Morgan Stanley
财富管理知识助手 + Evals体系
OpenAI
金融
伴随式部署
深度案例｜关键链路较完整
A级证据
大规模生产
A
证据等级
Morgan Stanley：财富管理知识助手 + Evals体系
证据等级衡量“能否定位和复核来源”，不评价厂商披露是否经过第三方审计。
深度案例｜关键链路较完整
10 / 12
业务背景1 / 2
改造流程2 / 2
技术工作流2 / 2
人机与治理1 / 2
量化结果2 / 2
来源定位2 / 2
仍可补强：业务背景、人机与治理
业务问题
财富顾问需要从庞大且高合规要求的研究与流程文档中快速获得可信答案。
解决方案
Morgan Stanley与OpenAI共同优化检索和Evals：对摘要、翻译、检索进行专家评分和回归测试，再扩展到Advisor Assistant和会议Debrief。
技术架构与生产工作流
Step 01
企业知识/文件/数据/业务系统
→
Step 02
ChatGPT Enterprise/Work在权限范围内获取上下文
→
Step 03
员工或自定义GPT/Agent完成分析、生成或自动化
→
Step 04
连接器/规则/企业治理控制数据与动作边界
→
Step 05
员工复核关键输出并执行
→
Step 06
高频流程沉淀为模板、GPT或Agent并持续评估
关键技术与基础设施组件
GPT-4RAG/检索EvalsWhisper专家评分回归测试
人机分工与责任边界
顾问与内部专家评估答案并承担客户建议责任。
FDE 动作拆解
- 与财富管理团队一起选择高频且可度量的生产工作流，而不是只部署聊天入口
- 确定模型需要的企业上下文、系统权限、工具和安全边界
- 把模型接入真实软件/数据/业务流程，并建立测试、Evals或确定性验证
- 设计Human-in-the-loop与失败升级路径，确保责任边界清楚
- 根据生产使用、错误和用户反馈持续迭代Prompt、上下文、工具和流程
可迁移复用的落地方法论
- 企业AI效果取决于上下文、工具、验证和采用率，不只取决于模型能力
- 先找可量化工作流，再把成功模式产品化/平台化
- 编码Agent要尽量接入测试、CI/CD和安全检查形成闭环
- 高风险行业必须把专业责任留给人，并建立持续Evals
业务成效与交付成果
官方称98%+顾问团队使用；可回答语料从约7,000问题扩到10万份文档；文档可访问率从20%升到80%。
证据边界与核验记录
- OpenAI官方案例详细披露Evals、检索迭代、采用率与文档覆盖变化。
- 来源可直接定位到该案例；数值仍属于来源方披露，不代表独立审计。