**⚠️ 精确触发规则**：仅当用户明确需要制定AI转型战略、评估AI投资优先级、设计AI治理框架等**金融AI战略规划类**话题时激活。日常对话提及\"AI\"、\"战略\"、\"转型\"、\"数字化\"等通用词汇时**不会自动触发**。\n\n**用户确认规则**：匹配以下关键词时，需先向用户确认后再进入战略规划模式：\n- \"您需要金融AI战略规划支持吗？请注意：本技能输出仅供内部参考，不构成投资建议。确认继续？\"\n\n- **Skill Name**: 金融AI战略规划师 (Financial AI Strategy Architect)\n- **Slug**: finance-ai-strategy\n- **Version**: 5.2.1\n- **Language**: 中文为主，英文关键术语保留\n- **Author**: 葛成 (@gechengling)\n- **Description**: 以麦肯锡方法论为体、阿里百技图Agent体系为用、保险AI研究报告为证，帮助金融机构制定从\"数字\"到\"数智\"的AI转型战略。\n- **Key References**:\n  - 阿里百技图：Agent生产力公式、金融AI雇员全景、多智能体协作框架\n  - 保险AI研究报告：MCP/A2A生态、LLM选型策略、行业最佳实践\n  - 麦肯锡：三地平线、MECE诊断、ROI评估方法论\n\n---\n\n## Core Thinking Models\n\n### 模型一：金融AI三大视界（麦肯锡三地平线框架）\n\n```\n┌─────────────────────────────────────────────────────────────┐\n│              金融AI战略 — 三大视界（Three Horizons）           │\n├──────────────┬──────────────────┬────────────────────────────┤\n│  Horizon 1    │  Horizon 2        │  Horizon 3                  │\n│  (0-12个月)   │  (12-36个月)      │  (36-60个月)                │\n├──────────────┼──────────────────┼────────────────────────────┤\n│ 运营效率革命  │ 客户体验重塑      │ 商业模式创新                │\n│              │                  │                            │\n│ • 智能客服    │ • AI Agent投保    │ • AI原生保险产品            │\n│ • 文档自动化  │ • 个性化产品推荐  │ • 动态定价2.0              │\n│ • 智能理赔    │ • 全渠道客户旅程  │ • 去中介化平台              │\n│ • RPA升级     │ • 多模态交互      │ • 生态化金融服务            │\n├──────────────┼──────────────────┼────────────────────────────┤\n│ 典型场景：    │ 典型场景：         │ 典型场景：                  │\n│ 核保自动化   │ Agent驱动的理赔    │ 自主风控决策体系            │\n│ 智能客服     │ 智能投顾           │ AI原生保险产品              │\n│ 报表生成     │ 个性化营销         │ 开放银行/保险平台           │\n├──────────────┴──────────────────┴────────────────────────────┤\n│ 核心原则：Horizon 1 造血 → Horizon 2 蓄力 → Horizon 3 领跑   │\n│ \"先赋能、再替代、最后创新\"                                  │\n└─────────────────────────────────────────────────────────────┘\n```\n\n### 模型二：AI就绪度诊断（MECE框架）\n\n**六大维度评估金融机构AI就绪度**：\n\n| 维度 | 评估指标 | L1 初始级 | L3 发展级 | L5 领先级 |\n|------|---------|-----------|-----------|----------|\n| **战略** | AI在董事会优先级 | 未列入议程 | 专项AI委员会 | AI驱动战略决策 |\n| **数据** | 数据基础建设 | 手工报表为主 | 统一数据中台 | 实时数据+知识图谱 |\n| **技术** | AI基础设施 | 单点POC | MCP/A2A架构落地 | AI原生技术栈 |\n| **人才** | AI团队配置 | 0-5人外包 | 20-50人内外部混编 | 200+ AI原生团队 |\n| **治理** | AI风控体系 | 无明确规范 | 模型台账+三方审计 | 实时AI监管沙盒 |\n| **生态** | 外部合作 | 单一供应商 | 多供应商+开源混合 | 自研+社区贡献+标准制定 |\n\n**诊断方法论**（MECE逻辑树）：\n```\n金融机构AI就绪度\n├── 能力维度（内部）\n│   ├── 数据基础（数据中台、数据质量、数据合规）\n│   ├── 技术能力（算力、模型、工程化）\n│   ├── 人才储备（AI团队、培训体系、文化接受度）\n│   └── 组织架构（AI部门定位、决策流程、激励机制）\n│\n├── 战略维度（顶层设计）\n│   ├── 愿景清晰度（是否明确AI战略定位）\n│   ├── 资源投入（预算、人力、管理层承诺）\n│   └── 路线图（分阶段目标、里程碑）\n│\n└── 环境维度（外部）\n    ├── 监管要求（国家金融监督管理总局 NFRA）\n    ├── 市场竞争（同行进度、技术替代风险）\n    └── 技术演进（MCP/A2A、多模态、Agent）\n```\n\n### 模型三：Agent生产力公式（阿里百技图精华）\n\n**AI Agent = 大模型(LLM) × 工具生态(MCP/A2A) × 业务流程(RPA/Workflow)**\n\n```\nAgent生产力公式：\n\n             协作系数 α\n    Productivity = (LLM能力 × 工具生态 × 流程数字化)  \n                   ─────────────────────────────\n                        治理成本 + 风险系数\n\n其中：\n- LLM能力: 推理、多模态、长上下文、Function Calling\n- 工具生态: MCP服务器数量、A2A协议成熟度、API覆盖度\n- 流程数字化: 业务流程数字化率、数据可获取性\n- 协作系数α: 多Agent协作效率（单Agent=1, 多Agent=1.5-3）\n- 治理成本: 安全审计、合规检查、模型监控的人力投入\n```\n\n**Agent能力层级**（L1-L3渐进路线）：\n\n| 层级 | 名称 | 能力特征 | 金融适用场景 |\n|------|------|---------|------------|\n| **L1** | 工具型Agent | 单一任务、规则驱动、有限感知 | 报表生成、文档处理、智能客服 |\n| **L2** | 分析型Agent | 多步骤推理、信息检索、人机协作 | 核保辅助、理赔初审、风险分析 |\n| **L3** | 决策型Agent | 自主规划、多工具调用、持续学习 | 资产配置、动态风控、反欺诈 |\n\n**金融AI雇员全景**（阿里百技图推荐的10类核心AI Agent角色）：\n\n| Agent类型 | 核心能力 | 适用岗位替代/赋能 |\n|-----------|---------|-----------------|\n| 财务分析官 | 财报分析·估值模型·行业对比 | 信用分析师、投资经理 |\n| 风险管理师 | 风险识别·模型监控·压力测试 | 风控专员、合规经理 |\n| 理赔处理官 | 影像审核·赔付计算·反欺诈 | 理赔调查员 |\n| 承保核保师 | 风险定价·保单审核·再保安排 | 核保员 |\n| 客户服务官 | 智能问答·情感分析·投诉处理 | 客服代表 |\n| 研究分析师 | 研报生成·数据挖掘·趋势预测 | 研究员 |\n| 投资顾问 | 资产配置·组合优化·市场分析 | 投资顾问 |\n| 合规审查官 | 政策解读·违规检测·报告生成 | 合规专员 |\n| 数据科学家 | 模型开发·特征工程·A/B测试 | 数据分析师 |\n| 反欺诈分析师 | 异常检测·关联图谱·规则引擎 | 反欺诈专员 |\n\n### 模型四：场景优先级矩阵（价值×可行性）\n\n```\nY轴（商业价值）：高/中/低\nX轴（技术可行性）：高/中/低\n\n四象限排序策略：\n\n1️⃣ 高价值+高可行 → 立即规模化（2026-2027 Q1-Q2）\n   - 智能客服（85%替代率，已大规模验证）\n   - 文档处理（70%效率提升，技术成熟）\n   - 风控决策（决策时效<3秒，模型稳定）\n\n2️⃣ 高价值+低可行 → 预研+试点（2026-2027 Q3-Q4）\n   - Agent驱动的投资顾问（监管待明确）\n   - 全自动核保引擎（需解决可解释性）\n   - 多Agent协作理赔（技术仍在演进）\n\n3️⃣ 低价值+高可行 → 快速试水（2026 Q1-Q2）\n   - 智能质检（部署简单，ROI中等）\n   - 报表自动化（工具成熟）\n\n4️⃣ 低价值+低可行 → 暂缓/外包\n   - 通用客服（非核心能力）\n   - 数据标注（可外包）\n```\n\n### 模型五：大模型选型与MCP/A2A生态\n\n**LLM选型四维评估矩阵**：\n\n| 评估维度 | 闭源（GPT/Claude） | 开源（Qwen/DeepSeek/Llama） | 垂直金融模型 |\n|---------|-------------------|---------------------------|------------|\n| 推理能力 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ |\n| 多模态 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐ |\n| 金融知识 | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |\n| 成本效益 | ⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ |\n| 数据安全 | ⭐⭐（数据出境风险） | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |\n| 生态兼容 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ |\n\n**MCP/A2A协议生态（2026年现状）**：\n\n| 协议 | 发起方 | 定位 | 金融行业适配度 |\n|------|--------|------|--------------|\n| **MCP** (Model Context Protocol) | Anthropic → Linux AAIF治理 | 模型与外部系统通信标准（类似TCP/IP） | ⭐⭐⭐⭐⭐ 1000+服务器，50+官方 |\n| **A2A** (Agent-to-Agent) | Google | 多Agent间协作通信 | ⭐⭐⭐⭐ Agent协作标准 |\n| **Function Calling** | OpenAI | 单模型工具调用 | ⭐⭐⭐ 基础能力，已广泛支持 |\n\n**选型推荐**（麦肯锡式决策树）：\n```\n数据敏感度？\n├── 高（监管数据）→ 开源模型本地部署（Qwen/DeepSeek）\n│   └── 是否需多模态？\n│       ├── 是 → Qwen-VL / DeepSeek-VL\n│       └── 否 → Qwen3 / DeepSeek-R1\n│\n└── 低（非敏感场景）→ 闭源API（Claude/GPT）\n    └── 是否需长上下文？\n        ├── 是 → Gemini 2M Token / Claude 200K\n        └── 否 → GPT-4o / Claude Sonnet 4\n```\n\n### 模型六：AI治理金字塔（合规框架）\n\n```\n┌─────────────────────────────────────────┐\n│           顶层：AI战略层                  │\n│  AI伦理委员会 · AI战略委员会 · 监管机构监督 │\n├─────────────────────────────────────────┤\n│         二层：AI治理委员会                │\n│  跨部门协调 · 模型风险管治 · 合规审计    │\n├─────────────────────────────────────────┤\n│         三层：AI运营规范                  │\n│  模型全生命周期管理 · 数据治理 · 算法公平 │\n│  · 可解释性 · 偏差监控(±5%应急机制)     │\n├─────────────────────────────────────────┤\n│         四层：技术基础设施                 │\n│  安全审计 · 隐私保护 · 模型监控 · 灾备    │\n│  · MCP连接安全 · A2A通信加密             │\n└─────────────────────────────────────────┘\n\n2026年监管新要求（中国人民银行）：\n1. 建立AI模型台账，重大模型变更须经独立第三方审计\n2. 模型偏差超±5%须启动应急机制\n3. 金融科技伦理委员会：算法公平性/透明度/可解释性纳入年度评级\n4. 数据要素×金融：企业数据资产入表，数据质量评分纳入央行评级\n```\n\n### 模型七：AI项目ROI评估（麦肯锡方法论）\n\n**三层次ROI评估**：\n\n```\n第一层：直接成本节约\n  = 人力替代 × 人均成本 + 效率提升 × 时间价值 + 错误减少 × 损失避免\n\n第二层：间接收益\n  = 客户满意度提升 × 留存率 × CLV + 交叉销售率提升 × 平均客单价\n\n第三层：战略价值（量化）\n  = 数据资产积累 + 技术能力沉淀 + 品牌溢价 + 监管合规成本降低\n\n推荐指标：\n- Payback Period（回收期）：建议<18个月\n- IRR（内部收益率）：目标>25%\n- ROI（3年）：目标>200%\n```\n\n### 模型八：组织变革曲线（从\"工具化\"到\"AI原生\"）\n\n```\n组织AI成熟度五阶段：\n\nL1 工具辅助 (2024前) → AI作为效率工具\nL2 流程嵌入 (2024-2025) → AI嵌入核心业务流程  \nL3 能力内化 (2025-2026) → 自建AI中台+模型微调\nL4 生态共建 (2026-2027) → MCP生态+多Agent协作\nL5 AI原生 (2028+) → AI原生产品+Agent自主决策\n\n变革管理关键动作：\n- 高管对齐：Board-level AI战略研讨会（季度）\n- 中层赋能：AI literacy培训计划（覆盖100%中层）\n- 一线激励：\"AI Champion\"评选机制\n- 组织保障：CAIO（首席AI官）或AI转型办\n```\n\n---\n\n## 金融AI趋势与动态（截至 2026-09-15）\n\n| 趋势 | 内容摘要 | 战略影响 | 时间窗口 |\n|------|---------|---------|---------|\n| MCP标准化 | 已捐赠Linux AAIF治理，生态超1000服务器 | AI架构选型向MCP收敛 | 2026 Q2 |\n| A2A协议 | Google推出Agent-to-Agent协作标准 | 多智能体编排成为可能 | 2026 Q3 |\n| AI Agent规模化 | 金融行业从单点POC进入规模部署 | 从RPA升级到智能Agent | 2026-2027 |\n| 模型监管趋严 | 央行要求AI模型台账+三方审计 | 治理成本上升 | 2026已实施 |\n| 开源模型崛起 | DeepSeek-R1/千问3性价比优势明显 | 选型策略调整 | 2026持续 |\n| 数据要素入表 | 企业数据资产入表扩展至金融机构 | 数据治理价值凸显 | 2026-2027 |\n| 生成式内容治理 | 生成合成内容需可识别、可追溯 | AI输出须标注来源与生成方式 | 2026已实施 |\n| AI安全开发规范 | 对AI开发与应用全流程提出安全要求 | 需建立开发环节的安全评审 | 2026已实施 |\n| 算力供给结构 | 推理算力需求上升，本地化部署诉求增强 | 算力规划纳入战略考量 | 2026持续 |\n| 人机协同边界 | 明确AI辅助与人工决策的责任划分 | 权责边界写入流程与制度 | 2026-2027 |\n| 数据跨境合规 | 跨境数据流动规则持续细化 | 涉及境外合作的场景需单独评估 | 2026-2027 |\n\n## 术语与机构沿革说明\n\n| 名称 | 说明 | 使用建议 |\n|-----|------|---------|\n| 国家金融监督管理总局（NFRA） | 现行银行业保险业监管机构 | 正文与对外材料统一使用现行名称 |\n| 原中国银行保险监督管理委员会（CBIRC） | 2023 年机构改革前的名称 | 仅在引用历史文件标题时保留 |\n| 偿二代规则Ⅱ | 保险业偿付能力监管规则 | 引用时注明规则版本 |\n| MCP / A2A | Agent 与外部系统、Agent 之间的通信协议 | 选型时关注治理主体与生态成熟度 |\n\n> 提示：战略文件中出现机构名混用（新旧名称并存）会削弱专业度，建议成稿后统一检索替换，历史文件标题保留原文并加注。\n\n---\n\n## AI场景优先级评分表（量化排序）\n\n> 用途：把\"高价值+高可行\"从定性判断变成可讨论的打分，避免只凭直觉排队。\n\n| 评分维度 | 权重 | 5 分标准 | 3 分标准 | 1 分标准 |\n|---------|------|---------|---------|---------|\n| 业务价值 | 25% | 直接对应收入或重大成本项 | 间接影响效率 | 主要是体验改善 |\n| 可行性 | 20% | 技术成熟、数据就绪 | 需补数据或改造流程 | 需突破技术瓶颈 |\n| 合规风险 | 20% | 明确可做、有先例 | 需个案评估 | 监管未明确 |\n| 数据就绪度 | 15% | 数据齐备、质量可控 | 部分数据需治理 | 数据缺失 |\n| 投入产出比 | 10% | 回收期 < 12 个月 | 12–24 个月 | > 24 个月 |\n| 组织接受度 | 10% | 一线主动要求 | 需推动 | 存在明显阻力 |\n\n**优先级判定**\n\n| 加权总分 | 处置 | 说明 |\n|---------|------|------|\n| ≥ 4.0 | 立即推进 | 进入年度重点清单 |\n| 3.0–3.9 | 试点验证 | 小范围验证后决策 |\n| 2.0–2.9 | 观察 | 条件成熟再启动 |\n| < 2.0 | 暂缓 | 明确写入\"不做清单\"并说明理由 |\n\n> **合规风险一项具有否决性**：若该项低于 2 分，无论总分多高都不进入推进清单。\n\n---\n\n## 治理落地指标表\n\n| 治理环节 | 关键动作 | 可观测指标 | 责任方 |\n|---------|---------|-----------|-------|\n| 台账管理 | 建立模型与场景台账 | 台账覆盖率、更新及时率 | AI 治理牵头部门 |\n| 变更管理 | 重大变更评审与留痕 | 变更评审完成率 | 模型归属部门 |\n| 偏差监控 | 设定阈值与应急机制 | 偏差超阈次数、处置时长 | 模型归属部门 + 风控 |\n| 人工复核 | 关键结论人工确认 | 复核覆盖率 | 业务条线 |\n| 数据合规 | 最小必要与去标识 | 数据使用登记完整率 | 数据管理部门 |\n| 输出可追溯 | 标注来源与生成方式 | 可追溯比例 | 场景负责人 |\n| 能力建设 | 分层培训 | 覆盖率、考核通过率 | 人力 + AI 治理 |\n\n---\n\n## 常见误用与纠偏\n\n| 误用 | 表现 | 纠偏动作 |\n|-----|------|---------|\n| 把\"上工具\"当\"做战略\" | 战略文档实为采购清单 | 先写清业务目标与取舍，再谈工具 |\n| 三地平线混用 | 用 H1 的节奏要求 H3 的目标 | 按时间窗分别设定评价标准 |\n| 就绪度自评偏高 | 各维度都填 L4/L5 | 用可验证证据支撑等级判断 |\n| ROI 只算成本节约 | 忽略间接收益与战略价值 | 按三层次分别测算并标注口径 |\n| 治理写在纸上 | 有制度无台账、无阈值 | 把治理落到可观测指标 |\n| 机构名混用 | 新旧监管机构名称并存 | 统一为现行名称，历史标题加注 |\n| 忽略人机边界 | 未明确 AI 辅助与人工决策的分界 | 在流程中写明复核节点与责任人 |\n\n---\n\n\n---\n\n## When to Use\n\n**可直接激活**（精确匹配AI战略规划场景）：\n- \"我要制定金融机构的3-5年AI转型战略\"\n- \"AI场景那么多，先做哪个后做哪个？\"\n- \"怎么建立AI治理体系，满足国家金融监督管理总局（NFRA）要求？\"\n- \"AI能力是自己开发还是外面采购？\"\n\n**需用户确认**（可能与其他场景重叠）：\n- \"金融机构怎么做数字化转型\"\n- \"AI在保险行业的应用\"\n- \"怎么评估一个AI项目的ROI？\"\n- \"AI Agent怎么在金融落地\"\n\n**不适用场景**：\n- 具体代码实现（请使用开发类技能）\n- 投资建议/个股推荐（请使用投资分析技能）\n- 法律合规意见（应咨询法务团队）\n\n---\n\n## Python Code Templates\n\n### ROI计算模板\n> **示例代码（仅供学习参考，非本技能自动执行）**：\n```python\ndef calculate_ai_roi(investment_cost, annual_savings, efficiency_gain, years=5):\n    \"\"\"\n    AI项目ROI计算（参照麦肯锡三层次ROI方法）\n    - investment_cost: 初始投资（万元）\n    - annual_savings: 年化成本节约（万元）\n    - efficiency_gain: 效率提升带来的收益（万元/年）\n    \"\"\"\n    total_investment = investment_cost\n    total_benefits = 0\n    for year in range(1, years + 1):\n        annual_benefit = annual_savings + (efficiency_gain * year * 0.1)\n        total_benefits += annual_benefit\n    roi = (total_benefits - total_investment) / total_investment * 100\n    payback = total_investment / (annual_savings + efficiency_gain)\n    return {\"roi\": f\"{roi:.1f}%\", \"payback\": f\"{payback:.1f}年\"}\n```\n\n### AI成熟度评估框架\n> **示例代码（仅供学习参考，非本技能自动执行）**：\n```python\ndef assess_ai_maturity():\n    dimensions = [\"数据基础\", \"技术能力\", \"组织文化\", \"治理体系\", \"应用场景\"]\n    levels = {\n        1: \"初始级 - 手工流程为主\",\n        2: \"基础级 - 核心业务数字化\",\n        3: \"发展级 - 多个AI场景落地\",\n        4: \"成熟级 - AI驱动决策\",\n        5: \"领先级 - AI原生架构\"\n    }\n    return levels\n```\n\n---\n\n## Compliance Checklist\n\n### 监管合规要点（国家金融监督管理总局）\n- 建立数据治理框架（数据分类分级、数据质量管控）\n- 明确AI应用场景的权责边界（AI辅助≠AI决策）\n- 建立模型风险管理制度（模型台账、三方审计）\n- 定期进行AI系统审计（偏差监控±5%）\n- 保障消费者权益和隐私（PIPL合规）\n\n### PIPL合规检查\n- 数据收集最小必要原则\n- 用户知情同意\n- 数据本地化存储\n- 个人信息删除权保障\n\n### 2026年新增合规要求\n- AI伦理委员会设立（持牌机构必备）\n- 算法公平性/透明度/可解释性纳入年度评级\n- 重大模型变更须独立第三方审计\n- 跨境数据流动合规（跨境金融沙盒试点）\n\n---\n\n## Source Notes\n\n- 阿里百技图 · 金融行业Agent百技图（2026）\n- 保险科技专委会《大模型AI Agent在保险行业的应用研究报告》（2025）\n- 麦肯锡《Three Horizons of Growth》\n- 《银行业保险业数字化转型指导意见》（原银保监会发布，现行监管机构为国家金融监督管理总局）\n- NFRA AI合规指引（2025-2026）\n- 中国人民银行《金融科技发展规划》\n- Gartner《AI in Financial Services》\n\n---\n\n## ClawHub Metadata\n\n- **Slug**: finance-ai-strategy\n- **Tags**: AI转型,数智化,金融科技,AI治理,战略规划,NFRA合规,智能金融,Agent,AI Agent,十五五规划\n- **Version**: 5.2.1\n- **License**: MIT\n- **Author**: gechengling\n- **ClawHub URL**: https://clawhub.ai/gechengling/finance-ai-strategy\n\n---\n\n## README (English)\n\n**Financial AI Strategy Architect** — McKinsey-informed AI transformation strategy for banks, insurers, and securities firms. Covers AI maturity diagnosis, Agent productivity formula, MCP/A2A ecosystem, LLM selection, multi-Agent orchestration, governance framework, and ROI assessment.\n\n**Author**: gechengling | **License**: MIT\n\nFile v5.2.1:_meta.json\n\n{\n  \"ownerId\": \"kn74e704j3ygjcygnpf02rdvd185js13\",\n  \"slug\": \"finance-ai-strategy\",\n  \"version\": \"5.2.1\",\n  \"publishedAt\": 1789482051613\n}\n\nFile v5.2.1:skill-card.md\n\n## Description:\n\n帮助金融机构制定AI转型战略、评估AI投资优先级、设计AI治理框架，从数字金融迈向数智金融的战略规划指导。融合阿里百技图Agent体系与保险AI应用研究报告精华。\n\nThis skill is ready for commercial/non-commercial use.\n\n## Publisher:\n\n[gechengling](https://clawhub.ai/user/gechengling)\n\n### License/Terms of Use:\n\nMIT-0\n\n## Use Case:\n\nExternal users and financial-institution teams use this skill to structure AI transformation strategies, prioritize AI scenarios, assess readiness and ROI, and design AI governance frameworks for banks, insurers, and securities firms.\n\n### Deployment Geography for Use:\n\nGlobal\n\n## Known Risks and Mitigations:\n\nRisk: Users may treat strategic outputs as financial, legal, insurance, or regulatory advice.\n\nMitigation: Require qualified human review and consult appropriate professionals before applying outputs to real institutions or decisions.\n\nRisk: Regulatory references may be jurisdiction-specific or become stale.\n\nMitigation: Verify regulatory claims against current official regulator documents and internal compliance teams before use.\n\nRisk: Chinese-first output may be unsuitable for non-Chinese workflows.\n\nMitigation: Ask the agent to produce the output in another language when the audience or review process requires it.\n\nRisk: Reference-only code snippets may be copied into production without engineering review.\n\nMitigation: Treat snippets as examples only and require normal code review, testing, and security checks before implementation.\n\n## Reference(s):\n\n- [ClawHub Skill Page](https://clawhub.ai/gechengling/skills/finance-ai-strategy)\n- [Publisher Profile](https://clawhub.ai/user/gechengling)\n- [Artifact ClawHub Metadata URL](https://clawhub.ai/gechengling/finance-ai-strategy)\n\n## Skill Output:\n\n**Output Type(s):** [Guidance, Markdown, Code]\n\n**Output Format:** [Markdown with tables and reference-only Python code blocks]\n\n**Output Parameters:** [1D]\n\n**Other Properties Related to Output:** [Chinese-first advisory output; requires qualified human review before real-world application.]\n\n## Skill Version(s):\n\n5.2.1 (source: server release metadata and SKILL.md frontmatter)\n\n## Ethical Considerations:\n\nUsers should evaluate whether this skill is appropriate for their environment, review any generated or modified files before relying on them, and apply their organization's safety, security, and compliance requirements before deployment.\n\nArchive v5.2.0: 3 files, 9665 bytes\n\nFiles: skill-card.md (2378b), SKILL.md (19428b), _meta.json (138b)\n\nFile v5.2.0:SKILL.md\n\n---\nname: Financial AI Strategy Architect\nslug: finance-ai-strategy\ndescription: 帮助金融机构制定AI转型战略、评估AI投资优先级、设计AI治理框架，从数字金融迈向数智金融的战略规划指导。融合阿里百技图Agent体系与保险AI应用研究报告精华。\nversion: \"5.2.0\"\nallowed-tools: []\ncapabilities:\n  - educational-reference\n  - advisory-only\n  - requires-human-review\n  - code-examples-reference\ntriggers:\n  - finance-ai-strategy\n  - finance-ai-strategy-architect\n---\n\n# SKILL.md\n\n> **⚠️ SECURITY NOTICE / 安全声明**\n> - **Type:** Educational reference / analytical framework ONLY\n> - **No executable code, scripts, or binaries are included in this skill**\n> - **No persistent storage, network calls, background execution, or credential collection**\n> - **All outputs are for reference only and require human review before real-world application**\n> - **This skill does NOT provide financial, legal, or insurance advice**\n> - **Users must exercise their own judgment and consult qualified professionals**\n>\n> **⚠️ 数据安全警告**\n> - 本技能仅提供金融机构AI转型的战略分析框架，**不执行任何代码或脚本**\n> - 所有战略建议均为参考性输出，**不能替代专业咨询团队的深度调研**\n> - 不收集、不存储用户的任何机构数据、业务数据或个人信息\n> - 监管合规信息请以国家金融监督管理总局（NFRA）官方文件为准\n> - 文中涉及的行业数据、案例仅用于方法论说明，不构成对特定产品或供应商的推荐\n\n## Identity\n\n**⚠️ 精确触发规则**：仅当用户明确需要制定AI转型战略、评估AI投资优先级、设计AI治理框架等**金融AI战略规划类**话题时激活。日常对话提及\"AI\"、\"战略\"、\"转型\"、\"数字化\"等通用词汇时**不会自动触发**。\n\n**用户确认规则**：匹配以下关键词时，需先向用户确认后再进入战略规划模式：\n- \"您需要金融AI战略规划支持吗？请注意：本技能输出仅供内部参考，不构成投资建议。确认继续？\"\n\n- **Skill Name**: 金融AI战略规划师 (Financial AI Strategy Architect)\n- **Slug**: finance-ai-strategy\n- **Version**: 5.2.0\n- **Language**: 中文为主，英文关键术语保留\n- **Author**: 葛成 (@gechengling)\n- **Description**: 以麦肯锡方法论为体、阿里百技图Agent体系为用、保险AI研究报告为证，帮助金融机构制定从\"数字\"到\"数智\"的AI转型战略。\n- **Key References**:\n  - 阿里百技图：Agent生产力公式、金融AI雇员全景、多智能体协作框架\n  - 保险AI研究报告：MCP/A2A生态、LLM选型策略、行业最佳实践\n  - 麦肯锡：三地平线、MECE诊断、ROI评估方法论\n\n---\n\n## Core Thinking Models\n\n### 模型一：金融AI三大视界（麦肯锡三地平线框架）\n\n```\n┌─────────────────────────────────────────────────────────────┐\n│              金融AI战略 — 三大视界（Three Horizons）           │\n├──────────────┬──────────────────┬────────────────────────────┤\n│  Horizon 1    │  Horizon 2        │  Horizon 3                  │\n│  (0-12个月)   │  (12-36个月)      │  (36-60个月)                │\n├──────────────┼──────────────────┼────────────────────────────┤\n│ 运营效率革命  │ 客户体验重塑      │ 商业模式创新                │\n│              │                  │                            │\n│ • 智能客服    │ • AI Agent投保    │ • AI原生保险产品            │\n│ • 文档自动化  │ • 个性化产品推荐  │ • 动态定价2.0              │\n│ • 智能理赔    │ • 全渠道客户旅程  │ • 去中介化平台              │\n│ • RPA升级     │ • 多模态交互      │ • 生态化金融服务            │\n├──────────────┼──────────────────┼────────────────────────────┤\n│ 典型场景：    │ 典型场景：         │ 典型场景：                  │\n│ 核保自动化   │ Agent驱动的理赔    │ 自主风控决策体系            │\n│ 智能客服     │ 智能投顾           │ AI原生保险产品              │\n│ 报表生成     │ 个性化营销         │ 开放银行/保险平台           │\n├──────────────┴──────────────────┴────────────────────────────┤\n│ 核心原则：Horizon 1 造血 → Horizon 2 蓄力 → Horizon 3 领跑   │\n│ \"先赋能、再替代、最后创新\"                                  │\n└─────────────────────────────────────────────────────────────┘\n```\n\n### 模型二：AI就绪度诊断（MECE框架）\n\n**六大维度评估金融机构AI就绪度**：\n\n| 维度 | 评估指标 | L1 初始级 | L3 发展级 | L5 领先级 |\n|------|---------|-----------|-----------|----------|\n| **战略** | AI在董事会优先级 | 未列入议程 | 专项AI委员会 | AI驱动战略决策 |\n| **数据** | 数据基础建设 | 手工报表为主 | 统一数据中台 | 实时数据+知识图谱 |\n| **技术** | AI基础设施 | 单点POC | MCP/A2A架构落地 | AI原生技术栈 |\n| **人才** | AI团队配置 | 0-5人外包 | 20-50人内外部混编 | 200+ AI原生团队 |\n| **治理** | AI风控体系 | 无明确规范 | 模型台账+三方审计 | 实时AI监管沙盒 |\n| **生态** | 外部合作 | 单一供应商 | 多供应商+开源混合 | 自研+社区贡献+标准制定 |\n\n**诊断方法论**（MECE逻辑树）：\n```\n金融机构AI就熟度\n├── 能力维度（内部）\n│   ├── 数据基础（数据中台、数据质量、数据合规）\n│   ├── 技术能力（算力、模型、工程化）\n│   ├── 人才储备（AI团队、培训体系、文化接受度）\n│   └── 组织架构（AI部门定位、决策流程、激励机制）\n│\n├── 战略维度（顶层设计）\n│   ├── 愿景清晰度（是否明确AI战略定位）\n│   ├── 资源投入（预算、人力、管理层承诺）\n│   └── 路线图（分阶段目标、里程碑）\n│\n└── 环境维度（外部）\n    ├── 监管要求（NFRA/CBIRC合规）\n    ├── 市场竞争（同行进度、技术替代风险）\n    └── 技术演进（MCP/A2A、多模态、Agent）\n```\n\n### 模型三：Agent生产力公式（阿里百技图精华）\n\n**AI Agent = 大模型(LLM) × 工具生态(MCP/A2A) × 业务流程(RPA/Workflow)**\n\n```\nAgent生产力公式：\n\n             协作系数 α\n    Productivity = (LLM能力 × 工具生态 × 流程数字化)  \n                   ─────────────────────────────\n                        治理成本 + 风险系数\n\n其中：\n- LLM能力: 推理、多模态、长上下文、Function Calling\n- 工具生态: MCP服务器数量、A2A协议成熟度、API覆盖度\n- 流程数字化: 业务流程数字化率、数据可获取性\n- 协作系数α: 多Agent协作效率（单Agent=1, 多Agent=1.5-3）\n- 治理成本: 安全审计、合规检查、模型监控的人力投入\n```\n\n**Agent能力层级**（L1-L3渐进路线）：\n\n| 层级 | 名称 | 能力特征 | 金融适用场景 |\n|------|------|---------|------------|\n| **L1** | 工具型Agent | 单一任务、规则驱动、有限感知 | 报表生成、文档处理、智能客服 |\n| **L2** | 分析型Agent | 多步骤推理、信息检索、人机协作 | 核保辅助、理赔初审、风险分析 |\n| **L3** | 决策型Agent | 自主规划、多工具调用、持续学习 | 资产配置、动态风控、反欺诈 |\n\n**金融AI雇员全景**（阿里百技图推荐的10类核心AI Agent角色）：\n\n| Agent类型 | 核心能力 | 适用岗位替代/赋能 |\n|-----------|---------|-----------------|\n| 财务分析官 | 财报分析·估值模型·行业对比 | 信用分析师、投资经理 |\n| 风险管理师 | 风险识别·模型监控·压力测试 | 风控专员、合规经理 |\n| 理赔处理官 | 影像审核·赔付计算·反欺诈 | 理赔调查员 |\n| 承保核保师 | 风险定价·保单审核·再保安排 | 核保员 |\n| 客户服务官 | 智能问答·情感分析·投诉处理 | 客服代表 |\n| 研究分析师 | 研报生成·数据挖掘·趋势预测 | 研究员 |\n| 投资顾问 | 资产配置·组合优化·市场分析 | 投资顾问 |\n| 合规审查官 | 政策解读·违规检测·报告生成 | 合规专员 |\n| 数据科学家 | 模型开发·特征工程·A/B测试 | 数据分析师 |\n| 反欺诈分析师 | 异常检测·关联图谱·规则引擎 | 反欺诈专员 |\n\n### 模型四：场景优先级矩阵（价值×可行性）\n\n```\nY轴（商业价值）：高/中/低\nX轴（技术可行性）：高/中/低\n\n四象限排序策略：\n\n1️⃣ 高价值+高可行 → 立即规模化（2026-2027 Q1-Q2）\n   - 智能客服（85%替代率，已大规模验证）\n   - 文档处理（70%效率提升，技术成熟）\n   - 风控决策（决策时效<3秒，模型稳定）\n\n2️⃣ 高价值+低可行 → 预研+试点（2026-2027 Q3-Q4）\n   - Agent驱动的投资顾问（监管待明确）\n   - 全自动核保引擎（需解决可解释性）\n   - 多Agent协作理赔（技术仍在演进）\n\n3️⃣ 低价值+高可行 → 快速试水（2026 Q1-Q2）\n   - 智能质检（部署简单，ROI中等）\n   - 报表自动化（工具成熟）\n\n4️⃣ 低价值+低可行 → 暂缓/外包\n   - 通用客服（非核心能力）\n   - 数据标注（可外包）\n```\n\n### 模型五：大模型选型与MCP/A2A生态\n\n**LLM选型四维评估矩阵**：\n\n| 评估维度 | 闭源（GPT/Claude） | 开源（Qwen/DeepSeek/Llama） | 垂直金融模型 |\n|---------|-------------------|---------------------------|------------|\n| 推理能力 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ |\n| 多模态 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐ |\n| 金融知识 | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |\n| 成本效益 | ⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ |\n| 数据安全 | ⭐⭐（数据出境风险） | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |\n| 生态兼容 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ |\n\n**MCP/A2A协议生态（2026年现状）**：\n\n| 协议 | 发起方 | 定位 | 金融行业适配度 |\n|------|--------|------|--------------|\n| **MCP** (Model Context Protocol) | Anthropic → Linux AAIF治理 | 模型与外部系统通信标准（类似TCP/IP） | ⭐⭐⭐⭐⭐ 1000+服务器，50+官方 |\n| **A2A** (Agent-to-Agent) | Google | 多Agent间协作通信 | ⭐⭐⭐⭐ Agent协作标准 |\n| **Function Calling** | OpenAI | 单模型工具调用 | ⭐⭐⭐ 基础能力，已广泛支持 |\n\n**选型推荐**（麦肯锡式决策树）：\n```\n数据敏感度？\n├── 高（监管数据）→ 开源模型本地部署（Qwen/DeepSeek）\n│   └── 是否需多模态？\n│       ├── 是 → Qwen-VL / DeepSeek-VL\n│       └── 否 → Qwen3 / DeepSeek-R1\n│\n└── 低（非敏感场景）→ 闭源API（Claude/GPT）\n    └── 是否需长上下文？\n        ├── 是 → Gemini 2M Token / Claude 200K\n        └── 否 → GPT-4o / Claude Sonnet 4\n```\n\n### 模型六：AI治理金字塔（合规框架）\n\n```\n┌─────────────────────────────────────────┐\n│           顶层：AI战略层                  │\n│  AI伦理委员会 · AI战略委员会 · NFRA监督 │\n├─────────────────────────────────────────┤\n│         二层：AI治理委员会                │\n│  跨部门协调 · 模型风险管治 · 合规审计    │\n├─────────────────────────────────────────┤\n│         三层：AI运营规范                  │\n│  模型全生命周期管理 · 数据治理 · 算法公平 │\n│  · 可解释性 · 偏差监控(±5%应急机制)     │\n├─────────────────────────────────────────┤\n│         四层：技术基础设施                 │\n│  安全审计 · 隐私保护 · 模型监控 · 灾备    │\n│  · MCP连接安全 · A2A通信加密             │\n└─────────────────────────────────────────┘\n\n2026年监管新要求（中国人民银行）：\n1. 建立AI模型台账，重大模型变更须经独立第三方审计\n2. 模型偏差超±5%须启动应急机制\n3. 金融科技伦理委员会：算法公平性/透明度/可解释性纳入年度评级\n4. 数据要素×金融：企业数据资产入表，数据质量评分纳入央行评级\n```\n\n### 模型七：AI项目ROI评估（麦肯锡方法论）\n\n**三层次ROI评估**：\n\n```\n第一层：直接成本节约\n  = 人力替代 × 人均成本 + 效率提升 × 时间价值 + 错误减少 × 损失避免\n\n第二层：间接收益\n  = 客户满意度提升 × 留存率 × CLV + 交叉销售率提升 × 平均客单价\n\n第三层：战略价值（量化）\n  = 数据资产积累 + 技术能力沉淀 + 品牌溢价 + 监管合规成本降低\n\n推荐指标：\n- Payback Period（回收期）：建议<18个月\n- IRR（内部收益率）：目标>25%\n- ROI（3年）：目标>200%\n```\n\n### 模型八：组织变革曲线（从\"工具化\"到\"AI原生\"）\n\n```\n组织AI成熟度五阶段：\n\nL1 工具辅助 (2024前) → AI作为效率工具\nL2 流程嵌入 (2024-2025) → AI嵌入核心业务流程  \nL3 能力内化 (2025-2026) → 自建AI中台+模型微调\nL4 生态共建 (2026-2027) → MCP生态+多Agent协作\nL5 AI原生 (2028+) → AI原生产品+Agent自主决策\n\n变革管理关键动作：\n- 高管对齐：Board-level AI战略研讨会（季度）\n- 中层赋能：AI literacy培训计划（覆盖100%中层）\n- 一线激励：\"AI Champion\"评选机制\n- 组织保障：CAIO（首席AI官）或AI转型办\n```\n\n---\n\n## 2026年金融AI关键趋势\n\n| 趋势 | 内容摘要 | 战略影响 | 时间窗口 |\n|------|---------|---------|---------|\n| MCP标准化 | 已捐赠Linux AAIF治理，生态超1000服务器 | AI架构选型向MCP收敛 | 2026 Q2 |\n| A2A协议 | Google推出Agent-to-Agent协作标准 | 多智能体编排成为可能 | 2026 Q3 |\n| AI Agent规模化 | 金融行业从单点POC进入规模部署 | 从RPA升级到智能Agent | 2026-2027 |\n| 模型监管趋严 | 央行要求AI模型台账+三方审计 | 治理成本上升 | 2026已实施 |\n| 开源模型崛起 | DeepSeek-R1/千问3性价比优势明显 | 选型策略调整 | 2026持续 |\n| 数据要素入表 | 企业数据资产入表扩展至金融机构 | 数据治理价值凸显 | 2026-2027 |\n\n---\n\n## When to Use\n\n**可直接激活**（精确匹配AI战略规划场景）：\n- \"我要制定金融机构的3-5年AI转型战略\"\n- \"AI场景那么多，先做哪个后做哪个？\"\n- \"怎么建立AI治理体系，满足CBIRC/NFRA要求？\"\n- \"AI能力是自己开发还是外面采购？\"\n\n**需用户确认**（可能与其他场景重叠）：\n- \"金融机构怎么做数字化转型\"\n- \"AI在保险行业的应用\"\n- \"怎么评估一个AI项目的ROI？\"\n- \"AI Agent怎么在金融落地\"\n\n**不适用场景**：\n- 具体代码实现（请使用开发类技能）\n- 投资建议/个股推荐（请使用投资分析技能）\n- 法律合规意见（应咨询法务团队）\n\n---\n\n## Python Code Templates\n\n### ROI计算模板\n> **示例代码（仅供学习参考，非本技能自动执行）**：\n```python\ndef calculate_ai_roi(investment_cost, annual_savings, efficiency_gain, years=5):\n    \"\"\"\n    AI项目ROI计算（参照麦肯锡三层次ROI方法）\n    - investment_cost: 初始投资（万元）\n    - annual_savings: 年化成本节约（万元）\n    - efficiency_gain: 效率提升带来的收益（万元/年）\n    \"\"\"\n    total_investment = investment_cost\n    total_benefits = 0\n    for year in range(1, years + 1):\n        annual_benefit = annual_savings + (efficiency_gain * year * 0.1)\n        total_benefits += annual_benefit\n    roi = (total_benefits - total_investment) / total_investment * 100\n    payback = total_investment / (annual_savings + efficiency_gain)\n    return {\"roi\": f\"{roi:.1f}%\", \"payback\": f\"{payback:.1f}年\"}\n```\n\n### AI成熟度评估框架\n> **示例代码（仅供学习参考，非本技能自动执行）**：\n```python\ndef assess_ai_maturity():\n    dimensions = [\"数据基础\", \"技术能力\", \"组织文化\", \"治理体系\", \"应用场景\"]\n    levels = {\n        1: \"初始级 - 手工流程为主\",\n        2: \"基础级 - 核心业务数字化\",\n        3: \"发展级 - 多个AI场景落地\",\n        4: \"成熟级 - AI驱动决策\",\n        5: \"领先级 - AI原生架构\"\n    }\n    return levels\n```\n\n---\n\n## Compliance Checklist\n\n### CBIRC合规要点\n- 建立数据治理框架（数据分类分级、数据质量管控）\n- 明确AI应用场景的权责边界（AI辅助≠AI决策）\n- 建立模型风险管理制度（模型台账、三方审计）\n- 定期进行AI系统审计（偏差监控±5%）\n- 保障消费者权益和隐私（PIPL合规）\n\n### PIPL合规检查\n- 数据收集最小必要原则\n- 用户知情同意\n- 数据本地化存储\n- 个人信息删除权保障\n\n### 2026年新增合规要求\n- AI伦理委员会设立（持牌机构必备）\n- 算法公平性/透明度/可解释性纳入年度评级\n- 重大模型变更须独立第三方审计\n- 跨境数据流动合规（跨境金融沙盒试点）\n\n---\n\n## Source Notes\n\n- 阿里百技图 · 金融行业Agent百技图（2026）\n- 保险科技专委会《大模型AI Agent在保险行业的应用研究报告》（2025）\n- 麦肯锡《Three Horizons of Growth》\n- 银保监会《银行业保险业数字化转型指导意见》\n- NFRA AI合规指引（2025-2026）\n- 中国人民银行《金融科技发展规划》\n- Gartner《AI in Financial Services》\n\n---\n\n## ClawHub Metadata\n\n- **Slug**: finance-ai-strategy\n- **Tags**: AI转型,数智化,金融科技,AI治理,战略规划,CBIRC合规,智能金融,Agent,AI Agent\n- **Version**: 5.2.0\n- **License**: MIT\n- **Author**: gechengling\n- **ClawHub URL**: https://clawhub.ai/gechengling/finance-ai-strategy\n\n---\n\n## README (English)\n\n**Financial AI Strategy Architect** — McKinsey-informed AI transformation strategy for banks, insurers, and securities firms. Covers AI maturity diagnosis, Agent productivity formula, MCP/A2A ecosystem, LLM selection, multi-Agent orchestration, governance framework, and ROI assessment.\n\n**Author**: gechengling | **License**: MIT\n\nFile v5.2.0:_meta.json\n\n{\n  \"ownerId\": \"kn74e704j3ygjcygnpf02rdvd185js13\",\n  \"slug\": \"finance-ai-strategy\",\n  \"version\": \"5.2.0\",\n  \"publishedAt\": 1780496181308\n}\n\nFile v5.2.0:skill-card.md\n\n## Description: <br>\nHelps financial institutions plan AI transformation, prioritize AI investments, and design AI governance frameworks using finance-focused AI strategy models. <br>\n\nThis skill is ready for commercial/non-commercial use. <br>\n\n## Publisher: <br>\n[gechengling](https://clawhub.ai/user/gechengling) <br>\n\n### License/Terms of Use: <br>\nMIT-0 <br>\n\n\n## Use Case: <br>\nStrategy, innovation, and governance teams at financial institutions use this skill to structure AI readiness assessments, investment prioritization, governance design, and ROI analysis. Outputs are educational strategy guidance and require qualified human review before real-world financial, legal, insurance, or regulatory decisions. <br>\n\n### Deployment Geography for Use: <br>\nGlobal <br>\n\n## Known Risks and Mitigations: <br>\nRisk: Users may treat the generated strategy content as professional financial, legal, insurance, or regulatory advice. <br>\nMitigation: Use the output as an educational strategy aid only and consult qualified professionals before applying recommendations. <br>\nRisk: AI and financial regulation claims may be incomplete, outdated, or jurisdiction-specific. <br>\nMitigation: Verify regulatory and market claims against official sources before using them in planning or governance decisions. <br>\nRisk: Reference code snippets may be copied into operational workflows without review. <br>\nMitigation: Treat code examples as illustrative only; review, test, and adapt them before any real-world use. <br>\n\n\n## Reference(s): <br>\n- [ClawHub skill page](https://clawhub.ai/gechengling/finance-ai-strategy) <br>\n\n\n## Skill Output: <br>\n**Output Type(s):** [text, markdown, code, guidance] <br>\n**Output Format:** [Markdown prose with tables, strategy frameworks, checklists, and reference Python snippets] <br>\n**Output Parameters:** [1D] <br>\n**Other Properties Related to Output:** [Advisory-only output; no executable behavior, tool access, persistence, or credential handling is included in the skill.] <br>\n\n## Skill Version(s): <br>\n5.2.0 (source: server evidence and frontmatter) <br>\n\n## Ethical Considerations: <br>\nUsers should evaluate whether this skill is appropriate for their environment, review any generated or modified files before relying on them, and apply their organization's safety, security, and compliance requirements before deployment. <br>\n\nArchive v5.1.0: 3 files, 6222 bytes\n\nFiles: skill-card.md (2101b), SKILL.md (10270b), _meta.json (138b)\n\nFile v5.1.0:SKILL.md\n\n---\nname: Financial AI Strategy Architect\nslug: finance-ai-strategy\ndescription: 帮助金融机构制定AI转型战略、评估AI投资优先级、设计AI治理框架，从数字金融迈向数智金融的战略规划指导。\nversion: \"5.1.0\"\nallowed-tools: []\ncapabilities:\n  - educational-reference\n  - advisory-only\n  - requires-human-review\n  - code-examples-reference\ntriggers:\n  - finance-ai-strategy\n  - finance-ai-strategy-architect\n\n---\n\n# SKILL.md\n\n> **⚠️ SECURITY NOTICE / 安全声明**\n> - **Type:** Educational reference / analytical framework ONLY\n> - **No executable code, scripts, or binaries are included in this skill**\n> - **No persistent storage, network calls, background execution, or credential collection**\n> - **All outputs are for reference only and require human review before real-world application**\n> - **This skill does NOT provide financial, legal, or insurance advice**\n> - **Users must exercise their own judgment and consult qualified professionals**\n>\n> **⚠️ 数据安全警告**\n> - 本技能仅提供金融机构AI转型的战略分析框架，**不执行任何代码或脚本**\n> - 所有战略建议均为参考性输出，**不能替代专业咨询团队的深度调研**\n> - 不收集、不存储用户的任何机构数据、业务数据或个人信息\n> - 监管合规信息请以国家金融监督管理总局（NFRA）官方文件为准\n\n\n\n## Identity\n\n**⚠️ 精确触发规则**：仅当用户明确需要制定AI转型战略、评估AI投资优先级、设计AI治理框架等**金融AI战略规划类**话题时激活。普通聊天提及\"AI\"、\"战略\"、\"转型\"等通用词汇时**不会自动触发**。\n\n- **Skill Name**: 金融AI战略规划师 (Financial AI Strategy Architect)\n- **Slug**: finance-ai-strategy\n- **Version**: 1.0.1\n- **Language**: 中文为主，英文关键术语保留\n- **Author**: 葛成 (@gechengling)\n- **Description**: 当你需要制定金融机构的AI转型战略（从\"数字XX\"到\"数智XX\"）、评估AI投资优先级（哪些场景先做ROI最高）、设计AI治理框架（CBIRC/NFRA合规要求）、选择技术供应商与合作模式（自研vs外采vs共建）、推动组织变革（怎么让团队接受AI）时，使用本Skill。本技能基于保险、银行、证券、基金等金融机构的AI转型实践整理，涵盖银保监会《银行业保险业数字化转型指导意见》、国家金融监督管理总局AI合规要求、2025-2026年金融科技趋势。关键词：AI转型，数智化，数字化转型，金融科技，战略规划，AI治理，CBIRC合规，智能金融，路线图，ROI评估。\n\n---\n\n### AI技术最新动态 [2026-05-25更新]\n\n| 动态类型 | 内容摘要 | 影响范围 |\n|---------|---------|---------|\n| MCP标准化 | 2026年MCP已捐赠给Linux基金会AAIF治理，生态超1000个服务器 | AI架构选型 |\n| AI Agent治理 | 企业AI治理要求提升：可解释性、公平性、隐私保护合规 | 治理框架设计 |\n| 巨头采纳 | OpenAI/Google/Microsoft等已广泛采纳MCP标准 | 技术路线图 |\n\n> **数据截止**: 2026-05-25 | 来源：Linux Foundation AAIF、行业公开信息\n> **声明**: 以上动态供参考，具体以官方最新发布为准\n\n---\n\n## Core Thinking Models\n\n### 模型一：三阶段转型框架（战略规划）\n```\n传统金融：业务数字化（电子化）\n数字金融：流程线上化（互联网）\n数智金融：决策智能化（AI驱动）\n↓ 金融机构转型路径：\n第一阶段：基础设施（数据中台、云平台）\n第二阶段：场景落地（智能理赔、核保、营销）\n第三阶段：智能决策（实时风控、个性化服务）\n核心原则：\n\"先数据，再智能\"\n\"先试点，再推广\"\n\"先赋能，再替代\"\n```\n\n### 模型二：AI场景优先级矩阵（价值×可行性）\n```\nY轴（商业价值）：高/中/低\nX轴（技术可行性）：高/中/低\n↓ 四象限：\n1. 高价值+高可行 → 立即启动（智能理赔、客服）\n2. 高价值+低可行 → 预研跟进（Agent驱动的投资顾问）\n3. 低价值+高可行 → 快速试水（智能质检、报表生成）\n4. 低价值+低可行 → 暂缓/外包（通用客服）\n```\n\n### 模型三：AI治理金字塔（合规框架）\n```\n顶层：AI战略（董事会/高管）\n二层：AI治理委员会（跨部门协调）\n三层：AI运营规范（数据、模型、算法）\n底层：技术基础设施（安全、隐私、审计）\n合规要点：\n1. 模型可解释性（黑盒→白盒）\n2. 数据隐私保护（PIPL合规）\n3. 算法公平性（不歧视特定群体）\n4. 人类控制权（AI辅助≠AI决策）\n```\n\n### 模型四：Buy vs Build vs Partner（技术路线）\n```\n自研（Build）：\n- 优势：数据安全、定制化、长期成本低\n- 劣势：周期长、人才难招、技术积累慢\n- 适合：核心能力、差异化竞争\n\n外采（Buy）：\n- 优势：快速上线、技术成熟\n- 劣势：数据泄露风险、定制受限\n- 适合：非核心能力、通用场景\n\n共建（Partner）：\n- 优势：风险共担、能力共建\n- 劣势：协调成本高\n- 适合：大型项目、战略合作\n```\n\n### 模型五：变革管理曲线（组织落地）\n```\n变革阻力分析：\n1. 高管阻力：战略不明 → 先对齐愿景\n2. 中层阻力：能力不足 → 培训赋能\n3. 一线阻力：担心替代 → 角色重新定义\n核心方法：\n\"让AI替代重复，不替代价值\"\n\"让员工从执行者变监督者\"\n```\n\n---\n\n## 新增内容（2026版）\n**Step 2 新增评估维度（2026）**：\n- 金融大模型应用全景：50家银行已部署生成式AI，覆盖智能客服(85%替代率)/文档处理(70%效率提升)/风控决策(决策时效<3秒)三大场景\n- 模型风险管理新规（2026年正式稿）：中国人民银行要求金融机构建立AI模型台账，重大模型变更须经独立第三方审计，模型偏差超±5%须启动应急机制\n- 数据要素×金融：企业数据资产入表2026年扩展至金融机构，预期新增1.2万亿数据信贷规模，数据质量评分纳入央行评级体系\n- 跨境金融科技监管沙盒：深圳/上海/北京三地同时推进，数字资产托管/AI跨境投顾/区块链供应链金融三类业务首批入盒\n- 金融科技伦理委员会：国家金融监管总局2026年要求持牌机构设立AI伦理委员会，算法公平性/透明度/可解释性纳入年度评级\n\n---\n\n## 新增内容（2026版）\n**Step 2 新增评估维度（2026）**：\n- 金融大模型应用全景：50家银行已部署生成式AI，覆盖智能客服(85%替代率)/文档处理(70%效率提升)/风控决策(决策时效<3秒)三大场景\n- 模型风险管理新规（2026年正式稿）：中国人民银行要求金融机构建立AI模型台账，重大模型变更须经独立第三方审计，模型偏差超±5%须启动应急机制\n- 数据要素×金融：企业数据资产入表2026年扩展至金融机构，预期新增1.2万亿数据信贷规模，数据质量评分纳入央行评级体系\n- 跨境金融科技监管沙盒：深圳/上海/北京三地同时推进，数字资产托管/AI跨境投顾/区块链供应链金融三类业务首批入盒\n- 金融科技伦理委员会：国家金融监管总局2026年要求持牌机构设立AI伦理委员会，算法公平性/透明度/可解释性纳入年度评级\n\n---\n\n## When to Use\n\n- \"我要制定金融机构的3-5年AI转型战略\" → 三阶段框架\n- \"AI场景那么多，先做哪个后做哪个？\" → 优先级矩阵\n- \"怎么建立AI治理体系，满足CBIRC/NFRA要求？\" → AI治理金字塔\n- \"AI能力是自己开发还是外面采购？\" → Buy vs Build vs Partner\n- \"团队很抗拒AI变革，怎么推动？\" → 变革管理曲线\n- \"怎么评估一个AI项目的ROI？\" → ROI评估模型\n\n---\n\n## Python Code Templates\n\n### ROI计算模板\n> **示例代码（仅供学习参考，非本技能自动执行）**：\n```python\ndef calculate_ai_roi(investment_cost, annual_savings, efficiency_gain, years=5):\n    \"\"\"\n    AI项目ROI计算\n    - investment_cost: 初始投资（万元）\n    - annual_savings: 年化成本节约（万元）\n    - efficiency_gain: 效率提升带来的收益（万元/年）\n    \"\"\"\n    total_investment = investment_cost\n    total_benefits = 0\n    for year in range(1, years + 1):\n        annual_benefit = annual_savings + (efficiency_gain * year * 0.1)\n        total_benefits += annual_benefit\n    roi = (total_benefits - total_investment) / total_investment * 100\n    payback = total_investment / (annual_savings + efficiency_gain)\n    return {\"roi\": f\"{roi:.1f}%\", \"payback\": f\"{payback:.1f}年\"}\n```\n\n### AI成熟度评估框架\n> **示例代码（仅供学习参考，非本技能自动执行）**：\n```python\ndef assess_ai_maturity():\n    dimensions = [\"数据基础\", \"技术能力\", \"组织文化\", \"治理体系\", \"应用场景\"]\n    levels = {\n        1: \"初始级 - 手工流程为主\",\n        2: \"基础级 - 核心业务数字化\",\n        3: \"发展级 - 多个AI场景落地\",\n        4: \"成熟级 - AI驱动决策\",\n        5: \"领先级 - AI原生架构\"\n    }\n    return levels\n```\n\n---\n\n## Compliance Checklist\n\n### CBIRC合规要点\n- 建立数据治理框架\n- 明确AI应用场景的权责边界\n- 建立模型风险管理制度\n- 定期进行AI系统审计\n- 保障消费者权益和隐私\n\n### PIPL合规检查\n- 数据收集最小必要原则\n- 用户知情同意\n- 数据本地化存储\n- 个人信息删除权保障\n\n---\n\n## Source Notes\n\n- 银保监会《银行业保险业数字化转型指导意见》\n- NFRA AI合规指引（2025-2026）\n- 中国人民银行《金融科技发展规划》\n- Gartner《AI in Financial Services》\n\n---\n\n## ClawHub Metadata\n\n- **Slug**: finance-ai-strategy\n- **Tags**: AI转型,数智化,金融科技,AI治理,战略规划,CBIRC合规,智能金融\n- **Version**: 1.0.0\n- **License**: MIT\n- **Author**: gechengling\n- **ClawHub URL**: https://clawhub.ai/gechengling/finance-ai-strategy\n\n---\n\n## README (English)\n\n**Financial AI Strategy Architect** — AI transformation planning for banks, insurers, securities firms. Covers strategy, governance, ROI, vendor selection, and change management.\n\n**Author**: gechengling | **License**: MIT\n\nFile v5.1.0:_meta.json\n\n{\n  \"ownerId\": \"kn74e704j3ygjcygnpf02rdvd185js13\",\n  \"slug\": \"finance-ai-strategy\",\n  \"version\": \"5.1.0\",\n  \"publishedAt\": 1780495628274\n}\n\nFile v5.1.0:skill-card.md\n\n## Description: <br>\nHelps financial institutions plan AI transformation strategy, evaluate AI investment priorities, and design AI governance frameworks. <br>\n\nThis skill is ready for commercial/non-commercial use. <br>\n\n## Publisher: <br>\n[gechengling](https://clawhub.ai/user/gechengling) <br>\n\n### License/Terms of Use: <br>\nMIT-0 <br>\n\n\n## Use Case: <br>\nFinancial strategy, governance, and transformation teams use this skill to structure AI roadmaps, prioritize investment scenarios, compare build-buy-partner options, and frame AI governance practices. Its outputs are advisory references and require human review before business, legal, compliance, or financial decisions. <br>\n\n### Deployment Geography for Use: <br>\nGlobal <br>\n\n## Known Risks and Mitigations: <br>\nRisk: Regulatory, market, or strategic claims may be outdated or unsuitable for a specific institution. <br>\nMitigation: Verify claims against current official sources and qualified professional advice before relying on the output. <br>\nRisk: Advisory outputs could be mistaken for financial, legal, insurance, compliance, or business advice. <br>\nMitigation: Use the output as reference material only and require human review before real-world application. <br>\n\n\n## Reference(s): <br>\n- [ClawHub skill page](https://clawhub.ai/gechengling/finance-ai-strategy) <br>\n- [Publisher profile](https://clawhub.ai/user/gechengling) <br>\n\n\n## Skill Output: <br>\n**Output Type(s):** [text, markdown, code, guidance] <br>\n**Output Format:** [Markdown guidance with reference Python snippets] <br>\n**Output Parameters:** [1D] <br>\n**Other Properties Related to Output:** [Advisory-only; example code is for reference and all outputs require human review.] <br>\n\n## Skill Version(s): <br>\n5.1.0 (source: server release metadata and SKILL.md frontmatter) <br>\n\n## Ethical Considerations: <br>\nUsers should evaluate whether this skill is appropriate for their environment, review any generated or modified files before relying on them, and apply their organization's safety, security, and compliance requirements before deployment. <br>\n\nArchive v1.0.2: 3 files, 8059 bytes\n\nFiles: skill-card.md (2452b), SKILL.md (14150b), _meta.json (138b)\n\nFile v1.0.2:SKILL.md\n\n---\nname: Financial AI Strategy Architect\nslug: finance-ai-strategy\ndescription: 帮助金融机构制定AI转型战略、评估AI投资优先级、设计AI治理框架，从数字金融迈向数智金融的战略规划指导。\nversion: \"1.0.1\"\nallowed-tools: []\ncapabilities:\n  - educational-reference\n  - advisory-only\n  - requires-human-review\n  - code-examples-reference\ntriggers:\n  - finance-ai-strategy\n  - finance-ai-strategy-architect\n\n---\n\n# SKILL.md\n\n> **⚠️ SECURITY NOTICE / 安全声明**\n> - **Type:** Educational reference / analytical framework ONLY\n> - **No executable code, scripts, or binaries are included in this skill**\n> - **No persistent storage, network calls, background execution, or credential collection**\n> - **All outputs are for reference only and require human review before real-world application**\n> - **This skill does NOT provide financial, legal, or insurance advice**\n> - **Users must exercise their own judgment and consult qualified professionals**\n>\n> **⚠️ 数据安全警告**\n> - 本技能仅提供金融机构AI转型的战略分析框架，**不执行任何代码或脚本**\n> - 所有战略建议均为参考性输出，**不能替代专业咨询团队的深度调研**\n> - 不收集、不存储用户的任何机构数据、业务数据或个人信息\n> - 监管合规信息请以国家金融监督管理总局（NFRA）官方文件为准\n\n\n\n## Identity\n\n**⚠️ 精确触发规则**：仅当用户明确需要制定AI转型战略、评估AI投资优先级、设计AI治理框架等**金融AI战略规划类**话题时激活。普通聊天提及\"AI\"、\"战略\"、\"转型\"等通用词汇时**不会自动触发**。\n\n- **Skill Name**: 金融AI战略规划师 (Financial AI Strategy Architect)\n- **Slug**: finance-ai-strategy\n- **Version**: 1.0.1\n- **Language**: 中文为主，英文关键术语保留\n- **Author**: 葛成 (@gechengling)\n- **Description**: 当你需要制定金融机构的AI转型战略（从\"数字XX\"到\"数智XX\"）、评估AI投资优先级（哪些场景先做ROI最高）、设计AI治理框架（CBIRC/NFRA合规要求）、选择技术供应商与合作模式（自研vs外采vs共建）、推动组织变革（怎么让团队接受AI）时，使用本Skill。本技能基于保险、银行、证券、基金等金融机构的AI转型实践整理，涵盖银保监会《银行业保险业数字化转型指导意见》、国家金融监督管理总局AI合规要求、2025-2026年金融科技趋势。关键词：AI转型，数智化，数字化转型，金融科技，战略规划，AI治理，CBIRC合规，智能金融，路线图，ROI评估。\n\n---\n\n### AI技术最新动态 [2026-05-25更新]\n\n| 动态类型 | 内容摘要 | 影响范围 |\n|---------|---------|---------|\n| MCP标准化 | 2026年MCP已捐赠给Linux基金会AAIF治理，生态超1000个服务器 | AI架构选型 |\n| AI Agent治理 | 企业AI治理要求提升：可解释性、公平性、隐私保护合规 | 治理框架设计 |\n| 巨头采纳 | OpenAI/Google/Microsoft等已广泛采纳MCP标准 | 技术路线图 |\n\n> **数据截止**: 2026-05-25 | 来源：Linux Foundation AAIF、行业公开信息\n> **声明**: 以上动态供参考，具体以官方最新发布为准\n\n---\n\n## Core Thinking Models\n\n### 模型一：三阶段转型框架（战略规划）\n```\n传统金融：业务数字化（电子化）\n数字金融：流程线上化（互联网）\n数智金融：决策智能化（AI驱动）\n↓ 金融机构转型路径：\n第一阶段：基础设施（数据中台、云平台）\n第二阶段：场景落地（智能理赔、核保、营销）\n第三阶段：智能决策（实时风控、个性化服务）\n核心原则：\n\"先数据，再智能\"\n\"先试点，再推广\"\n\"先赋能，再替代\"\n```\n\n### 模型二：AI场景优先级矩阵（价值×可行性）\n```\nY轴（商业价值）：高/中/低\nX轴（技术可行性）：高/中/低\n↓ 四象限：\n1. 高价值+高可行 → 立即启动（智能理赔、客服）\n2. 高价值+低可行 → 预研跟进（Agent驱动的投资顾问）\n3. 低价值+高可行 → 快速试水（智能质检、报表生成）\n4. 低价值+低可行 → 暂缓/外包（通用客服）\n```\n\n### 模型三：AI治理金字塔（合规框架）\n```\n顶层：AI战略（董事会/高管）\n二层：AI治理委员会（跨部门协调）\n三层：AI运营规范（数据、模型、算法）\n底层：技术基础设施（安全、隐私、审计）\n合规要点：\n1. 模型可解释性（黑盒→白盒）\n2. 数据隐私保护（PIPL合规）\n3. 算法公平性（不歧视特定群体）\n4. 人类控制权（AI辅助≠AI决策）\n```\n\n### 模型四：Buy vs Build vs Partner（技术路线）\n```\n自研（Build）：\n- 优势：数据安全、定制化、长期成本低\n- 劣势：周期长、人才难招、技术积累慢\n- 适合：核心能力、差异化竞争\n\n外采（Buy）：\n- 优势：快速上线、技术成熟\n- 劣势：数据泄露风险、定制受限\n- 适合：非核心能力、通用场景\n\n共建（Partner）：\n- 优势：风险共担、能力共建\n- 劣势：协调成本高\n- 适合：大型项目、战略合作\n```\n\n### 模型五：变革管理曲线（组织落地）\n```\n变革阻力分析：\n1. 高管阻力：战略不明 → 先对齐愿景\n2. 中层阻力：能力不足 → 培训赋能\n3. 一线阻力：担心替代 → 角色重新定义\n核心方法：\n\"让AI替代重复，不替代价值\"\n\"让员工从执行者变监督者\"\n```\n\n---\n\n## 新增内容（2026版）\n**Step 2 新增评估维度（2026）**：\n- 金融大模型应用全景：50家银行已部署生成式AI，覆盖智能客服(85%替代率)/文档处理(70%效率提升)/风控决策(决策时效<3秒)三大场景\n- 模型风险管理新规（2026年正式稿）：中国人民银行要求金融机构建立AI模型台账，重大模型变更须经独立第三方审计，模型偏差超±5%须启动应急机制\n- 数据要素×金融：企业数据资产入表2026年扩展至金融机构，预期新增1.2万亿数据信贷规模，数据质量评分纳入央行评级体系\n- 跨境金融科技监管沙盒：深圳/上海/北京三地同时推进，数字资产托管/AI跨境投顾/区块链供应链金融三类业务首批入盒\n- 金融科技伦理委员会：国家金融监管总局2026年要求持牌机构设立AI伦理委员会，算法公平性/透明度/可解释性纳入年度评级\n\n---\n\n## 新增内容（2026版）\n**Step 2 新增评估维度（2026）**：\n- 金融大模型应用全景：50家银行已部署生成式AI，覆盖智能客服(85%替代率)/文档处理(70%效率提升)/风控决策(决策时效<3秒)三大场景\n- 模型风险管理新规（2026年正式稿）：中国人民银行要求金融机构建立AI模型台账，重大模型变更须经独立第三方审计，模型偏差超±5%须启动应急机制\n- 数据要素×金融：企业数据资产入表2026年扩展至金融机构，预期新增1.2万亿数据信贷规模，数据质量评分纳入央行评级体系\n- 跨境金融科技监管沙盒：深圳/上海/北京三地同时推进，数字资产托管/AI跨境投顾/区块链供应链金融三类业务首批入盒\n- 金融科技伦理委员会：国家金融监管总局2026年要求持牌机构设立AI伦理委员会，算法公平性/透明度/可解释性纳入年度评级\n\n---\n\n## When to Use\n\n- \"我要制定金融机构的3-5年AI转型战略\" → 三阶段框架\n- \"AI场景那么多，先做哪个后做哪个？\" → 优先级矩阵\n- \"怎么建立AI治理体系，满足CBIRC/NFRA要求？\" → AI治理金字塔\n- \"AI能力是自己开发还是外面采购？\" → Buy vs Build vs Partner\n- \"团队很抗拒AI变革，怎么推动？\" → 变革管理曲线\n- \"怎么评估一个AI项目的ROI？\" → ROI评估模型\n\n---\n\n## Python Code Templates\n\n### ROI计算模板\n> **示例代码（仅供学习参考，非本技能自动执行）**：\n```python\ndef calculate_ai_roi(investment_cost, annual_savings, efficiency_gain, years=5):\n    \"\"\"\n    AI项目ROI计算\n    - investment_cost: 初始投资（万元）\n    - annual_savings: 年化成本节约（万元）\n    - efficiency_gain: 效率提升带来的收益（万元/年）\n    \"\"\"\n    total_investment = investment_cost\n    total_benefits = 0\n    for year in range(1, years + 1):\n        annual_benefit = annual_savings + (efficiency_gain * year * 0.1)\n        total_benefits += annual_benefit\n    roi = (total_benefits - total_investment) / total_investment * 100\n    payback = total_investment / (annual_savings + efficiency_gain)\n    return {\"roi\": f\"{roi:.1f}%\", \"payback\": f\"{payback:.1f}年\"}\n```\n\n### AI成熟度评估框架\n> **示例代码（仅供学习参考，非本技能自动执行）**：\n```python\ndef assess_ai_maturity():\n    dimensions = [\"数据基础\", \"技术能力\", \"组织文化\", \"治理体系\", \"应用场景\"]\n    levels = {\n        1: \"初始级 - 手工流程为主\",\n        2: \"基础级 - 核心业务数字化\",\n        3: \"发展级 - 多个AI场景落地\",\n        4: \"成熟级 - AI驱动决策\",\n        5: \"领先级 - AI原生架构\"\n    }\n    return levels\n```\n\n---\n\n## Compliance Checklist\n\n### CBIRC合规要点\n- 建立数据治理框架\n- 明确AI应用场景的权责边界\n- 建立模型风险管理制度\n- 定期进行AI系统审计\n- 保障消费者权益和隐私\n\n### PIPL合规检查\n- 数据收集最小必要原则\n- 用户知情同意\n- 数据本地化存储\n- 个人信息删除权保障\n\n---\n\n## Source Notes\n\n- 银保监会《银行业保险业数字化转型指导意见》\n- NFRA AI合规指引（2025-2026）\n- 中国人民银行《金融科技发展规划》\n- Gartner《AI in Financial Services》\n\n---\n\n## ClawHub Metadata\n\n- **Slug**: finance-ai-strategy\n- **Tags**: AI转型,数智化,金融科技,AI治理,战略规划,CBIRC合规,智能金融\n- **Version**: 1.0.0\n- **License**: MIT\n- **Author**: gechengling\n- **ClawHub URL**: https://clawhub.ai/gechengling/finance-ai-strategy\n\n---\n\n## README (English)\n\n**Financial AI Strategy Architect** — AI transformation planning for banks, insurers, securities firms. Covers strategy, governance, ROI, vendor selection, and change management.\n\n**Author**: gechengling | **License**: MIT\n\n---\n\n## 附录G：阿里点金(Dianjin)融合精华 — 策略框架参考\n\n> **⚠️ 重要声明**：本节内容为**纯教育培训框架参考**，仅展示战略分析的方法论模板。所有涉及\"配置\"、\"建议\"、\"推荐\"等表述均为**假设性教学示例**，**不构成任何形式的投资建议、证券咨询或投资推荐**。用户不应依赖本节内容做出任何投资决策。\n\n### G.1 核心分析框架（Dianjin融合版）\n\n#### 步骤1：策略分析框架\n| 分析维度 | 核心内容 | 输出成果 |\n|---------|---------|---------|\n| **宏观环境** | 经济周期、政策取向、流动性 | 宏观环境分析报告 |\n| **中观行业** | 行业景气度、板块轮动、主题分析 | 行业分析方法论 |\n| **微观分析** | 公司基本面、估值水平、技术面 | 分析框架参考 |\n\n#### 步骤2：板块分析方法\n- **分析逻辑**：周期定位→行业筛选→标的筛选方法论\n- **轮动信号参考**：估值差、资金流、政策催化\n- **分析输出**：板块权重变化、调整方向、分析方法说明\n\n#### 步骤3：策略分析报告模板\n- **日报结构示例**：市场回顾→宏观/行业/个股观点→分析方法说明\n- **周报结构示例**：市场复盘→策略分析→关注方向→风险提示\n- **专题报告框架**：深度研究、分析思路、风险提示\n\n---\n\n### G.2 风险评分机制（Dianjin精髓）\n\n| 风险维度 | 评分指标 | 权重 | 风险阈值 |\n|---------|---------|------|---------|\n| 策略风险 | 策略有效性、回撤控制 | 30% | 最大回撤>20% |\n| 市场风险 | 市场环境适应性 | 25% | 市场环境与策略不匹配 |\n| 操作风险 | 执行准确度、系统稳定性 | 20% | 执行偏差>1% |\n| 合规风险 | 合规检查通过率 | 15% | 合规检查不通过 |\n| 声誉风险 | 客户满意度、投诉记录 | 10% | 客户投诉或负面评价 |\n\n**综合风险等级**：\n- 低风险（0-20分）：策略有效，正常执行\n- 中风险（21-40分）：策略基本有效，关注市场环境变化\n- 高风险（41-60分）：策略有效性下降，审慎执行或暂停\n- 极高风险（61-80分）：策略失效，立即停止并复盘\n\n---\n\n### G.3 合规约束（Dianjin精髓）\n\n1. **不适用边界**：本技能不适用于法律建议、投资咨询许可，此类需求需转交合规或持牌机构\n2. **禁止承诺**：不使用\"一定涨\"\"guaranteed return\"等承诺性表述\n3. **禁止替代决策**：仅输出分析建议，最终决策由投资经理/投资决策委员会出具\n4. **数据溯源**：市场数据、政策依据必须标注来源和日期\n5. **隐私保护**：客户信息、投资策略必须保密\n6. **客观中立**：分析不得受业绩压力影响，须客观呈现风险与机会\n\n---\n\n### G.4 测试用例（Dianjin精髓）\n\n| 用例ID | 输入场景（假设性示例） | 预期输出 | 验证点 |\n|--------|----------------------|---------|---------|\n| TC001 | 假设生成A股策略分析报告，市场震荡 | 分析报告：震荡观点、分析框架、风险提示 | 观点客观、风险到位 |\n| TC002 | 假设进行行业分析方法演示，当前周期复苏初期 | 分析示例：周期行业筛选框架 | 分析逻辑合理 |\n| TC003 | 专题分析框架：AI主题分析方法，提示风险 | 分析框架示例：AI主题分析、风险揭示 | 风险揭示充分 |\n\n---\n\n### G.5 关联技能（Dianjin精髓）\n\n- **金融市场数据分析**（`finance-data-analysis`）：提供股票数据面分析、资金流向、行情解读\n- **宏观分析**（`dalio-macro-analysis`）：提供宏观分析、政策解读、经济周期判断\n- **AI交易回测**（`ai-trading-backtester`）：提供策略回测、风险指标、绩效归因\n\n---\n\n*融合来源：阿里点金(Dianjin) investment-researcher*\n*融合时间：2026-05-31*\n\nFile v1.0.2:_meta.json\n\n{\n  \"ownerId\": \"kn74e704j3ygjcygnpf02rdvd185js13\",\n  \"slug\": \"finance-ai-strategy\",\n  \"version\": \"1.0.2\",\n  \"publishedAt\": 1780413642416\n}\n\nFile v1.0.2:skill-card.md\n\n## Description: <br>\nHelps financial institutions plan AI transformation strategy, prioritize AI investments, and design AI governance frameworks. <br>\n\nThis skill is ready for commercial/non-commercial use. <br>\n\n## Publisher: <br>\n[gechengling](https://clawhub.ai/user/gechengling) <br>\n\n### License/Terms of Use: <br>\nMIT-0 <br>\n\n\n## Use Case: <br>\nFinancial-services leaders, strategists, and governance teams use this skill to structure AI transformation roadmaps, ROI prioritization, vendor approach, governance controls, and organizational change planning. Outputs are advisory reference material and require qualified human review before operational, legal, compliance, or investment use. <br>\n\n### Deployment Geography for Use: <br>\nGlobal <br>\n\n## Known Risks and Mitigations: <br>\nRisk: Investment-style analysis content may be mistaken for trading, portfolio, securities, legal, or insurance advice. <br>\nMitigation: Treat outputs as educational reference only and require review by qualified financial, legal, compliance, or risk professionals before use. <br>\nRisk: Regulated financial institutions may need current jurisdiction-specific compliance checks before applying governance or AI transformation recommendations. <br>\nMitigation: Validate all regulatory assumptions against official sources and internal compliance processes before operational adoption. <br>\nRisk: Reference code examples could be copied into operational systems without validation. <br>\nMitigation: Use code snippets only as examples; test, review, and adapt them before any production use. <br>\n\n\n## Reference(s): <br>\n- [ClawHub skill page](https://clawhub.ai/gechengling/finance-ai-strategy) <br>\n- [Publisher profile](https://clawhub.ai/user/gechengling) <br>\n\n\n## Skill Output: <br>\n**Output Type(s):** [guidance, markdown, code] <br>\n**Output Format:** [Markdown guidance with reference code examples] <br>\n**Output Parameters:** [1D] <br>\n**Other Properties Related to Output:** [Text-only skill; no allowed tools, scripts, binaries, network calls, persistence, or credential collection are declared.] <br>\n\n## Skill Version(s): <br>\n1.0.2 (source: server release metadata) <br>\n\n## Ethical Considerations: <br>\nUsers should evaluate whether this skill is appropriate for their environment, review any generated or modified files before relying on them, and apply their organization's safety, security, and compliance requirements before deployment. <br>\n\nArchive v1.0.1: 3 files, 7743 bytes\n\nFiles: skill-card.md (2103b), SKILL.md (13589b), _meta.json (138b)\n\nFile v1.0.1:SKILL.md\n\n---\nname: Financial AI Strategy Architect\nslug: finance-ai-strategy\ndescription: 帮助金融机构制定AI转型战略、评估AI投资优先级、设计AI治理框架，从数字金融迈向数智金融的战略规划指导。\nversion: \"1.0.1\"\nallowed-tools: []\ncapabilities:\n  - educational-reference\n  - advisory-only\n  - requires-human-review\n  - no-executable-code\ntriggers:\n  - finance-ai-strategy\n  - finance-ai-strategy-architect\n\n---\n\n# SKILL.md\n\n> **⚠️ SECURITY NOTICE / 安全声明**\n> - **Type:** Educational reference / analytical framework ONLY\n> - **No executable code, scripts, or binaries are included in this skill**\n> - **No persistent storage, network calls, background execution, or credential collection**\n> - **All outputs are for reference only and require human review before real-world application**\n> - **This skill does NOT provide financial, legal, or insurance advice**\n> - **Users must exercise their own judgment and consult qualified professionals**\n>\n> **⚠️ 数据安全警告**\n> - 本技能仅提供金融机构AI转型的战略分析框架，**不执行任何代码或脚本**\n> - 所有战略建议均为参考性输出，**不能替代专业咨询团队的深度调研**\n> - 不收集、不存储用户的任何机构数据、业务数据或个人信息\n> - 监管合规信息请以国家金融监督管理总局（NFRA）官方文件为准\n\n\n\n## Identity\n\n**⚠️ 精确触发规则**：仅当用户明确需要制定AI转型战略、评估AI投资优先级、设计AI治理框架等**金融AI战略规划类**话题时激活。普通聊天提及\"AI\"、\"战略\"、\"转型\"等通用词汇时**不会自动触发**。\n\n- **Skill Name**: 金融AI战略规划师 (Financial AI Strategy Architect)\n- **Slug**: finance-ai-strategy\n- **Version**: 1.0.1\n- **Language**: 中文为主，英文关键术语保留\n- **Author**: 葛成 (@gechengling)\n- **Description**: 当你需要制定金融机构的AI转型战略（从\"数字XX\"到\"数智XX\"）、评估AI投资优先级（哪些场景先做ROI最高）、设计AI治理框架（CBIRC/NFRA合规要求）、选择技术供应商与合作模式（自研vs外采vs共建）、推动组织变革（怎么让团队接受AI）时，使用本Skill。本技能基于保险、银行、证券、基金等金融机构的AI转型实践整理，涵盖银保监会《银行业保险业数字化转型指导意见》、国家金融监督管理总局AI合规要求、2025-2026年金融科技趋势。关键词：AI转型，数智化，数字化转型，金融科技，战略规划，AI治理，CBIRC合规，智能金融，路线图，ROI评估。\n\n---\n\n### AI技术最新动态 [2026-05-25更新]\n\n| 动态类型 | 内容摘要 | 影响范围 |\n|---------|---------|---------|\n| MCP标准化 | 2026年MCP已捐赠给Linux基金会AAIF治理，生态超1000个服务器 | AI架构选型 |\n| AI Agent治理 | 企业AI治理要求提升：可解释性、公平性、隐私保护合规 | 治理框架设计 |\n| 巨头采纳 | OpenAI/Google/Microsoft等已广泛采纳MCP标准 | 技术路线图 |\n\n> **数据截止**: 2026-05-25 | 来源：Linux Foundation AAIF、行业公开信息\n> **声明**: 以上动态供参考，具体以官方最新发布为准\n\n---\n\n## Core Thinking Models\n\n### 模型一：三阶段转型框架（战略规划）\n```\n传统金融：业务数字化（电子化）\n数字金融：流程线上化（互联网）\n数智金融：决策智能化（AI驱动）\n↓ 金融机构转型路径：\n第一阶段：基础设施（数据中台、云平台）\n第二阶段：场景落地（智能理赔、核保、营销）\n第三阶段：智能决策（实时风控、个性化服务）\n核心原则：\n\"先数据，再智能\"\n\"先试点，再推广\"\n\"先赋能，再替代\"\n```\n\n### 模型二：AI场景优先级矩阵（价值×可行性）\n```\nY轴（商业价值）：高/中/低\nX轴（技术可行性）：高/中/低\n↓ 四象限：\n1. 高价值+高可行 → 立即启动（智能理赔、客服）\n2. 高价值+低可行 → 预研跟进（Agent驱动的投资顾问）\n3. 低价值+高可行 → 快速试水（智能质检、报表生成）\n4. 低价值+低可行 → 暂缓/外包（通用客服）\n```\n\n### 模型三：AI治理金字塔（合规框架）\n```\n顶层：AI战略（董事会/高管）\n二层：AI治理委员会（跨部门协调）\n三层：AI运营规范（数据、模型、算法）\n底层：技术基础设施（安全、隐私、审计）\n合规要点：\n1. 模型可解释性（黑盒→白盒）\n2. 数据隐私保护（PIPL合规）\n3. 算法公平性（不歧视特定群体）\n4. 人类控制权（AI辅助≠AI决策）\n```\n\n### 模型四：Buy vs Build vs Partner（技术路线）\n```\n自研（Build）：\n- 优势：数据安全、定制化、长期成本低\n- 劣势：周期长、人才难招、技术积累慢\n- 适合：核心能力、差异化竞争\n\n外采（Buy）：\n- 优势：快速上线、技术成熟\n- 劣势：数据泄露风险、定制受限\n- 适合：非核心能力、通用场景\n\n共建（Partner）：\n- 优势：风险共担、能力共建\n- 劣势：协调成本高\n- 适合：大型项目、战略合作\n```\n\n### 模型五：变革管理曲线（组织落地）\n```\n变革阻力分析：\n1. 高管阻力：战略不明 → 先对齐愿景\n2. 中层阻力：能力不足 → 培训赋能\n3. 一线阻力：担心替代 → 角色重新定义\n核心方法：\n\"让AI替代重复，不替代价值\"\n\"让员工从执行者变监督者\"\n```\n\n---\n\n## 新增内容（2026版）\n**Step 2 新增评估维度（2026）**：\n- 金融大模型应用全景：50家银行已部署生成式AI，覆盖智能客服(85%替代率)/文档处理(70%效率提升)/风控决策(决策时效<3秒)三大场景\n- 模型风险管理新规（2026年正式稿）：中国人民银行要求金融机构建立AI模型台账，重大模型变更须经独立第三方审计，模型偏差超±5%须启动应急机制\n- 数据要素×金融：企业数据资产入表2026年扩展至金融机构，预期新增1.2万亿数据信贷规模，数据质量评分纳入央行评级体系\n- 跨境金融科技监管沙盒：深圳/上海/北京三地同时推进，数字资产托管/AI跨境投顾/区块链供应链金融三类业务首批入盒\n- 金融科技伦理委员会：国家金融监管总局2026年要求持牌机构设立AI伦理委员会，算法公平性/透明度/可解释性纳入年度评级\n\n---\n\n## 新增内容（2026版）\n**Step 2 新增评估维度（2026）**：\n- 金融大模型应用全景：50家银行已部署生成式AI，覆盖智能客服(85%替代率)/文档处理(70%效率提升)/风控决策(决策时效<3秒)三大场景\n- 模型风险管理新规（2026年正式稿）：中国人民银行要求金融机构建立AI模型台账，重大模型变更须经独立第三方审计，模型偏差超±5%须启动应急机制\n- 数据要素×金融：企业数据资产入表2026年扩展至金融机构，预期新增1.2万亿数据信贷规模，数据质量评分纳入央行评级体系\n- 跨境金融科技监管沙盒：深圳/上海/北京三地同时推进，数字资产托管/AI跨境投顾/区块链供应链金融三类业务首批入盒\n- 金融科技伦理委员会：国家金融监管总局2026年要求持牌机构设立AI伦理委员会，算法公平性/透明度/可解释性纳入年度评级\n\n---\n\n## When to Use\n\n- \"我要制定金融机构的3-5年AI转型战略\" → 三阶段框架\n- \"AI场景那么多，先做哪个后做哪个？\" → 优先级矩阵\n- \"怎么建立AI治理体系，满足CBIRC/NFRA要求？\" → AI治理金字塔\n- \"AI能力是自己开发还是外面采购？\" → Buy vs Build vs Partner\n- \"团队很抗拒AI变革，怎么推动？\" → 变革管理曲线\n- \"怎么评估一个AI项目的ROI？\" → ROI评估模型\n\n---\n\n## Python Code Templates\n\n### ROI计算模板\n```python\ndef calculate_ai_roi(investment_cost, annual_savings, efficiency_gain, years=5):\n    \"\"\"\n    AI项目ROI计算\n    - investment_cost: 初始投资（万元）\n    - annual_savings: 年化成本节约（万元）\n    - efficiency_gain: 效率提升带来的收益（万元/年）\n    \"\"\"\n    total_investment = investment_cost\n    total_benefits = 0\n    for year in range(1, years + 1):\n        annual_benefit = annual_savings + (efficiency_gain * year * 0.1)\n        total_benefits += annual_benefit\n    roi = (total_benefits - total_investment) / total_investment * 100\n    payback = total_investment / (annual_savings + efficiency_gain)\n    return {\"roi\": f\"{roi:.1f}%\", \"payback\": f\"{payback:.1f}年\"}\n```\n\n### AI成熟度评估框架\n```python\ndef assess_ai_maturity():\n    dimensions = [\"数据基础\", \"技术能力\", \"组织文化\", \"治理体系\", \"应用场景\"]\n    levels = {\n        1: \"初始级 - 手工流程为主\",\n        2: \"基础级 - 核心业务数字化\",\n        3: \"发展级 - 多个AI场景落地\",\n        4: \"成熟级 - AI驱动决策\",\n        5: \"领先级 - AI原生架构\"\n    }\n    return levels\n```\n\n---\n\n## Compliance Checklist\n\n### CBIRC合规要点\n- 建立数据治理框架\n- 明确AI应用场景的权责边界\n- 建立模型风险管理制度\n- 定期进行AI系统审计\n- 保障消费者权益和隐私\n\n### PIPL合规检查\n- 数据收集最小必要原则\n- 用户知情同意\n- 数据本地化存储\n- 个人信息删除权保障\n\n---\n\n## Source Notes\n\n- 银保监会《银行业保险业数字化转型指导意见》\n- NFRA AI合规指引（2025-2026）\n- 中国人民银行《金融科技发展规划》\n- Gartner《AI in Financial Services》\n\n---\n\n## ClawHub Metadata\n\n- **Slug**: finance-ai-strategy\n- **Tags**: AI转型,数智化,金融科技,AI治理,战略规划,CBIRC合规,智能金融\n- **Version**: 1.0.0\n- **License**: MIT\n- **Author**: gechengling\n- **ClawHub URL**: https://clawhub.ai/gechengling/finance-ai-strategy\n\n---\n\n## README (English)\n\n**Financial AI Strategy Architect** — AI transformation planning for banks, insurers, securities firms. Covers strategy, governance, ROI, vendor selection, and change management.\n\n**Author**: gechengling | **License**: MIT\n\n---\n\n## 附录G：阿里点金(Dianjin)融合精华 — 策略日报与板块配置\n\n### G.1 核心工作流程（Dianjin融合版）\n\n#### 步骤1：策略框架构建\n| 分析维度 | 核心内容 | 输出成果 |\n|---------|---------|---------|\n| **宏观环境** | 经济周期、政策取向、流动性 | 宏观策略报告 |\n| **中观行业** | 行业景气度、板块轮动、主题投资 | 行业配置建议 |\n| **微观个股** | 公司基本面、估值水平、技术面 | 个股投资建议 |\n\n#### 步骤2：板块配置与轮动\n- **配置逻辑**：周期定位→板块选择→个股筛选\n- **轮动信号**：估值差、资金流、政策催化\n- **配置输出**：板块权重、调整方向、理由说明\n\n#### 步骤3：策略报告生成\n- **日报结构**：市场回顾→宏观/行业/个股观点→配置建议\n- **周报结构**：市场复盘→策略展望→板块推荐→风险提示\n- **专题报告**：深度研究、投资建议、风险提示\n\n---\n\n### G.2 风险评分机制（Dianjin精髓）\n\n| 风险维度 | 评分指标 | 权重 | 风险阈值 |\n|---------|---------|------|---------|\n| 策略风险 | 策略有效性、回撤控制 | 30% | 最大回撤>20% |\n| 市场风险 | 市场环境适应性 | 25% | 市场环境与策略不匹配 |\n| 操作风险 | 执行准确度、系统稳定性 | 20% | 执行偏差>1% |\n| 合规风险 | 合规检查通过率 | 15% | 合规检查不通过 |\n| 声誉风险 | 客户满意度、投诉记录 | 10% | 客户投诉或负面评价 |\n\n**综合风险等级**：\n- 低风险（0-20分）：策略有效，正常执行\n- 中风险（21-40分）：策略基本有效，关注市场环境变化\n- 高风险（41-60分）：策略有效性下降，审慎执行或暂停\n- 极高风险（61-80分）：策略失效，立即停止并复盘\n\n---\n\n### G.3 合规约束（Dianjin精髓）\n\n1. **不适用边界**：本技能不适用于法律建议、投资咨询许可，此类需求需转交合规或持牌机构\n2. **禁止承诺**：不使用\"一定涨\"\"guaranteed return\"等承诺性表述\n3. **禁止替代决策**：仅输出分析建议，最终决策由投资经理/投资决策委员会出具\n4. **数据溯源**：市场数据、政策依据必须标注来源和日期\n5. **隐私保护**：客户信息、投资策略必须保密\n6. **客观中立**：分析不得受业绩压力影响，须客观呈现风险与机会\n\n---\n\n### G.4 测试用例（Dianjin精髓）\n\n| 用例ID | 输入场景 | 预期输出 | 验证点 |\n|--------|---------|---------|---------|\n| TC001 | 生成A股策略日报，市场震荡，创业板跌2% | 日报：震荡观点、建议关注板块、风险提示 | 观点客观、风险到位 |\n| TC002 | 板块配置建议，当前周期复苏初期 | 建议：周期板块超配、成长板块标配、防御板块低配 | 配置逻辑合理 |\n| TC003 | 专题报告：AI主题投资，提示风险 | 报告：AI主题分析、投资建议、风险提示到位 | 风险揭示充分 |\n\n---\n\n### G.5 关联技能（Dianjin精髓）\n\n- **金融市场数据分析**（`finance-data-analysis`）：提供股票数据面分析、资金流向、行情解读\n- **宏观分析**（`dalio-macro-analysis`）：提供宏观分析、政策解读、经济周期判断\n- **AI交易回测**（`ai-trading-backtester`）：提供策略回测、风险指标、绩效归因\n\n---\n\n*融合来源：阿里点金(Dianjin) investment-researcher*\n*融合时间：2026-05-31*\n\nFile v1.0.1:_meta.json\n\n{\n  \"ownerId\": \"kn74e704j3ygjcygnpf02rdvd185js13\",\n  \"slug\": \"finance-ai-strategy\",\n  \"version\": \"1.0.1\",\n  \"publishedAt\": 1780411079532\n}\n\nFile v1.0.1:skill-card.md\n\n## Description: <br>\nHelps financial institutions plan AI transformation strategy, prioritize AI investments, and design AI governance frameworks. <br>\n\nThis skill is ready for commercial/non-commercial use. <br>\n\n## Publisher: <br>\n[gechengling](https://clawhub.ai/user/gechengling) <br>\n\n### License/Terms of Use: <br>\nMIT-0 <br>\n\n\n## Use Case: <br>\nFinance strategy, governance, and technology leaders use this skill to structure AI transformation roadmaps, ROI prioritization, governance design, vendor approach, and change management for financial institutions. Outputs are advisory and require human review before real-world use. <br>\n\n### Deployment Geography for Use: <br>\nGlobal <br>\n\n## Known Risks and Mitigations: <br>\nRisk: May produce investment-style recommendations in a regulated financial domain despite being framed as advisory. <br>\nMitigation: Use only for organizational AI strategy, governance, and ROI planning; do not rely on it for stock picks, sector allocation, trading strategy, or personalized financial advice. <br>\nRisk: Strategic, compliance, or regulatory guidance may be incomplete or unsuitable for a specific institution. <br>\nMitigation: Require review by qualified finance, legal, compliance, and security professionals before applying outputs to real-world decisions. <br>\n\n\n## Reference(s): <br>\n- [ClawHub skill page](https://clawhub.ai/gechengling/finance-ai-strategy) <br>\n\n\n## Skill Output: <br>\n**Output Type(s):** [Text, Markdown, Code, Guidance] <br>\n**Output Format:** [Markdown guidance with optional Python code templates] <br>\n**Output Parameters:** [1D] <br>\n**Other Properties Related to Output:** [Advisory outputs require human review; the skill requests no executable tools.] <br>\n\n## Skill Version(s): <br>\n1.0.1 (source: server evidence and SKILL.md frontmatter) <br>\n\n## Ethical Considerations: <br>\nUsers should evaluate whether this skill is appropriate for their environment, review any generated or modified files before relying on them, and apply their organization's safety, security, and compliance requirements before deployment. <br>\n\nArchive v5.0.1: 3 files, 7378 bytes\n\nFiles: skill-card.md (1939b), SKILL.md (12874b), _meta.json (138b)\n\nFile v5.0.1:SKILL.md\n\n---\nname: Financial AI Strategy Architect\nslug: finance-ai-strategy\ndescription: 帮助金融机构制定AI转型战略、评估AI投资优先级、设计AI治理框架，从数字金融迈向数智金融的战略规划指导。\nversion: \"1.0.0\"\ncapabilities:\n  - educational-reference\n  - advisory-only\n  - requires-human-review\n  - no-executable-code\ntriggers:\n  - finance-ai-strategy\n\n---\n\n# SKILL.md\n\n> **⚠️ SECURITY NOTICE / 安全声明**\n> - **Type:** Educational reference / analytical framework ONLY\n> - **No executable code, scripts, or binaries are included in this skill**\n> - **No persistent storage, network calls, background execution, or credential collection**\n> - **All outputs are for reference only and require human review before real-world application**\n> - **This skill does NOT provide financial, legal, or insurance advice**\n> - **Users must exercise their own judgment and consult qualified professionals**\n\n\n\n## Identity\n\n- **Skill Name**: 金融AI战略规划师 (Financial AI Strategy Architect)\n- **Slug**: finance-ai-strategy\n- **Version**: 1.0.1\n- **Language**: 中文为主，英文关键术语保留\n- **Author**: 葛成 (@gechengling)\n- **Description**: 当你需要制定金融机构的AI转型战略（从\"数字XX\"到\"数智XX\"）、评估AI投资优先级（哪些场景先做ROI最高）、设计AI治理框架（CBIRC/NFRA合规要求）、选择技术供应商与合作模式（自研vs外采vs共建）、推动组织变革（怎么让团队接受AI）时，使用本Skill。本技能基于保险、银行、证券、基金等金融机构的AI转型实践整理，涵盖银保监会《银行业保险业数字化转型指导意见》、国家金融监督管理总局AI合规要求、2025-2026年金融科技趋势。关键词：AI转型，数智化，数字化转型，金融科技，战略规划，AI治理，CBIRC合规，智能金融，路线图，ROI评估。\n\n---\n\n### AI技术最新动态 [2026-05-25更新]\n\n| 动态类型 | 内容摘要 | 影响范围 |\n|---------|---------|---------|\n| MCP标准化 | 2026年MCP已捐赠给Linux基金会AAIF治理，生态超1000个服务器 | AI架构选型 |\n| AI Agent治理 | 企业AI治理要求提升：可解释性、公平性、隐私保护合规 | 治理框架设计 |\n| 巨头采纳 | OpenAI/Google/Microsoft等已广泛采纳MCP标准 | 技术路线图 |\n\n> **数据截止**: 2026-05-25 | 来源：Linux Foundation AAIF、行业公开信息\n> **声明**: 以上动态供参考，具体以官方最新发布为准\n\n---\n\n## Core Thinking Models\n\n### 模型一：三阶段转型框架（战略规划）\n```\n传统金融：业务数字化（电子化）\n数字金融：流程线上化（互联网）\n数智金融：决策智能化（AI驱动）\n↓ 金融机构转型路径：\n第一阶段：基础设施（数据中台、云平台）\n第二阶段：场景落地（智能理赔、核保、营销）\n第三阶段：智能决策（实时风控、个性化服务）\n核心原则：\n\"先数据，再智能\"\n\"先试点，再推广\"\n\"先赋能，再替代\"\n```\n\n### 模型二：AI场景优先级矩阵（价值×可行性）\n```\nY轴（商业价值）：高/中/低\nX轴（技术可行性）：高/中/低\n↓ 四象限：\n1. 高价值+高可行 → 立即启动（智能理赔、客服）\n2. 高价值+低可行 → 预研跟进（Agent驱动的投资顾问）\n3. 低价值+高可行 → 快速试水（智能质检、报表生成）\n4. 低价值+低可行 → 暂缓/外包（通用客服）\n```\n\n### 模型三：AI治理金字塔（合规框架）\n```\n顶层：AI战略（董事会/高管）\n二层：AI治理委员会（跨部门协调）\n三层：AI运营规范（数据、模型、算法）\n底层：技术基础设施（安全、隐私、审计）\n合规要点：\n1. 模型可解释性（黑盒→白盒）\n2. 数据隐私保护（PIPL合规）\n3. 算法公平性（不歧视特定群体）\n4. 人类控制权（AI辅助≠AI决策）\n```\n\n### 模型四：Buy vs Build vs Partner（技术路线）\n```\n自研（Build）：\n- 优势：数据安全、定制化、长期成本低\n- 劣势：周期长、人才难招、技术积累慢\n- 适合：核心能力、差异化竞争\n\n外采（Buy）：\n- 优势：快速上线、技术成熟\n- 劣势：数据泄露风险、定制受限\n- 适合：非核心能力、通用场景\n\n共建（Partner）：\n- 优势：风险共担、能力共建\n- 劣势：协调成本高\n- 适合：大型项目、战略合作\n```\n\n### 模型五：变革管理曲线（组织落地）\n```\n变革阻力分析：\n1. 高管阻力：战略不明 → 先对齐愿景\n2. 中层阻力：能力不足 → 培训赋能\n3. 一线阻力：担心替代 → 角色重新定义\n核心方法：\n\"让AI替代重复，不替代价值\"\n\"让员工从执行者变监督者\"\n```\n\n---\n\n## 新增内容（2026版）\n**Step 2 新增评估维度（2026）**：\n- 金融大模型应用全景：50家银行已部署生成式AI，覆盖智能客服(85%替代率)/文档处理(70%效率提升)/风控决策(决策时效<3秒)三大场景\n- 模型风险管理新规（2026年正式稿）：中国人民银行要求金融机构建立AI模型台账，重大模型变更须经独立第三方审计，模型偏差超±5%须启动应急机制\n- 数据要素×金融：企业数据资产入表2026年扩展至金融机构，预期新增1.2万亿数据信贷规模，数据质量评分纳入央行评级体系\n- 跨境金融科技监管沙盒：深圳/上海/北京三地同时推进，数字资产托管/AI跨境投顾/区块链供应链金融三类业务首批入盒\n- 金融科技伦理委员会：国家金融监管总局2026年要求持牌机构设立AI伦理委员会，算法公平性/透明度/可解释性纳入年度评级\n\n---\n\n## 新增内容（2026版）\n**Step 2 新增评估维度（2026）**：\n- 金融大模型应用全景：50家银行已部署生成式AI，覆盖智能客服(85%替代率)/文档处理(70%效率提升)/风控决策(决策时效<3秒)三大场景\n- 模型风险管理新规（2026年正式稿）：中国人民银行要求金融机构建立AI模型台账，重大模型变更须经独立第三方审计，模型偏差超±5%须启动应急机制\n- 数据要素×金融：企业数据资产入表2026年扩展至金融机构，预期新增1.2万亿数据信贷规模，数据质量评分纳入央行评级体系\n- 跨境金融科技监管沙盒：深圳/上海/北京三地同时推进，数字资产托管/AI跨境投顾/区块链供应链金融三类业务首批入盒\n- 金融科技伦理委员会：国家金融监管总局2026年要求持牌机构设立AI伦理委员会，算法公平性/透明度/可解释性纳入年度评级\n\n---\n\n## When to Use\n\n- \"我要制定金融机构的3-5年AI转型战略\" → 三阶段框架\n- \"AI场景那么多，先做哪个后做哪个？\" → 优先级矩阵\n- \"怎么建立AI治理体系，满足CBIRC/NFRA要求？\" → AI治理金字塔\n- \"AI能力是自己开发还是外面采购？\" → Buy vs Build vs Partner\n- \"团队很抗拒AI变革，怎么推动？\" → 变革管理曲线\n- \"怎么评估一个AI项目的ROI？\" → ROI评估模型\n\n---\n\n## Python Code Templates\n\n### ROI计算模板\n```python\ndef calculate_ai_roi(investment_cost, annual_savings, efficiency_gain, years=5):\n    \"\"\"\n    AI项目ROI计算\n    - investment_cost: 初始投资（万元）\n    - annual_savings: 年化成本节约（万元）\n    - efficiency_gain: 效率提升带来的收益（万元/年）\n    \"\"\"\n    total_investment = investment_cost\n    total_benefits = 0\n    for year in range(1, years + 1):\n        annual_benefit = annual_savings + (efficiency_gain * year * 0.1)\n        total_benefits += annual_benefit\n    roi = (total_benefits - total_investment) / total_investment * 100\n    payback = total_investment / (annual_savings + efficiency_gain)\n    return {\"roi\": f\"{roi:.1f}%\", \"payback\": f\"{payback:.1f}年\"}\n```\n\n### AI成熟度评估框架\n```python\ndef assess_ai_maturity():\n    dimensions = [\"数据基础\", \"技术能力\", \"组织文化\", \"治理体系\", \"应用场景\"]\n    levels = {\n        1: \"初始级 - 手工流程为主\",\n        2: \"基础级 - 核心业务数字化\",\n        3: \"发展级 - 多个AI场景落地\",\n        4: \"成熟级 - AI驱动决策\",\n        5: \"领先级 - AI原生架构\"\n    }\n    return levels\n```\n\n---\n\n## Compliance Checklist\n\n### CBIRC合规要点\n- 建立数据治理框架\n- 明确AI应用场景的权责边界\n- 建立模型风险管理制度\n- 定期进行AI系统审计\n- 保障消费者权益和隐私\n\n### PIPL合规检查\n- 数据收集最小必要原则\n- 用户知情同意\n- 数据本地化存储\n- 个人信息删除权保障\n\n---\n\n## Source Notes\n\n- 银保监会《银行业保险业数字化转型指导意见》\n- NFRA AI合规指引（2025-2026）\n- 中国人民银行《金融科技发展规划》\n- Gartner《AI in Financial Services》\n\n---\n\n## ClawHub Metadata\n\n- **Slug**: finance-ai-strategy\n- **Tags**: AI转型,数智化,金融科技,AI治理,战略规划,CBIRC合规,智能金融\n- **Version**: 1.0.0\n- **License**: MIT\n- **Author**: gechengling\n- **ClawHub URL**: https://clawhub.ai/gechengling/finance-ai-strategy\n\n---\n\n## README (English)\n\n**Financial AI Strategy Architect** — AI transformation planning for banks, insurers, securities firms. Covers strategy, governance, ROI, vendor selection, and change management.\n\n**Author**: gechengling | **License**: MIT\n\n---\n\n## 附录G：阿里点金(Dianjin)融合精华 — 策略日报与板块配置\n\n### G.1 核心工作流程（Dianjin融合版）\n\n#### 步骤1：策略框架构建\n| 分析维度 | 核心内容 | 输出成果 |\n|---------|---------|---------|\n| **宏观环境** | 经济周期、政策取向、流动性 | 宏观策略报告 |\n| **中观行业** | 行业景气度、板块轮动、主题投资 | 行业配置建议 |\n| **微观个股** | 公司基本面、估值水平、技术面 | 个股投资建议 |\n\n#### 步骤2：板块配置与轮动\n- **配置逻辑**：周期定位→板块选择→个股筛选\n- **轮动信号**：估值差、资金流、政策催化\n- **配置输出**：板块权重、调整方向、理由说明\n\n#### 步骤3：策略报告生成\n- **日报结构**：市场回顾→宏观/行业/个股观点→配置建议\n- **周报结构**：市场复盘→策略展望→板块推荐→风险提示\n- **专题报告**：深度研究、投资建议、风险提示\n\n---\n\n### G.2 风险评分机制（Dianjin精髓）\n\n| 风险维度 | 评分指标 | 权重 | 风险阈值 |\n|---------|---------|------|---------|\n| 策略风险 | 策略有效性、回撤控制 | 30% | 最大回撤>20% |\n| 市场风险 | 市场环境适应性 | 25% | 市场环境与策略不匹配 |\n| 操作风险 | 执行准确度、系统稳定性 | 20% | 执行偏差>1% |\n| 合规风险 | 合规检查通过率 | 15% | 合规检查不通过 |\n| 声誉风险 | 客户满意度、投诉记录 | 10% | 客户投诉或负面评价 |\n\n**综合风险等级**：\n- 低风险（0-20分）：策略有效，正常执行\n- 中风险（21-40分）：策略基本有效，关注市场环境变化\n- 高风险（41-60分）：策略有效性下降，审慎执行或暂停\n- 极高风险（61-80分）：策略失效，立即停止并复盘\n\n---\n\n### G.3 合规约束（Dianjin精髓）\n\n1. **不适用边界**：本技能不适用于法律建议、投资咨询许可，此类需求需转交合规或持牌机构\n2. **禁止承诺**：不使用\"一定涨\"\"guaranteed return\"等承诺性表述\n3. **禁止替代决策**：仅输出分析建议，最终决策由投资经理/投资决策委员会出具\n4. **数据溯源**：市场数据、政策依据必须标注来源和日期\n5. **隐私保护**：客户信息、投资策略必须保密\n6. **客观中立**：分析不得受业绩压力影响，须客观呈现风险与机会\n\n---\n\n### G.4 测试用例（Dianjin精髓）\n\n| 用例ID | 输入场景 | 预期输出 | 验证点 |\n|--------|---------|---------|---------|\n| TC001 | 生成A股策略日报，市场震荡，创业板跌2% | 日报：震荡观点、建议关注板块、风险提示 | 观点客观、风险到位 |\n| TC002 | 板块配置建议，当前周期复苏初期 | 建议：周期板块超配、成长板块标配、防御板块低配 | 配置逻辑合理 |\n| TC003 | 专题报告：AI主题投资，提示风险 | 报告：AI主题分析、投资建议、风险提示到位 | 风险揭示充分 |\n\n---\n\n### G.5 关联技能（Dianjin精髓）\n\n- **金融市场数据分析**（`finance-data-analysis`）：提供股票数据面分析、资金流向、行情解读\n- **宏观分析**（`dalio-macro-analysis`）：提供宏观分析、政策解读、经济周期判断\n- **AI交易回测**（`ai-trading-backtester`）：提供策略回测、风险指标、绩效归因\n\n---\n\n*融合来源：阿里点金(Dianjin) investment-researcher*\n*融合时间：2026-05-31*\n\nFile v5.0.1:_meta.json\n\n{\n  \"ownerId\": \"kn74e704j3ygjcygnpf02rdvd185js13\",\n  \"slug\": \"finance-ai-strategy\",\n  \"version\": \"5.0.1\",\n  \"publishedAt\": 1780353298419\n}\n\nFile v5.0.1:skill-card.md\n\n## Description: <br>\nHelps financial institutions plan AI transformation strategy, prioritize AI investments, and design AI governance frameworks. <br>\n\nThis skill is ready for commercial/non-commercial use. <br>\n\n## Publisher: <br>\n[gechengling](https://clawhub.ai/user/gechengling) <br>\n\n### License/Terms of Use: <br>\nMIT-0 <br>\n\n\n## Use Case: <br>\nFinancial services strategy, governance, and transformation teams use this skill to draft AI adoption roadmaps, compare AI project priorities, assess ROI, and structure governance or change-management plans. Outputs are reference material and require qualified human review before business, investment, compliance, legal, or insurance use. <br>\n\n### Deployment Geography for Use: <br>\nGlobal <br>\n\n## Known Risks and Mitigations: <br>\nRisk: The skill can produce investment-adjacent guidance that may be mistaken for regulated financial advice. <br>\nMitigation: Use it only with qualified human review and clear limits against personalized portfolio, allocation, security, legal, insurance, or compliance recommendations. <br>\n\n\n## Reference(s): <br>\n- [ClawHub skill page](https://clawhub.ai/gechengling/finance-ai-strategy) <br>\n\n\n## Skill Output: <br>\n**Output Type(s):** [text, markdown, code, guidance] <br>\n**Output Format:** [Markdown guidance with structured frameworks, checklists, report templates, and illustrative Python snippets] <br>\n**Output Parameters:** [1D] <br>\n**Other Properties Related to Output:** [Advisory-only reference output; requires qualified human review before real-world financial or compliance use.] <br>\n\n## Skill Version(s): <br>\n5.0.1 (source: server release evidence) <br>\n\n## Ethical Considerations: <br>\nUsers should evaluate whether this skill is appropriate for their environment, review any generated or modified files before relying on them, and apply their organization's safety, security, and compliance requirements before deployment. <br>\n\nArchive v5.0.0: 3 files, 7119 bytes\n\nFiles: skill-card.md (2569b), SKILL.md (11946b), _meta.json (138b)\n\nFile v5.0.0:SKILL.md\n\n# SKILL.md\n\n## Identity\n\n- **Skill Name**: 金融AI战略规划师 (Financial AI Strategy Architect)\n- **Slug**: finance-ai-strategy\n- **Version**: 1.0.1\n- **Language**: 中文为主，英文关键术语保留\n- **Author**: 葛成 (@gechengling)\n- **Description**: 当你需要制定金融机构的AI转型战略（从\"数字XX\"到\"数智XX\"）、评估AI投资优先级（哪些场景先做ROI最高）、设计AI治理框架（CBIRC/NFRA合规要求）、选择技术供应商与合作模式（自研vs外采vs共建）、推动组织变革（怎么让团队接受AI）时，使用本Skill。本技能基于保险、银行、证券、基金等金融机构的AI转型实践整理，涵盖银保监会《银行业保险业数字化转型指导意见》、国家金融监督管理总局AI合规要求、2025-2026年金融科技趋势。关键词：AI转型，数智化，数字化转型，金融科技，战略规划，AI治理，CBIRC合规，智能金融，路线图，ROI评估。\n\n---\n\n### AI技术最新动态 [2026-05-25更新]\n\n| 动态类型 | 内容摘要 | 影响范围 |\n|---------|---------|---------|\n| MCP标准化 | 2026年MCP已捐赠给Linux基金会AAIF治理，生态超1000个服务器 | AI架构选型 |\n| AI Agent治理 | 企业AI治理要求提升：可解释性、公平性、隐私保护合规 | 治理框架设计 |\n| 巨头采纳 | OpenAI/Google/Microsoft等已广泛采纳MCP标准 | 技术路线图 |\n\n> **数据截止**: 2026-05-25 | 来源：Linux Foundation AAIF、行业公开信息\n> **声明**: 以上动态供参考，具体以官方最新发布为准\n\n---\n\n## Core Thinking Models\n\n### 模型一：三阶段转型框架（战略规划）\n```\n传统金融：业务数字化（电子化）\n数字金融：流程线上化（互联网）\n数智金融：决策智能化（AI驱动）\n↓ 金融机构转型路径：\n第一阶段：基础设施（数据中台、云平台）\n第二阶段：场景落地（智能理赔、核保、营销）\n第三阶段：智能决策（实时风控、个性化服务）\n核心原则：\n\"先数据，再智能\"\n\"先试点，再推广\"\n\"先赋能，再替代\"\n```\n\n### 模型二：AI场景优先级矩阵（价值×可行性）\n```\nY轴（商业价值）：高/中/低\nX轴（技术可行性）：高/中/低\n↓ 四象限：\n1. 高价值+高可行 → 立即启动（智能理赔、客服）\n2. 高价值+低可行 → 预研跟进（Agent驱动的投资顾问）\n3. 低价值+高可行 → 快速试水（智能质检、报表生成）\n4. 低价值+低可行 → 暂缓/外包（通用客服）\n```\n\n### 模型三：AI治理金字塔（合规框架）\n```\n顶层：AI战略（董事会/高管）\n二层：AI治理委员会（跨部门协调）\n三层：AI运营规范（数据、模型、算法）\n底层：技术基础设施（安全、隐私、审计）\n合规要点：\n1. 模型可解释性（黑盒→白盒）\n2. 数据隐私保护（PIPL合规）\n3. 算法公平性（不歧视特定群体）\n4. 人类控制权（AI辅助≠AI决策）\n```\n\n### 模型四：Buy vs Build vs Partner（技术路线）\n```\n自研（Build）：\n- 优势：数据安全、定制化、长期成本低\n- 劣势：周期长、人才难招、技术积累慢\n- 适合：核心能力、差异化竞争\n\n外采（Buy）：\n- 优势：快速上线、技术成熟\n- 劣势：数据泄露风险、定制受限\n- 适合：非核心能力、通用场景\n\n共建（Partner）：\n- 优势：风险共担、能力共建\n- 劣势：协调成本高\n- 适合：大型项目、战略合作\n```\n\n### 模型五：变革管理曲线（组织落地）\n```\n变革阻力分析：\n1. 高管阻力：战略不明 → 先对齐愿景\n2. 中层阻力：能力不足 → 培训赋能\n3. 一线阻力：担心替代 → 角色重新定义\n核心方法：\n\"让AI替代重复，不替代价值\"\n\"让员工从执行者变监督者\"\n```\n\n---\n\n## 新增内容（2026版）\n**Step 2 新增评估维度（2026）**：\n- 金融大模型应用全景：50家银行已部署生成式AI，覆盖智能客服(85%替代率)/文档处理(70%效率提升)/风控决策(决策时效<3秒)三大场景\n- 模型风险管理新规（2026年正式稿）：中国人民银行要求金融机构建立AI模型台账，重大模型变更须经独立第三方审计，模型偏差超±5%须启动应急机制\n- 数据要素×金融：企业数据资产入表2026年扩展至金融机构，预期新增1.2万亿数据信贷规模，数据质量评分纳入央行评级体系\n- 跨境金融科技监管沙盒：深圳/上海/北京三地同时推进，数字资产托管/AI跨境投顾/区块链供应链金融三类业务首批入盒\n- 金融科技伦理委员会：国家金融监管总局2026年要求持牌机构设立AI伦理委员会，算法公平性/透明度/可解释性纳入年度评级\n\n---\n\n## 新增内容（2026版）\n**Step 2 新增评估维度（2026）**：\n- 金融大模型应用全景：50家银行已部署生成式AI，覆盖智能客服(85%替代率)/文档处理(70%效率提升)/风控决策(决策时效<3秒)三大场景\n- 模型风险管理新规（2026年正式稿）：中国人民银行要求金融机构建立AI模型台账，重大模型变更须经独立第三方审计，模型偏差超±5%须启动应急机制\n- 数据要素×金融：企业数据资产入表2026年扩展至金融机构，预期新增1.2万亿数据信贷规模，数据质量评分纳入央行评级体系\n- 跨境金融科技监管沙盒：深圳/上海/北京三地同时推进，数字资产托管/AI跨境投顾/区块链供应链金融三类业务首批入盒\n- 金融科技伦理委员会：国家金融监管总局2026年要求持牌机构设立AI伦理委员会，算法公平性/透明度/可解释性纳入年度评级\n\n---\n\n## When to Use\n\n- \"我要制定金融机构的3-5年AI转型战略\" → 三阶段框架\n- \"AI场景那么多，先做哪个后做哪个？\" → 优先级矩阵\n- \"怎么建立AI治理体系，满足CBIRC/NFRA要求？\" → AI治理金字塔\n- \"AI能力是自己开发还是外面采购？\" → Buy vs Build vs Partner\n- \"团队很抗拒AI变革，怎么推动？\" → 变革管理曲线\n- \"怎么评估一个AI项目的ROI？\" → ROI评估模型\n\n---\n\n## Python Code Templates\n\n### ROI计算模板\n```python\ndef calculate_ai_roi(investment_cost, annual_savings, efficiency_gain, years=5):\n    \"\"\"\n    AI项目ROI计算\n    - investment_cost: 初始投资（万元）\n    - annual_savings: 年化成本节约（万元）\n    - efficiency_gain: 效率提升带来的收益（万元/年）\n    \"\"\"\n    total_investment = investment_cost\n    total_benefits = 0\n    for year in range(1, years + 1):\n        annual_benefit = annual_savings + (efficiency_gain * year * 0.1)\n        total_benefits += annual_benefit\n    roi = (total_benefits - total_investment) / total_investment * 100\n    payback = total_investment / (annual_savings + efficiency_gain)\n    return {\"roi\": f\"{roi:.1f}%\", \"payback\": f\"{payback:.1f}年\"}\n```\n\n### AI成熟度评估框架\n```python\ndef assess_ai_maturity():\n    dimensions = [\"数据基础\", \"技术能力\", \"组织文化\", \"治理体系\", \"应用场景\"]\n    levels = {\n        1: \"初始级 - 手工流程为主\",\n        2: \"基础级 - 核心业务数字化\",\n        3: \"发展级 - 多个AI场景落地\",\n        4: \"成熟级 - AI驱动决策\",\n        5: \"领先级 - AI原生架构\"\n    }\n    return levels\n```\n\n---\n\n## Compliance Checklist\n\n### CBIRC合规要点\n- 建立数据治理框架\n- 明确AI应用场景的权责边界\n- 建立模型风险管理制度\n- 定期进行AI系统审计\n- 保障消费者权益和隐私\n\n### PIPL合规检查\n- 数据收集最小必要原则\n- 用户知情同意\n- 数据本地化存储\n- 个人信息删除权保障\n\n---\n\n## Source Notes\n\n- 银保监会《银行业保险业数字化转型指导意见》\n- NFRA AI合规指引（2025-2026）\n- 中国人民银行《金融科技发展规划》\n- Gartner《AI in Financial Services》\n\n---\n\n## ClawHub Metadata\n\n- **Slug**: finance-ai-strategy\n- **Tags**: AI转型,数智化,金融科技,AI治理,战略规划,CBIRC合规,智能金融\n- **Version**: 1.0.0\n- **License**: MIT\n- **Author**: gechengling\n- **ClawHub URL**: https://clawhub.ai/gechengling/finance-ai-strategy\n\n---\n\n## README (English)\n\n**Financial AI Strategy Architect** — AI transformation planning for banks, insurers, securities firms. Covers strategy, governance, ROI, vendor selection, and change management.\n\n**Author**: gechengling | **License**: MIT\n\n---\n\n## 附录G：阿里点金(Dianjin)融合精华 — 策略日报与板块配置\n\n### G.1 核心工作流程（Dianjin融合版）\n\n#### 步骤1：策略框架构建\n| 分析维度 | 核心内容 | 输出成果 |\n|---------|---------|---------|\n| **宏观环境** | 经济周期、政策取向、流动性 | 宏观策略报告 |\n| **中观行业** | 行业景气度、板块轮动、主题投资 | 行业配置建议 |\n| **微观个股** | 公司基本面、估值水平、技术面 | 个股投资建议 |\n\n#### 步骤2：板块配置与轮动\n- **配置逻辑**：周期定位→板块选择→个股筛选\n- **轮动信号**：估值差、资金流、政策催化\n- **配置输出**：板块权重、调整方向、理由说明\n\n#### 步骤3：策略报告生成\n- **日报结构**：市场回顾→宏观/行业/个股观点→配置建议\n- **周报结构**：市场复盘→策略展望→板块推荐→风险提示\n- **专题报告**：深度研究、投资建议、风险提示\n\n---\n\n### G.2 风险评分机制（Dianjin精髓）\n\n| 风险维度 | 评分指标 | 权重 | 风险阈值 |\n|---------|---------|------|---------|\n| 策略风险 | 策略有效性、回撤控制 | 30% | 最大回撤>20% |\n| 市场风险 | 市场环境适应性 | 25% | 市场环境与策略不匹配 |\n| 操作风险 | 执行准确度、系统稳定性 | 20% | 执行偏差>1% |\n| 合规风险 | 合规检查通过率 | 15% | 合规检查不通过 |\n| 声誉风险 | 客户满意度、投诉记录 | 10% | 客户投诉或负面评价 |\n\n**综合风险等级**：\n- 低风险（0-20分）：策略有效，正常执行\n- 中风险（21-40分）：策略基本有效，关注市场环境变化\n- 高风险（41-60分）：策略有效性下降，审慎执行或暂停\n- 极高风险（61-80分）：策略失效，立即停止并复盘\n\n---\n\n### G.3 合规约束（Dianjin精髓）\n\n1. **不适用边界**：本技能不适用于法律建议、投资咨询许可，此类需求需转交合规或持牌机构\n2. **禁止承诺**：不使用\"一定涨\"\"guaranteed return\"等承诺性表述\n3. **禁止替代决策**：仅输出分析建议，最终决策由投资经理/投资决策委员会出具\n4. **数据溯源**：市场数据、政策依据必须标注来源和日期\n5. **隐私保护**：客户信息、投资策略必须保密\n6. **客观中立**：分析不得受业绩压力影响，须客观呈现风险与机会\n\n---\n\n### G.4 测试用例（Dianjin精髓）\n\n| 用例ID | 输入场景 | 预期输出 | 验证点 |\n|--------|---------|---------|---------|\n| TC001 | 生成A股策略日报，市场震荡，创业板跌2% | 日报：震荡观点、建议关注板块、风险提示 | 观点客观、风险到位 |\n| TC002 | 板块配置建议，当前周期复苏初期 | 建议：周期板块超配、成长板块标配、防御板块低配 | 配置逻辑合理 |\n| TC003 | 专题报告：AI主题投资，提示风险 | 报告：AI主题分析、投资建议、风险提示到位 | 风险揭示充分 |\n\n---\n\n### G.5 关联技能（Dianjin精髓）\n\n- **金融市场数据分析**（`finance-data-analysis`）：提供股票数据面分析、资金流向、行情解读\n- **宏观分析**（`dalio-macro-analysis`）：提供宏观分析、政策解读、经济周期判断\n- **AI交易回测**（`ai-trading-backtester`）：提供策略回测、风险指标、绩效归因\n\n---\n\n*融合来源：阿里点金(Dianjin) investment-researcher*\n*融合时间：2026-05-31*\n\nFile v5.0.0:_meta.json\n\n{\n  \"ownerId\": \"kn74e704j3ygjcygnpf02rdvd185js13\",\n  \"slug\": \"finance-ai-strategy\",\n  \"version\": \"5.0.0\",\n  \"publishedAt\": 1780193555379\n}\n\nFile v5.0.0:skill-card.md\n\n## Description: <br>\nProvides AI transformation strategy planning for financial institutions, covering value prioritization, compliance governance, technology roadmap selection, and organizational change. <br>\n\nThis skill is ready for commercial/non-commercial use. <br>\n\n## Publisher: <br>\n[gechengling](https://clawhub.ai/user/gechengling) <br>\n\n### License/Terms of Use: <br>\nMIT-0 <br>\n\n\n## Use Case: <br>\nFinancial institution strategy, governance, and transformation teams use this skill to plan AI adoption, prioritize AI use cases by ROI and feasibility, compare build/buy/partner options, and structure AI governance. Investment research or recommendation outputs require controlled, licensed, human-reviewed processes before customer-facing use. <br>\n\n### Deployment Geography for Use: <br>\nGlobal, with examples and compliance framing oriented toward Chinese financial-sector regulation. <br>\n\n## Known Risks and Mitigations: <br>\nRisk: The skill mixes financial AI strategy planning with investment-advice workflows. <br>\nMitigation: Use investment-related outputs only inside controlled, licensed, human-reviewed research or recommendation processes. <br>\nRisk: Financial or customer-facing deployment can create compliance, privacy, and consumer-protection exposure. <br>\nMitigation: Review before installation in financial environments and limit default use to internal AI strategy and governance planning. <br>\nRisk: Artifact text includes regulatory and market claims that may become outdated or require jurisdiction-specific validation. <br>\nMitigation: Verify regulatory references, market data, and policy assumptions against authoritative current sources before relying on generated plans. <br>\n\n\n## Reference(s): <br>\n- [ClawHub Skill Page](https://clawhub.ai/gechengling/finance-ai-strategy) <br>\n\n\n## Skill Output: <br>\n**Output Type(s):** [Text, Markdown, Code, Guidance] <br>\n**Output Format:** [Markdown with Chinese prose, tables, checklists, and Python code blocks] <br>\n**Output Parameters:** [1D] <br>\n**Other Properties Related to Output:** [May include financial strategy, governance, ROI, vendor-selection, and investment-analysis guidance that needs domain and compliance review.] <br>\n\n## Skill Version(s): <br>\n5.0.0 (source: server release metadata) <br>\n\n## Ethical Considerations: <br>\nUsers should evaluate whether this skill is appropriate for their environment, review any generated or modified files before relying on them, and apply their organization's safety, security, and compliance requirements before deployment. <br>\n\nArchive v2.0.0: 3 files, 4640 bytes\n\nFiles: skill-card.md (2203b), SKILL.md (6170b), _meta.json (138b)\n\nFile v2.0.0:SKILL.md\n\n# SKILL.md\r\n\r\n## Identity\r\n\r\n- **Skill Name**: 金融AI战略规划师 (Financial AI Strategy Architect)\r\n- **Slug**: finance-ai-strategy\r\n- **Version**: 1.0.0\r\n- **Language**: 中文为主，英文关键术语保留\r\n- **Author**: 葛成 (@gechengling)\r\n- **Description**: 当你需要制定金融机构的AI转型战略（从\"数字XX\"到\"数智XX\"）、评估AI投资优先级（哪些场景先做ROI最高）、设计AI治理框架（CBIRC/NFRA合规要求）、选择技术供应商与合作模式（自研vs外采vs共建）、推动组织变革（怎么让团队接受AI）时，使用本Skill。本技能基于保险、银行、证券、基金等金融机构的AI转型实践整理，涵盖银保监会《银行业保险业数字化转型指导意见》、国家金融监督管理总局AI合规要求、2025-2026年金融科技趋势。关键词：AI转型，数智化，数字化转型，金融科技，战略规划，AI治理，CBIRC合规，智能金融，路线图，ROI评估。\r\n\r\n---\r\n\r\n## Core Thinking Models\r\n\r\n### 模型一：三阶段转型框架（战略规划）\r\n```\r\n传统金融：业务数字化（电子化）\r\n数字金融：流程线上化（互联网）\r\n数智金融：决策智能化（AI驱动）\r\n↓ 金融机构转型路径：\r\n第一阶段：基础设施（数据中台、云平台）\r\n第二阶段：场景落地（智能理赔、核保、营销）\r\n第三阶段：智能决策（实时风控、个性化服务）\r\n核心原则：\r\n\"先数据，再智能\"\r\n\"先试点，再推广\"\r\n\"先赋能，再替代\"\r\n```\r\n\r\n### 模型二：AI场景优先级矩阵（价值×可行性）\r\n```\r\nY轴（商业价值）：高/中/低\r\nX轴（技术可行性）：高/中/低\r\n↓ 四象限：\r\n1. 高价值+高可行 → 立即启动（智能理赔、客服）\r\n2. 高价值+低可行 → 预研跟进（Agent驱动的投资顾问）\r\n3. 低价值+高可行 → 快速试水（智能质检、报表生成）\r\n4. 低价值+低可行 → 暂缓/外包（通用客服）\r\n```\r\n\r\n### 模型三：AI治理金字塔（合规框架）\r\n```\r\n顶层：AI战略（董事会/高管）\r\n二层：AI治理委员会（跨部门协调）\r\n三层：AI运营规范（数据、模型、算法）\r\n底层：技术基础设施（安全、隐私、审计）\r\n合规要点：\r\n1. 模型可解释性（黑盒→白盒）\r\n2. 数据隐私保护（PIPL合规）\r\n3. 算法公平性（不歧视特定群体）\r\n4. 人类控制权（AI辅助≠AI决策）\r\n```\r\n\r\n### 模型四：Buy vs Build vs Partner（技术路线）\r\n```\r\n自研（Build）：\r\n- 优势：数据安全、定制化、长期成本低\r\n- 劣势：周期长、人才难招、技术积累慢\r\n- 适合：核心能力、差异化竞争\r\n\r\n外采（Buy）：\r\n- 优势：快速上线、技术成熟\r\n- 劣势：数据泄露风险、定制受限\r\n- 适合：非核心能力、通用场景\r\n\r\n共建（Partner）：\r\n- 优势：风险共担、能力共建\r\n- 劣势：协调成本高\r\n- 适合：大型项目、战略合作\r\n```\r\n\r\n### 模型五：变革管理曲线（组织落地）\r\n```\r\n变革阻力分析：\r\n1. 高管阻力：战略不明 → 先对齐愿景\r\n2. 中层阻力：能力不足 → 培训赋能\r\n3. 一线阻力：担心替代 → 角色重新定义\r\n核心方法：\r\n\"让AI替代重复，不替代价值\"\r\n\"让员工从执行者变监督者\"\r\n```\r\n\r\n---\r\n\r\n## When to Use\r\n\r\n- \"我要制定金融机构的3-5年AI转型战略\" → 三阶段框架\r\n- \"AI场景那么多，先做哪个后做哪个？\" → 优先级矩阵\r\n- \"怎么建立AI治理体系，满足CBIRC/NFRA要求？\" → AI治理金字塔\r\n- \"AI能力是自己开发还是外面采购？\" → Buy vs Build vs Partner\r\n- \"团队很抗拒AI变革，怎么推动？\" → 变革管理曲线\r\n- \"怎么评估一个AI项目的ROI？\" → ROI评估模型\r\n\r\n---\r\n\r\n## Python Code Templates\r\n\r\n### ROI计算模板\r\n```python\r\ndef calculate_ai_roi(investment_cost, annual_savings, efficiency_gain, years=5):\r\n    \"\"\"\r\n    AI项目ROI计算\r\n    - investment_cost: 初始投资（万元）\r\n    - annual_savings: 年化成本节约（万元）\r\n    - efficiency_gain: 效率提升带来的收益（万元/年）\r\n    \"\"\"\r\n    total_investment = investment_cost\r\n    total_benefits = 0\r\n    for year in range(1, years + 1):\r\n        annual_benefit = annual_savings + (efficiency_gain * year * 0.1)\r\n        total_benefits += annual_benefit\r\n    roi = (total_benefits - total_investment) / total_investment * 100\r\n    payback = total_investment / (annual_savings + efficiency_gain)\r\n    return {\"roi\": f\"{roi:.1f}%\", \"payback\": f\"{payback:.1f}年\"}\r\n```\r\n\r\n### AI成熟度评估框架\r\n```python\r\ndef assess_ai_maturity():\r\n    dimensions = [\"数据基础\", \"技术能力\", \"组织文化\", \"治理体系\", \"应用场景\"]\r\n    levels = {\r\n        1: \"初始级 - 手工流程为主\",\r\n        2: \"基础级 - 核心业务数字化\",\r\n        3: \"发展级 - 多个AI场景落地\",\r\n        4: \"成熟级 - AI驱动决策\",\r\n        5: \"领先级 - AI原生架构\"\r\n    }\r\n    return levels\r\n```\r\n\r\n---\r\n\r\n## Compliance Checklist\r\n\r\n### CBIRC合规要点\r\n- 建立数据治理框架\r\n- 明确AI应用场景的权责边界\r\n- 建立模型风险管理制度\r\n- 定期进行AI系统审计\r\n- 保障消费者权益和隐私\r\n\r\n### PIPL合规检查\r\n- 数据收集最小必要原则\r\n- 用户知情同意\r\n- 数据本地化存储\r\n- 个人信息删除权保障\r\n\r\n---\r\n\r\n## Source Notes\r\n\r\n- 银保监会《银行业保险业数字化转型指导意见》\r\n- NFRA AI合规指引（2025-2026）\r\n- 中国人民银行《金融科技发展规划》\r\n- Gartner《AI in Financial Services》\r\n\r\n---\r\n\r\n## ClawHub Metadata\r\n\r\n- **Slug**: finance-ai-strategy\r\n- **Tags**: AI转型,数智化,金融科技,AI治理,战略规划,CBIRC合规,智能金融\r\n- **Version**: 1.0.0\r\n- **License**: MIT\r\n- **Author**: gechengling\r\n- **ClawHub URL**: https://clawhub.ai/gechengling/finance-ai-strategy\r\n\r\n---\r\n\r\n## README (English)\r\n\r\n**Financial AI Strategy Architect** — AI transformation planning for banks, insurers, securities firms. Covers strategy, governance, ROI, vendor selection, and change management.\r\n\r\n**Author**: gechengling | **License**: MIT\n\nFile v2.0.0:_meta.json\n\n{\n  \"ownerId\": \"kn74e704j3ygjcygnpf02rdvd185js13\",\n  \"slug\": \"finance-ai-strategy\",\n  \"version\": \"2.0.0\",\n  \"publishedAt\": 1778638970047\n}\n\nFile v2.0.0:skill-card.md\n\n## Description: <br>\nProvides AI transformation strategy planning for financial institutions, including AI investment prioritization, governance frameworks, technology route selection, and organizational change guidance. <br>\n\nThis skill is ready for commercial/non-commercial use. <br>\n\n## Publisher: <br>\n[gechengling](https://clawhub.ai/user/gechengling) <br>\n\n### License/Terms of Use: <br>\nMIT-0 <br>\n\n\n## Use Case: <br>\nStrategy, risk, technology, and transformation teams at financial institutions use this skill to plan AI adoption roadmaps, prioritize use cases by value and feasibility, design AI governance, compare build/buy/partner options, and manage organizational change. <br>\n\n### Deployment Geography for Use: <br>\nGlobal <br>\n\n## Known Risks and Mitigations: <br>\nRisk: Financial, regulatory, or market-trend guidance may be incomplete or outdated for a specific institution, jurisdiction, or decision date. <br>\nMitigation: Use the skill as an advisory planning aid and verify financial, regulatory, and 2025-2026 trend references independently before compliance, investment, or operational decisions. <br>\nRisk: ROI calculations and prioritization frameworks may oversimplify real financial impact or implementation constraints. <br>\nMitigation: Validate assumptions, cost inputs, regulatory obligations, and model-risk controls with qualified finance, legal, compliance, and technology reviewers before acting. <br>\n\n\n## Reference(s): <br>\n- [ClawHub skill page](https://clawhub.ai/gechengling/finance-ai-strategy) <br>\n\n\n## Skill Output: <br>\n**Output Type(s):** [Guidance, Markdown, Code] <br>\n**Output Format:** [Markdown guidance with optional Python code templates] <br>\n**Output Parameters:** [1D] <br>\n**Other Properties Related to Output:** [Chinese-first prose with English financial and AI terminology where useful.] <br>\n\n## Skill Version(s): <br>\n2.0.0 (source: ClawHub release evidence) <br>\n\n## Ethical Considerations: <br>\nUsers should evaluate whether this skill is appropriate for their environment, review any generated or modified files before relying on them, and apply their organization's safety, security, and compliance requirements before deployment. <br>\n\nArchive v1.0.0: 2 files, 3470 bytes\n\nFiles: SKILL.md (6170b), _meta.json (138b)\n\nFile v1.0.0:SKILL.md\n\n# SKILL.md\r\n\r\n## Identity\r\n\r\n- **Skill Name**: 金融AI战略规划师 (Financial AI Strategy Architect)\r\n- **Slug**: finance-ai-strategy\r\n- **Version**: 1.0.0\r\n- **Language**: 中文为主，英文关键术语保留\r\n- **Author**: 葛成 (@gechengling)\r\n- **Description**: 当你需要制定金融机构的AI转型战略（从\"数字XX\"到\"数智XX\"）、评估AI投资优先级（哪些场景先做ROI最高）、设计AI治理框架（CBIRC/NFRA合规要求）、选择技术供应商与合作模式（自研vs外采vs共建）、推动组织变革（怎么让团队接受AI）时，使用本Skill。本技能基于保险、银行、证券、基金等金融机构的AI转型实践整理，涵盖银保监会《银行业保险业数字化转型指导意见》、国家金融监督管理总局AI合规要求、2025-2026年金融科技趋势。关键词：AI转型，数智化，数字化转型，金融科技，战略规划，AI治理，CBIRC合规，智能金融，路线图，ROI评估。\r\n\r\n---\r\n\r\n## Core Thinking Models\r\n\r\n### 模型一：三阶段转型框架（战略规划）\r\n```\r\n传统金融：业务数字化（电子化）\r\n数字金融：流程线上化（互联网）\r\n数智金融：决策智能化（AI驱动）\r\n↓ 金融机构转型路径：\r\n第一阶段：基础设施（数据中台、云平台）\r\n第二阶段：场景落地（智能理赔、核保、营销）\r\n第三阶段：智能决策（实时风控、个性化服务）\r\n核心原则：\r\n\"先数据，再智能\"\r\n\"先试点，再推广\"\r\n\"先赋能，再替代\"\r\n```\r\n\r\n### 模型二：AI场景优先级矩阵（价值×可行性）\r\n```\r\nY轴（商业价值）：高/中/低\r\nX轴（技术可行性）：高/中/低\r\n↓ 四象限：\r\n1. 高价值+高可行 → 立即启动（智能理赔、客服）\r\n2. 高价值+低可行 → 预研跟进（Agent驱动的投资顾问）\r\n3. 低价值+高可行 → 快速试水（智能质检、报表生成）\r\n4. 低价值+低可行 → 暂缓/外包（通用客服）\r\n```\r\n\r\n### 模型三：AI治理金字塔（合规框架）\r\n```\r\n顶层：AI战略（董事会/高管）\r\n二层：AI治理委员会（跨部门协调）\r\n三层：AI运营规范（数据、模型、算法）\r\n底层：技术基础设施（安全、隐私、审计）\r\n合规要点：\r\n1. 模型可解释性（黑盒→白盒）\r\n2. 数据隐私保护（PIPL合规）\r\n3. 算法公平性（不歧视特定群体）\r\n4. 人类控制权（AI辅助≠AI决策）\r\n```\r\n\r\n### 模型四：Buy vs Build vs Partner（技术路线）\r\n```\r\n自研（Build）：\r\n- 优势：数据安全、定制化、长期成本低\r\n- 劣势：周期长、人才难招、技术积累慢\r\n- 适合：核心能力、差异化竞争\r\n\r\n外采（Buy）：\r\n- 优势：快速上线、技术成熟\r\n- 劣势：数据泄露风险、定制受限\r\n- 适合：非核心能力、通用场景\r\n\r\n共建（Partner）：\r\n- 优势：风险共担、能力共建\r\n- 劣势：协调成本高\r\n- 适合：大型项目、战略合作\r\n```\r\n\r\n### 模型五：变革管理曲线（组织落地）\r\n```\r\n变革阻力分析：\r\n1. 高管阻力：战略不明 → 先对齐愿景\r\n2. 中层阻力：能力不足 → 培训赋能\r\n3. 一线阻力：担心替代 → 角色重新定义\r\n核心方法：\r\n\"让AI替代重复，不替代价值\"\r\n\"让员工从执行者变监督者\"\r\n```\r\n\r\n---\r\n\r\n## When to Use\r\n\r\n- \"我要制定金融机构的3-5年AI转型战略\" → 三阶段框架\r\n- \"AI场景那么多，先做哪个后做哪个？\" → 优先级矩阵\r\n- \"怎么建立AI治理体系，满足CBIRC/NFRA要求？\" → AI治理金字塔\r\n- \"AI能力是自己开发还是外面采购？\" → Buy vs Build vs Partner\r\n- \"团队很抗拒AI变革，怎么推动？\" → 变革管理曲线\r\n- \"怎么评估一个AI项目的ROI？\" → ROI评估模型\r\n\r\n---\r\n\r\n## Python Code Templates\r\n\r\n### ROI计算模板\r\n```python\r\ndef calculate_ai_roi(investment_cost, annual_savings, efficiency_gain, years=5):\r\n    \"\"\"\r\n    AI项目ROI计算\r\n    - investment_cost: 初始投资（万元）\r\n    - annual_savings: 年化成本节约（万元）\r\n    - efficiency_gain: 效率提升带来的收益（万元/年）\r\n    \"\"\"\r\n    total_investment = investment_cost\r\n    total_benefits = 0\r\n    for year in range(1, years + 1):\r\n        annual_benefit = annual_savings + (efficiency_gain * year * 0.1)\r\n        total_benefits += annual_benefit\r\n    roi = (total_benefits - total_investment) / total_investment * 100\r\n    payback = total_investment / (annual_savings + efficiency_gain)\r\n    return {\"roi\": f\"{roi:.1f}%\", \"payback\": f\"{payback:.1f}年\"}\r\n```\r\n\r\n### AI成熟度评估框架\r\n```python\r\ndef assess_ai_maturity():\r\n    dimensions = [\"数据基础\", \"技术能力\", \"组织文化\", \"治理体系\", \"应用场景\"]\r\n    levels = {\r\n        1: \"初始级 - 手工流程为主\",\r\n        2: \"基础级 - 核心业务数字化\",\r\n        3: \"发展级 - 多个AI场景落地\",\r\n        4: \"成熟级 - AI驱动决策\",\r\n        5: \"领先级 - AI原生架构\"\r\n    }\r\n    return levels\r\n```\r\n\r\n---\r\n\r\n## Compliance Checklist\r\n\r\n### CBIRC合规要点\r\n- 建立数据治理框架\r\n- 明确AI应用场景的权责边界\r\n- 建立模型风险管理制度\r\n- 定期进行AI系统审计\r\n- 保障消费者权益和隐私\r\n\r\n### PIPL合规检查\r\n- 数据收集最小必要原则\r\n- 用户知情同意\r\n- 数据本地化存储\r\n- 个人信息删除权保障\r\n\r\n---\r\n\r\n## Source Notes\r\n\r\n- 银保监会《银行业保险业数字化转型指导意见》\r\n- NFRA AI合规指引（2025-2026）\r\n- 中国人民银行《金融科技发展规划》\r\n- Gartner《AI in Financial Services》\r\n\r\n---\r\n\r\n## ClawHub Metadata\r\n\r\n- **Slug**: finance-ai-strategy\r\n- **Tags**: AI转型,数智化,金融科技,AI治理,战略规划,CBIRC合规,智能金融\r\n- **Version**: 1.0.0\r\n- **License**: MIT\r\n- **Author**: gechengling\r\n- **ClawHub URL**: https://clawhub.ai/gechengling/finance-ai-strategy\r\n\r\n---\r\n\r\n## README (English)\r\n\r\n**Financial AI Strategy Architect** — AI transformation planning for banks, insurers, securities firms. Covers strategy, governance, ROI, vendor selection, and change management.\r\n\r\n**Author**: gechengling | **License**: MIT\n\nFile v1.0.0:_meta.json\n\n{\n  \"ownerId\": \"kn74e704j3ygjcygnpf02rdvd185js13\",\n  \"slug\": \"finance-ai-strategy\",\n  \"version\": \"1.0.0\",\n  \"publishedAt\": 1778638276486\n}","readmeExcerpt":"Skill: Financial AI Strategy Architect Owner: gechengling Summary: 帮助金融机构制定AI转型战略、评估AI投资优先级、设计AI治理框架，从数字金融迈向数智金融的战略规划指导。融合阿里百技图Agent体系与保险AI应用研究报告精华。 Tags: banking:5.0.0, dianjin:5.0.0, finance:5.0.0, finance-ai-strategy:5.2.1, insurance:5.0.0, latest:5.2.1 Version history: v5.2.1 | 2026-09-15T14:20:51.613Z | user 内容增强与修正（10737→12805字符）：修正术语错误'金融机构AI就熟度'→'AI就绪度'；更新已撤销机构名（CBIRC/银保监会→国家金融监督管理总局）并新增术语与机构沿革说明；金融AI趋势与动态更新至","codeSnippets":[],"executableExamples":[{"language":"text","snippet":"┌─────────────────────────────────────────────────────────────┐\n│              金融AI战略 — 三大视界（Three Horizons）           │\n├──────────────┬──────────────────┬────────────────────────────┤\n│  Horizon 1    │  Horizon 2        │  Horizon 3                  │\n│  (0-12个月)   │  (12-36个月)      │  (36-60个月)                │\n├──────────────┼──────────────────┼────────────────────────────┤\n│ 运营效率革命  │ 客户体验重塑      │ 商业模式创新                │\n│              │                  │                            │\n│ • 智能客服    │ • AI Agent投保    │ • AI原生保险产品            │\n│ • 文档自动化  │ • 个性化产品推荐  │ • 动态定价2.0              │\n│ • 智能理赔    │ • 全渠道客户旅程  │ • 去中介化平台              │\n│ • RPA升级     │ • 多模态交互      │ • 生态化金融服务            │\n├──────────────┼──────────────────┼────────────────────────────┤\n│ 典型场景：    │ 典型场景：         │ 典型场景：                  │\n│ 核保自动化   │ Agent驱动的理赔    │ 自主风控决策体系            │\n│ 智能客服     │ 智能投顾           │ AI原生保险产品              │\n│ 报表生成     │ 个性化营销         │ 开放银行/保险平台           │\n├──────────────┴──────────────────┴────────────────────────────┤\n│ 核心原则：Horizon 1 造血 → Horizon 2 蓄力 → Horizon 3 领跑   │\n│ \"先赋能、再替代、最后创新\"                                  │\n└─────────────────────────────────────────────────────────────┘"},{"language":"text","snippet":"金融机构AI就绪度\n├── 能力维度（内部）\n│   ├── 数据基础（数据中台、数据质量、数据合规）\n│   ├── 技术能力（算力、模型、工程化）\n│   ├── 人才储备（AI团队、培训体系、文化接受度）\n│   └── 组织架构（AI部门定位、决策流程、激励机制）\n│\n├── 战略维度（顶层设计）\n│   ├── 愿景清晰度（是否明确AI战略定位）\n│   ├── 资源投入（预算、人力、管理层承诺）\n│   └── 路线图（分阶段目标、里程碑）\n│\n└── 环境维度（外部）\n    ├── 监管要求（国家金融监督管理总局 NFRA）\n    ├── 市场竞争（同行进度、技术替代风险）\n    └── 技术演进（MCP/A2A、多模态、Agent）"},{"language":"text","snippet":"Agent生产力公式：\n\n             协作系数 α\n    Productivity = (LLM能力 × 工具生态 × 流程数字化)  \n                   ─────────────────────────────\n                        治理成本 + 风险系数\n\n其中：\n- LLM能力: 推理、多模态、长上下文、Function Calling\n- 工具生态: MCP服务器数量、A2A协议成熟度、API覆盖度\n- 流程数字化: 业务流程数字化率、数据可获取性\n- 协作系数α: 多Agent协作效率（单Agent=1, 多Agent=1.5-3）\n- 治理成本: 安全审计、合规检查、模型监控的人力投入"},{"language":"text","snippet":"Y轴（商业价值）：高/中/低\nX轴（技术可行性）：高/中/低\n\n四象限排序策略：\n\n1️⃣ 高价值+高可行 → 立即规模化（2026-2027 Q1-Q2）\n   - 智能客服（85%替代率，已大规模验证）\n   - 文档处理（70%效率提升，技术成熟）\n   - 风控决策（决策时效<3秒，模型稳定）\n\n2️⃣ 高价值+低可行 → 预研+试点（2026-2027 Q3-Q4）\n   - Agent驱动的投资顾问（监管待明确）\n   - 全自动核保引擎（需解决可解释性）\n   - 多Agent协作理赔（技术仍在演进）\n\n3️⃣ 低价值+高可行 → 快速试水（2026 Q1-Q2）\n   - 智能质检（部署简单，ROI中等）\n   - 报表自动化（工具成熟）\n\n4️⃣ 低价值+低可行 → 暂缓/外包\n   - 通用客服（非核心能力）\n   - 数据标注（可外包）"},{"language":"text","snippet":"数据敏感度？\n├── 高（监管数据）→ 开源模型本地部署（Qwen/DeepSeek）\n│   └── 是否需多模态？\n│       ├── 是 → Qwen-VL / DeepSeek-VL\n│       └── 否 → Qwen3 / DeepSeek-R1\n│\n└── 低（非敏感场景）→ 闭源API（Claude/GPT）\n    └── 是否需长上下文？\n        ├── 是 → Gemini 2M Token / Claude 200K\n        └── 否 → GPT-4o / Claude Sonnet 4"},{"language":"text","snippet":"┌─────────────────────────────────────────┐\n│           顶层：AI战略层                  │\n│  AI伦理委员会 · AI战略委员会 · 监管机构监督 │\n├─────────────────────────────────────────┤\n│         二层：AI治理委员会                │\n│  跨部门协调 · 模型风险管治 · 合规审计    │\n├─────────────────────────────────────────┤\n│         三层：AI运营规范                  │\n│  模型全生命周期管理 · 数据治理 · 算法公平 │\n│  · 可解释性 · 偏差监控(±5%应急机制)     │\n├─────────────────────────────────────────┤\n│         四层：技术基础设施                 │\n│  安全审计 · 隐私保护 · 模型监控 · 灾备    │\n│  · MCP连接安全 · A2A通信加密             │\n└─────────────────────────────────────────┘\n\n2026年监管新要求（中国人民银行）：\n1. 建立AI模型台账，重大模型变更须经独立第三方审计\n2. 模型偏差超±5%须启动应急机制\n3. 金融科技伦理委员会：算法公平性/透明度/可解释性纳入年度评级\n4. 数据要素×金融：企业数据资产入表，数据质量评分纳入央行评级"}],"parameters":null,"dependencies":[],"permissions":[],"extractedFiles":[{"path":"SKILL.md","content":"---\nname: Financial AI Strategy Architect\nslug: finance-ai-strategy\ndescription: 帮助金融机构制定AI转型战略、评估AI投资优先级、设计AI治理框架，从数字金融迈向数智金融的战略规划指导。融合阿里百技图Agent体系与保险AI应用研究报告精华。\nversion: \"5.2.1\"\nallowed-tools: []\ncapabilities:\n  - educational-reference\n  - advisory-only\n  - requires-human-review\n  - code-examples-reference\ntriggers:\n  - finance-ai-strategy\n  - finance-ai-strategy-architect\n---\n\n# SKILL.md\n\n> **⚠️ SECURITY NOTICE / 安全声明**\n> - **Type:** Educational reference / analytical framework ONLY\n> - **No executable code, scripts, or binaries are included in this skill**\n> - **No persistent storage, network calls, background execution, or credential collection**\n> - **All outputs are for reference only and require human review before real-world application**\n> - **This skill does NOT provide financial, legal, or insurance advice**\n> - **Users must exercise their own judgment and consult qualified professionals**\n>\n> **⚠️ 数据安全警告**\n> - 本技能仅提供金融机构AI转型的战略分析框架，**不执行任何代码或脚本**\n> - 所有战略建议均为参考性输出，**不能替代专业咨询团队的深度调研**\n> - 不收集、不存储用户的任何机构数据、业务数据或个人信息\n> - 监管合规信息请以国家金融监督管理总局（NFRA）官方文件为准\n> - 文中涉及的行业数据、案例仅用于方法论说明，不构成对特定产品或供应商的推荐\n\n## Identity\n\n**⚠️ 精确触发规则**：仅当用户明确需要制定AI转型战略、评估AI投资优先级、设计AI治理框架等**金融AI战略规划类**话题时激活。日常对话提及\"AI\"、\"战略\"、\"转型\"、\"数字化\"等通用词汇时**不会自动触发**。\n\n**用户确认规则**：匹配以下关键词时，需先向用户确认后再进入战略规划模式：\n- \"您需要金融AI战略规划支持吗？请注意：本技能输出仅供内部参考，不构成投资建议。确认继续？\"\n\n- **Skill Name**: 金融AI战略规划师 (Financial AI Strategy Architect)\n- **Slug**: finance-ai-strategy\n- **Version**: 5.2.1\n- **Language**: 中文为主，英文关键术语保留\n- **Author**: 葛成 (@gechengling)\n- **Description**: 以麦肯锡方法论为体、阿里百技图Agent体系为用、保险AI研究报告为证，帮助金融机构制定从\"数字\"到\"数智\"的AI转型战略。\n- **Key References**:\n  - 阿里百技图：Agent生产力公式、金融AI雇员全景、多智能体协作框架\n  - 保险AI研究报告：MCP/A2A生态、LLM选型策略、行业最佳实践\n  - 麦肯锡：三地平线、MECE诊断、ROI评估方法论\n\n---\n\n## Core Thinking Models\n\n### 模型一：金融AI三大视界（麦肯锡三地平线框架）\n\n```\n┌─────────────────────────────────────────────────────────────┐\n│              金融AI战略 — 三大视界（Three Horizons）           │\n├──────────────┬──────────────────┬────────────────────────────┤\n│  Horizon 1    │  Horizon 2        │  Horizon 3                  │\n│  (0-12个月)   │  (12-36个月)      │  (36-60个月)                │\n├──────────────┼──────────────────┼────────────────────────────┤\n│ 运营效率革命  │ 客户体验重塑      │ 商业模式创新                │\n│              │                  │                            │\n│ • 智能客服    │ • AI Agent投保    │ • AI原生保险产品            │\n│ • 文档自动化  │ • 个性化产品推荐  │ • 动态定价2.0              │\n│ • 智能理赔    │ • 全渠道客户旅程  │ • 去中介化平台              │\n│ • RPA升级     │ • 多模态交互      │ • 生态化金融服务            │\n├──────────────┼──────────────────┼────────────────────────────┤\n│ 典型场景：    │ 典型场景：         │ 典型场景：                  │\n│ 核保自动化   │ Agent驱动的理赔    │ 自主风控决策体系            │\n│ 智能客服     │ 智能投顾           │ AI原生保险产品              │\n│ 报表生成     │ 个性化营销         │ 开放银行/保险平台           │\n├──────────────┴──────────────────┴────────────────────────────┤\n│ 核心原则：Horizon 1 造血 → Horizon 2 蓄力 → Horizon 3 领跑   │\n│ \"先赋能、再替代、最后创新\"                                  │\n└───────────────────────────────────────────────────────────"},{"path":"_meta.json","content":"{\n  \"ownerId\": \"kn74e704j3ygjcygnpf02rdvd185js13\",\n  \"slug\": \"finance-ai-strategy\",\n  \"version\": \"5.2.1\",\n  \"publishedAt\": 1789482051613\n}"},{"path":"skill-card.md","content":"## Description:\n\n帮助金融机构制定AI转型战略、评估AI投资优先级、设计AI治理框架，从数字金融迈向数智金融的战略规划指导。融合阿里百技图Agent体系与保险AI应用研究报告精华。\n\nThis skill is ready for commercial/non-commercial use.\n\n## Publisher:\n\n[gechengling](https://clawhub.ai/user/gechengling)\n\n### License/Terms of Use:\n\nMIT-0\n\n## Use Case:\n\nExternal users and financial-institution teams use this skill to structure AI transformation strategies, prioritize AI scenarios, assess readiness and ROI, and design AI governance frameworks for banks, insurers, and securities firms.\n\n### Deployment Geography for Use:\n\nGlobal\n\n## Known Risks and Mitigations:\n\nRisk: Users may treat strategic outputs as financial, legal, insurance, or regulatory advice.\n\nMitigation: Require qualified human review and consult appropriate professionals before applying outputs to real institutions or decisions.\n\nRisk: Regulatory references may be jurisdiction-specific or become stale.\n\nMitigation: Verify regulatory claims against current official regulator documents and internal compliance teams before use.\n\nRisk: Chinese-first output may be unsuitable for non-Chinese workflows.\n\nMitigation: Ask the agent to produce the output in another language when the audience or review process requires it.\n\nRisk: Reference-only code snippets may be copied into production without engineering review.\n\nMitigation: Treat snippets as examples only and require normal code review, testing, and security checks before implementation.\n\n## Reference(s):\n\n- [ClawHub Skill Page](https://clawhub.ai/gechengling/skills/finance-ai-strategy)\n- [Publisher Profile](https://clawhub.ai/user/gechengling)\n- [Artifact ClawHub Metadata URL](https://clawhub.ai/gechengling/finance-ai-strategy)\n\n## Skill Output:\n\n**Output Type(s):** [Guidance, Markdown, Code]\n\n**Output Format:** [Markdown with tables and reference-only Python code blocks]\n\n**Output Parameters:** [1D]\n\n**Other Properties Related to Output:** [Chinese-first advisory output; requires qualified human review before real-world application.]\n\n## Skill Version(s):\n\n5.2.1 (source: server release metadata and SKILL.md frontmatter)\n\n## Ethical Considerations:\n\nUsers should evaluate whether this skill is appropriate for their environment, review any generated or modified files before relying on them, and apply their organization's safety, security, and compliance requirements before deployment."}],"languages":[],"docsSourceLabel":"CLAWHUB","editorialOverview":"帮助金融机构制定AI转型战略、评估AI投资优先级、设计AI治理框架，从数字金融迈向数智金融的战略规划指导。融合阿里百技图Agent体系与保险AI应用研究报告精华。 Skill: Financial AI Strategy Architect Owner: gechengling Summary: 帮助金融机构制定AI转型战略、评估AI投资优先级、设计AI治理框架，从数字金融迈向数智金融的战略规划指导。融合阿里百技图Agent体系与保险AI应用研究报告精华。 Tags: banking:5.0.0, dianjin:5.0.0, finance:5.0.0, finance-ai-strategy:5.2.1, insurance:5.0.0, latest:5.2.1 Version history: v5.2.1 | 2026-09-15T14:20:51.613Z | user 内容增强与修正（10737→12805字符）：修正术语错误'金融机构AI就熟度'→'AI就绪度'；更新已撤销机构名（CBIRC/银保监会→国家金融监督管理总局）并新增术语与机构沿革说明；金融AI趋势与动态更新至","editorialQuality":{"score":100,"threshold":65,"status":"ready","wordCount":1101,"uniquenessScore":49,"reasons":[]}},"media":{"evidence":{"source":"no-media","verified":false,"confidence":"low","updatedAt":"2026-10-11T02:34:14.740Z","emptyReason":"No screenshots, media assets, or demo links are available."},"primaryImageUrl":null,"mediaAssetCount":0,"assets":[],"demoUrl":null},"ownerResources":{"evidence":{"source":"unclaimed","verified":false,"confidence":"low","updatedAt":"2026-10-11T02:34:14.740Z","emptyReason":"This page has not been claimed by the agent owner."},"hasCustomPage":false,"customPageUpdatedAt":null,"customLinks":[],"structuredLinks":{"docsUrl":null,"demoUrl":null,"supportUrl":null,"pricingUrl":null,"statusUrl":null},"customPage":null},"relatedAgents":{"evidence":{"source":"protocol-neighbors","verified":false,"confidence":"medium","updatedAt":"2026-10-11T04:37:09.846Z","emptyReason":null},"items":[{"id":"8ebccd8e-3863-4187-8355-c3f14e1f9edf","entityType":"agent","canonicalPath":"/agent/iofficeai-aionui","slug":"iofficeai-aionui","name":"AionUi","description":"Free, local, open-source 24/7 Cowork app and OpenClaw for Gemini CLI, Claude Code, Codex, OpenCode, Qwen Code, Goose CLI, Auggie, and more | 🌟 Star if you like it!","url":"https://github.com/iOfficeAI/AionUi","homepage":"https://www.aionui.com","source":"GITHUB_REPOS","protocols":["MCP","OPENCLAW"],"capabilities":[],"safetyScore":100,"overallRank":70,"updatedAt":"2026-10-09T19:11:12.944Z","createdAt":"2026-02-25T03:38:16.584Z","downloads":null},{"id":"b917f68a-ebff-438e-84f8-3f4b2494c0bc","entityType":"agent","canonicalPath":"/agent/activepieces-activepieces","slug":"activepieces-activepieces","name":"activepieces","description":"AI Agents & MCPs & AI Workflow Automation • (~400 MCP servers for AI agents) • AI Automation / AI Agent with MCPs • AI Workflows & AI Agents • MCPs for AI Agents","url":"https://github.com/activepieces/activepieces","homepage":"https://www.activepieces.com","source":"GITHUB_REPOS","protocols":["OPENCLAW"],"capabilities":[],"safetyScore":100,"overallRank":70,"updatedAt":"2026-04-15T02:22:12.426Z","createdAt":"2026-02-25T03:38:12.412Z","downloads":null},{"id":"5cb26759-3a39-483f-94cf-276a98c13bb8","entityType":"agent","canonicalPath":"/agent/cherryhq-cherry-studio","slug":"cherryhq-cherry-studio","name":"cherry-studio","description":"AI productivity studio with smart chat, autonomous agents, and 300+ assistants. Unified access to frontier LLMs","url":"https://github.com/CherryHQ/cherry-studio","homepage":"https://cherry-ai.com","source":"GITHUB_REPOS","protocols":["MCP","OPENCLAW"],"capabilities":[],"safetyScore":100,"overallRank":70,"updatedAt":"2026-04-11T14:38:40.986Z","createdAt":"2026-02-25T03:38:19.379Z","downloads":null},{"id":"6f6582d0-5d76-4f0f-b81d-86520247950b","entityType":"agent","canonicalPath":"/agent/copilotkit-copilotkit","slug":"copilotkit-copilotkit","name":"CopilotKit","description":"The Frontend for Agents & Generative UI. React + Angular","url":"https://github.com/CopilotKit/CopilotKit","homepage":"https://docs.copilotkit.ai","source":"GITHUB_REPOS","protocols":["OPENCLAW"],"capabilities":[],"safetyScore":100,"overallRank":70,"updatedAt":"2026-03-25T09:50:57.846Z","createdAt":"2026-02-25T03:39:14.617Z","downloads":null}],"links":{"hub":"/agent","source":"/agent/source/clawhub","protocols":[{"label":"OpenClaw","href":"/agent/protocol/openclew"}]}}}