自2025年以来，随着大语言模型(LLM)能力的快速提升及AI智能体的加速落地，全球智能化变革迈入全新阶段。行业关注点已从“AI技术能否落地”转向“如何将AI系统性嵌入核心业务流程”。此前，银行业对AI的探索多局限于智能客服问答、知识库构建、内容创作等基础场景，而当面对信用报告生成、客户消费习惯分析、基于客户偏好和投资能力自动构建个性化投资组合等复杂金融需求时，仅依靠大模型的“思考”能力，难以支撑以客户为中心的全流程服务。

　　核心原因在于，大模型虽具备强大的语义理解与逻辑推理能力，却缺乏触达银行底层数据与业务系统的“手脚”。基于银行的现有IT架构，数据往往深埋于主机、数据库和大量异构API中，难以实现与大模型的高效、安全对接，从而严重制约了AI价值的深度释放。

　　在此背景下，模型上下文协议(Model Context Protocol，MCP)的出现，被视为破解这一行业痛点的关键技术要素，而“AI智能体+MCP”协同方案，成为突破这一困境的全新路径。

　　AI智能体是一类基于大模型构建的智能系统，其角色正从传统的交互问答工具或单点流程自动化工具，进化为可自主完成复杂业务流程、解决实际业务痛点的数字员工。AI智能体的快速崛起开启了银行业务模式从流程自动化向决策自主化演进的新篇章。

　　AI智能体的核心逻辑是通过构建“感知—推理—行动—反思”的闭环机制实现自主任务执行。

　　感知：可实时采集并解析交易日志、市场行情、客户交互信息、风控告警等业务数据，精准捕捉关键事件与异常信号。

　　推理：识别到触发条件(如可疑交易预警、客户需求指令等)后，可调用大模型进行多维度分析，结合业务规则与历史经验，生成最优行动策略。

　　行动：通过调用外部工具，将决策转化为可执行的业务操作，如自动冻结异常账户、生成客户沟通函件草稿等。

　　反思：对任务执行结果进行量化评估与逻辑校验，若未达成预设目标，则自动复盘调整策略并重新执行，形成自我优化、持续进化的能力。

　　尽管AI智能体打开了人工智能行业落地的一扇窗，但其规模化应用也面临诸多挑战：除了大模型幻觉和决策准确性等问题，现有银行IT系统普遍为“竖井式”建设模式，交易、行情、客户管理、信贷审批等关键业务平台往往由不同厂商、不同技术代际的系统所构成，系统间的通信缺乏统一规范。

　　在AI智能体规模化应用场景下，如何在大模型与外部资源之间建立一套标准化、安全、可治理的统一连接层，确保操作全程可审计、可解释、可追溯，同时通过分层解耦预留业务扩展空间，成为亟待解决的核心问题。基于这些应用场景的迫切需求，模型上下文协议应运而生。

　　MCP是Anthropic公司于2024年11月推出的开放标准协议。它为大模型与外部数据、应用及服务的交互提供了一套安全且标准化的“通用语言”。如果将AI智能体比作赋予银行业务以智慧的“大脑”，MCP则是连接“大脑”与银行庞大业务系统的标准化通信协议，是实现智能体对银行多系统安全、高效访问的关键，被形象地称为AI时代的“USB标准”。

　　MCP宿主(MCP Hos)：是用户的交互入口，依托大模型处理，包括调取外部数据或工具在内的各类请求。

　　MCP客户端(MCP Client)：运行于宿主内部，是LLM与MCP服务器的通信中介，负责协议格式转换、响应内容解析等工作，具备MCP服务器的发现与调用能力。

　　MCP服务器(MCP Server)：为LLM提供数据和工具服务的外部载体，可对接数据库、网络服务等系统，将用户请求转化为LLM可理解的格式。

　　MCP以JSON-RPC2.0为核心协议报文，支持三种传输方式：适配本地资源快速交互的标准输入/输出(stdio)、满足远程数据流传输的服务器发送事件(SSE)、基于HTTP协议的Streamable HTTP流式传输方式。

　　一是实现标准化连接。实现AI智能体与数据库、API、CRM等外部系统的安全统一对接，大幅降低定制集成的复杂性和成本。

　　二是增强上下文感知和工具调用。通过标准化协议为智能体提供外部资源(resource)、工具(tools)，并传递结构化提示词(prompt)，为大模型决策提供实时、精准的上下文支撑，显著提升智能体决策的贴合度与准确性。

　　三是支撑AI智能体完成复杂工作流。赋能AI智能体完成任务分解、流程规划、工具调度与内容整合，高效执行业务流程。

　　四是提供安全合规保障。内置身份验证、权限控制与OAuth安全通信通道，可精准界定AI智能体的数据与工具访问边界，满足金融行业严格的监管要求。

　　一个典型的“AI智能体+MCP”协同工作流可概括为以下几个步骤(如图1所示)。

　　需求识别：AI智能体收到客户查询(如查询某公司股价)的需求后，向MCP服务器请求当前可用工具列表。

　　大模型决策：AI智能体将客户的需求指令与当前可用的全量MCP工具列表发送给大模型，并向大模型发出“结合客户需求与可用MCP工具，选择最优工具执行”的指令。

　　工具选定：大模型基于每个工具的功能描述与客户需求匹配，选定最优工具(如get_stock_price)，并反馈执行指令。

　　尊龙凯时官方入口

　　结果反馈：MCP服务器调用并执行对应的工具完成数据查询，并将查询结果通过AI智能体反馈给最终客户。

　　以银行数字化底座为依托，结合MCP的标准化链接能力，本文提出“AI智能体+MCP”分层协同架构(如图2所示)，支撑金融场景中AI智能体的自主执行与跨系统协同，从而对复杂金融服务场景形成全链路深度赋能，打造驱动银行业务创新与效能升级的智能引擎。

　　企业人工智能场景建设层：负责人工智能业务创新场景的构建与落地，并依托下层智能体工厂，开展业务流程智能编排、创新场景建设及用户交互体验的持续优化。

　　企业级AI智能体平台层：是智能体工厂与认知决策中枢，负责智能体的创建与管理，通过智能体实现子任务自主规划、跨业务域资源整合及决策执行。

　　MCP服务平台层：是MCP服务管理与业务适配层，核心是工具封装与适配。将业务能力封装为标准化MCP工具，实现工具自动发现，为上层智能体提供简洁、统一、语义清晰的调用视图，同时内置安全沙箱与审计探针等能力，以确保所有AI对业务系统的调用都在权限可控、行为可追溯的环境中进行。

　　银行核心系统层：是核心数字资产与执行中心，被视为坚实的“数据资产”基石，通过上层的MCP封装，其价值可被AI智能体安全、高效地激活转化为即时可用的业务洞察与服务能力。

　　一是架构解耦与核心稳定性的双重保障。通过MCP实现企业级AI智能体平台层与业务底座的分层，大幅降低AI集成复杂度。AI创新迭代在独立分层中进行，确保核心系统稳定。

　　二是业务能力的高效共享与整合。MCP协议作为桥梁，可实现对各类复杂业务能力的标准化抽象和封装，打破传统系统间的“数据孤岛”，将分散的业务能力整合为统一的“服务积木”，进而提升资源复用效率。

　　三是构建安全、可控、可治理的AI治理框架。MCP服务平台层提供“安全沙箱”、身份验证、权限控制等能力，确保AI操作全程可审计、可解释、可追溯。

　　四是业务敏捷性的加速质变。创新模式从“系统开发”转变为“工具注册+智能体编排”。业务部门通过快速编排现有标准化工具，可更快响应市场变化和客户需求，加速了人工智能的业务创新。

　　作为全美首家部署MCP服务的金融机构，美国蚱蜢银行(Grasshopper Bank)联合数字银行技术开发商Narmi搭建了一体化智能体服务体系。其企业客户可通过Anthropic旗下的Claude智能助手便捷完成账户查询、支出分类等基础操作，并获取月度现金流健康度分析等个性化数据洞察报告。

　　在安全层面，MCP依托加密传输、权限精细化管控等框架，为Claude配置只读权限，从根源上规避资金操作风险。在典型应用场景中，小企业主可直接询问“上个月我的企业在软件和营销上花了多少钱，与收入相比如何？”，Claude可在数秒内反馈分类支出明细，并给出针对性成本优化建议。

　　作为全球重要的金融基础设施提供商之一，伦敦证券交易所集团(LSEG)以可信数据为AI时代的核心价值，在产品和服务方面聚焦精准意图理解、便捷信息获取、决策可解释性和严守数据合规底线四大关键点。

　　为稳步推进“LSEG无处不在”的核心AI战略在全球落地，LSEG全面拥抱AI智能体与MCP技术，深度携手OpenAI等全球人工智能生态伙伴，依托MCP连接器，将海量“AI-ready”的高质量金融数据，以MCP模式无缝集成至ChatGPT等智能体终端；同时，将海量高质量金融数据与专业金融分析能力，通过MCP方式深度嵌入全球金融客户的业务工作流，为全球银行业的智能化转型注入强劲动能。

　　AI智能体与MCP的融合具有广阔的市场前景，多家国际权威调研机构预测，2025—2030年全球金融服务领域AI智能体市场规模复合年增长率将超过40%。

　　一是标准体系有待成熟。MCP作为一种新兴技术协议尚处于迭代演进阶段，不同厂商的技术实现路径存在碎片化问题，行业统一标准尚有待完善。

　　二是监管合规压力较大。凯捷研究院(Capgemini Research Institute)最新对银行和保险公司高管关于人工智能(尤其是智能AI代理、Agentic AI)应用障碍的调查问卷显示，96%的银行高管将合规列为首要挑战。因此，急需构建完善的AI治理框架，应对由数据偏见、大模型幻觉及可解释性缺失等引发的系统性风险。

　　三是安全防线承压。尽管MCP内置OAuth2.1认证、加密传输及访问控制等安全机制，但数据通过MCP跨境流动仍可能触碰欧盟《通用数据保护条例》(GDPR)等监管法规的红线，安全合规门槛持续提升。

　　四是高并发场景性能瓶颈待突破。面对金融业务的高并发需求，异步任务处理、智能缓存调度等技术策略需持续迭代优化，以保障系统稳定性与响应效率。

　　五是复杂任务工具调用效能有待提高。相较于“单任务—单工具”的传统调用模式，当前AI智能体处理复杂金融任务时，需通过多轮交互调用组合式MCP工具链，但实际调用精准度欠佳，工具协同效能未得到充分释放，任务执行效果有待提升。

　　六是人工智能复合型人才缺口较大。凯捷研究院的同一份报告显示，92%的银行高管明确指出，相关技术与业务复合型人才储备不足是制约技术落地的关键因素。

　　在实施层面，领先金融机构普遍采用“分阶段迭代、小步快跑”的策略，优先落地低风险、高价值的试点项目。同时，构建全流程治理体系已成为行业共识：通过成立跨职能AI治理委员会，并坚持人机协同核心原则，确保关键决策始终处于人类监督和干预之下。

　　展望未来，AI智能体与MCP的协同将推动银行服务模式从被动响应式向自主决策、主动预判的范式演进。以“智能体银行(Agentic Banking)”为代表的前沿理念，已在海外金融界引起广泛关注。届时，AI智能体将升级为可代表客户自主执行复杂金融任务的“数字公民”，为用户提供全生命周期的智能金融服务。人工智能带来的这场深刻转型的关键，在于能否平衡技术创新速度与治理能力建设的完备性，而这将直接决定银行在未来人工智能竞争格局中的核心竞争力。

　　伦敦证券交易所集团 (LSEG) 是全球领先的金融市场基础设施提供商，为遍布170多个国家/地区的40,000多名客户提供金融数据、分析、新闻和指数产品。

　　从交易前决策支持到执行交易，从筹集资金到清算和优化，我们在交易周期的每个环节与客户合作，帮助各组织为创新融资、管理风险和创造就业机会。

　　我们拥有三个多世纪的丰富经验和创新技术，团队汇集了来自60多个国家/地区的25,000名人才。依托这些资源与优势，我们致力于促进金融稳定，增强经济能力，并帮助您实现可持续增长。

　　独一无二的开放式平台、一流的数据和专业知识—这些都是能自信地执行关键投资、交易和风险决策的关键。

　　我们的指数可为您的资产配置决策提供信息，支持投资组合的构建，并进行风险和绩效分析。

　　伦敦证券交易所是创意与资本交融并变为现实的核心，它具有建立联系和创造实际影响的灵活性。

　　一站式访问值得信赖的外汇解决方案。我们的端到端交易场所、平台、洞察力、数据和合规工具套件为外汇交易界提供了强大的支持。

　　我们帮助您管理全球风险。您可以安心地与客户和第三方开展业务，同时缩短新客户的创收时间。

　　我们的一系列交易后风险管理、优化和监管解决方案可提高您的运营效率，帮助您节约资本和成本。