从搭得起来到用得好
金融机构不缺智能体试点，缺的是把试点变成规模化运行。这个判断在这两年的行业讨论里反复出现，落到工程上就是两个具体问题：已有的数据资产、业务系统和专业经验，怎么转成可用的智能体能力；以及每个场景都从零建设的高成本，怎么避免。
9 月 9 日至 13 日的中国国际服务贸易交易会上，神州信息发布企业级金融 Agent OS——Skillbase v2.0，把落点放在其中一个环节上：如何把金融业务专家的经验沉淀为可复用的智能体技能。按其公开介绍，平台目前已沉淀三十余个业务智能体，覆盖大财富、客户经营、信贷、保险、合规五大业务板块。
三层架构与三条价值线
Skillbase v2.0 的架构分三层：业务智能体、Skill 资产库、Agent OS 底座。既能覆盖核心业务场景，也能私有化独立运行，并通过接口对接现有系统。
它对外讲的三条价值线，对应三个不同的担忧。放心用，依托银行级可信架构，强调全流程留痕、可审计、可追溯，这是金融机构的准入条件。用心管，覆盖技能的全生命周期管理与零代码、低代码拼装，解决的是谁来维护这些技能的问题。越用越厚，用一个经验蒸馏闭环把专家隐性经验沉淀为可复用、可审计的技能资产，解决的是资产会不会随时间贬值的问题。
这套表述里最值得单独拿出来看的，是委托式 AI 这个提法：把任务交给 AI、过程看得见、结果可追溯，技能可拆解、可复用。它承认了一个前提——在金融场景里，完全放手和完全不放手的中间地带，才是现实的落点。
技能蒸馏：一场访谈拆出四个维度
本次发布中工程细节最清楚的一项，是一个叫技能蒸馏专家的技能生产智能体。它的输入是业务专家，输出是一份可验证的技能初版。
流程是这样的：先做一场三十到六十分钟的结构化访谈，围绕具体客户案例提取专家的核心判断逻辑，从四个维度展开——判断依据、处理顺序、关注指标、边界与底线。访谈之后生成技能初版，并标准化产出技能文件、参考材料与测试案例。再往下，由专家校准方法、依据与边界，最后投入业务使用，随反馈持续迭代。
官方给出的场景示例是理财产品异常波动：平台辅助客户经理把专业判断翻译成客户听得懂的话，做到执行有步骤、判断有依据、结果有边界。这三个短语其实对应了技能文件的三类字段——步骤是流程，依据是规则，边界是禁止项。
值得追问的几个点
把经验变技能这条路径说得更完整，需要摆出它的边界。
其一是规模化的瓶颈在哪。访谈驱动的方式质量高，但每份技能都需要专家投入半小时以上，再叠加校准环节。三十余个技能背后是数十场访谈与校准，这个成本能不能随技能数量线性下降，取决于有多少环节能被自动化、有多少必须由专家完成。官方强调技能蒸馏专家是辅助角色，这个定位本身也说明了当前的边界。
其二是技能文件作为资产的可移植性。技能以标准化文件形式沉淀，好处是脱离具体平台也能被读懂、被审查；但技能的实际执行仍依赖所在平台的工具接入、权限体系与运行时。资产的形式是开放的，运行的底座是绑定的，这两件事需要分开评估。
其三是测试案例的角色。技能初版自带测试案例，意味着技能可以被回归验证，这是把专家经验变成可管理资产的关键一步。但测试案例由生成流程一并产出，其覆盖度与独立性需要额外审视：如果测试案例只覆盖了访谈中提到的情况，它验证的是符合访谈结论，而不是符合业务真相。
其四是可审计的具体程度。全流程留痕与可追溯是金融场景的硬要求，但留痕的粒度、审计字段的设计，以及技能更新后历史行为的可回溯性，公开材料没有展开。
其五是行业整体的成熟度。把专家经验显性化，本质上是知识工程的老问题换了一个执行者。过去它受限于人力与工具，现在有了模型参与提取与生成，效率上限被抬高，但哪些经验值得被固化、哪些应该保持人的裁量，这类判断仍然需要业务方自己回答。
本轮发布的后续产品路线与技能资产的具体治理机制，目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。