在金融科技蓬勃发展的当下，将人工智能技术深度运用到证券市场的各个环节，可以为投资者教育与服务带来全方位变革与前所未有的机遇。随着投资者特别是中小投资者的数量越来越多，他们对投资服务的专业性、及时性和个性化要求持续提升。在此背景下，深入探究人工智能工具在证券行业投资者教育与服务中的应用路径，不仅是顺应政策导向的必然选择，更是满足市场需求、解决行业痛点的现实需要，对于提升投资者金融素养、强化投资者保护、促进资本市场健康稳定发展具有深远意义。

一、 合规要求

（一）法律法规与技术规范

在证券期货行业，《证券期货业网络和信息安全管理办法》（证监会令第218号）要求证券公司应在依法合规、风险可控的前提下有序开展金融科技创新与应用。

《互联网信息服务算法推荐管理规定》《生成式人工智能服务管理暂行办法》明确了国内模型注册相关规定。

《个人金融信息保护技术规范》《金融数据安全 数据安全分级指南》《金融数据安全 数据生命周期安全规范》《证券期货业数据分类分级指引》等对数据合规要求作了规定。

《中华人民共和国个人信息保护法》《中华人民共和国数据安全法》《中华人民共和国网络安全法》等法规，对用户知情同意、敏感信息、生物识别、金融账户、数据脱敏、本地化存储、加密要求、跨境限制等方面作了规定。

《生成式人工智能服务管理暂行办法》《人工智能算法金融应用信息披露指南》《互联网信息服务深度合成管理规定》《互联网信息服务算法推荐管理规定》《人工智能生成合成内容标识办法》等在内容标识、反歧视机制、透明性要求、信息披露等方面作了规定。

（二）可能存在的合规问题

当前人工智能应用主要可能引发的合规问题包括幻觉问题、知识产权问题、数据安全问题、伦理问题、责任划分问题。

二、 国内各券商应用情况

本文通过向国内各券商同业人员发放问卷的方式，对各券商在投资者保护或服务方面的人工智能应用情况进行调研。

（一）国内券商大模型应用类型及分布

目前国内券商在投资者保护与服务方面的人工智能工具所应用的大模型类型主要有技术引入、合作定制、开源大模型部署、私有化部署等形式，其中多数是基于Deepseek、通义千问、HithinkGPT大模型、豆包大模型、Kimi大模型、阶跃星辰等多种大模型等模型进行部署的。

（二）国内券商大模型信源获取方式

目前国内券商在投资者保护与服务方面的人工智能工具所应用的大模型获取信源方式的主要有本地信源、外部权威数据、第三方提供、公共互联网数据等方式，其中多数券商采取的本地信源获取方式。

（三）国内券商大模型应用领域

目前国内券商在投资者教育与服务方面应用的人工智能工具主要涉及智能投资者教育、智能投资顾问、智能客户服务、投资者适当性管理、反欺诈等领域，其中多数券商多应用于智能客户服务、智能投资者教育、智能投资顾问领域。

1. 投资者教育智能化的实践与优化分析

根据国内券商填报的调研问卷进行分析研究表明，目前国内券商在投资者保护与服务方面应用的人工智能工具涉及智能投资者教育场景主要有投资者教育问答助手、投教产品制作、投教产品传播等三个方面。针对大模型幻觉问题，普遍从技术、数据、流程与治理三个层面构建了综合性的防御体系。

技术层面，行业普遍采用检索增强生成（RAG）技术，将模型回答锚定于本地权威知识库以杜绝虚构；同时，结合精细的提示词工程与思维链推理，引导模型进行自我验证，提升回答的准确性与逻辑透明度。数据层面，核心是严控数据质量，优先采用交易所、监管机构等权威信源的结构化数据，通过严格的数据清洗与预处理流程，从源头确保输入信息的真实、准确与时效性。流程与治理层面，关键在于构建人机协同机制，在关键环节设置机器审核、人工审核关口，并通过建立输出溯源、用户反馈闭环，实现风险的持续监控与模型服务的迭代优化，最终确保人工智能工具应用的合规性与可靠性。

2. 投资顾问智能化的应用场景与发展分析

目前国内券商在智能投资顾问场景主要有客户分析、股票分析、基金分析、资讯归纳、数据分析、分支机构客户服务、分支机构搭建智能体管理等方面。

当前智能投资者顾问在链路各环节存在明显优化空间，客户洞察环节可探索多模态大模型，融合交易、舆情等数据提升画像精准性；资产分析环节要强化基金分析的技术适配，通过知识图谱破解基金底层资产复杂分析难题；服务触达环节需深化投顾管理智能体场景，实现从客户服务到机构运营的全链路赋能，最终构建需求识别-价值分析-资源调度的智能投资者顾问生态。

3. 客户服务智能化的现状与效能提升分析

目前国内券商在智能客服场景主要有业务咨询、语音导航、智能外呼、坐席助手、智能质检等方面，且有78.33%的券商表明其应答效率和准确率有所提高。

从智能客服应用场景分布图情况来看，智能客服应用呈现咨询环节深度布局、交互与运营梯度渗透的现状。业务咨询场景成为核心应用，体现大模型在通用业务答疑上的技术成熟与效率价值；语音导航、智能外呼构成交互环节双线布局，前者因多语种、复杂意图理解技术短板而场景渗透程度有限，后者则依托话术生成、情绪识别能力实现规模化触达；坐席助手、智能质检在运营环节的初步探索，效能待进一步释放。

4. 投资者适当性管理智能化的实践与完善分析

目前国内券商在涉及投资者适当性管理的人工智能应用场景主要有客户画像与风险测评、个性化投教内容匹配、产品与服务精准匹配、动态行为分析与预警等方面。

三、 应用测评与问题分析

（一）业务测评

1. 确定标准问题：考虑到投资者在提问时可能由于专业知识水平、表达习惯等因素，导致问题描述较为混乱，这可能会对测试结果的公平性和准确性产生影响。因此，当遇到此类问题时，需要采取措施，将非标准问题转换为标准问题。这一过程需要综合考虑问题的核心意图、关键信息以及行业通用的表达方式。

2. 确定标准答案：根据标准问题由业务专家及客户服务人员讨论并制定标准答案。业务专家凭借其深厚的专业知识能够从专业角度对问题进行剖析，提供准确且权威的答案。

3. 对比分析：将每个大模型应用的回答与标准答案进行对比分析，得出评分。这一对比分析并非简单的文字匹配，而是要从多个维度进行考量，包括答案的准确性、完整性、逻辑性、易理解性以及是否能够满足投资者的实际需求等。

（二）问题分析

许多人工智能大模型对客应用于投教问答的质量与效果并不理想，回答错误、答案遗漏要点的情况主要有：回答内容与问题无关；回答内容为老旧规则，与现有规则不符；对投资标的有主观表达与判断或推荐投资标的；概念混淆；回答内容遗漏部分交易所、板块、投资者类别主题等对象不全面问题；特殊规则描述不准确。

通过上述分析可知，在建设人工智能大模型在投资者教育与服务应用时，在溯源参考内容方向改进。

（一）解决方案

1. 采用“大模型+本地知识库+RAG架构”建设应用

根据前面分析的错误情况，大部分皆出自于模型本身记忆问题、参考内容为过时规则或错误信息。然而，与联网搜索相比，本地知识库的建设面临独特挑战。联网搜索能够快速定位与问题相关的文章和视频内容，这些内容往往是投资者关注的总结性材料，但本地知识库的构建绝非短期能完成的，需要持续的人力及时间投入。此外，行业专家可以通过通读多个文档来准确回答投资者问题，但大模型的上下文TOKEN数有限，无法像专家一样快速定位要点，对rag方式也是挑战。

为解决这一问题，我们分别搭建了不同的应用链，并尝试了多种知识库召回方式。最终提出的较优策略包括：

（1）形成科学分类、层次化管理的二级知识库：比如根据不同交易所、不同品种，将知识库细分为多个二级知识库，便于精准定位和高效管理。

（2）构建粗召回模块：根据每个二级知识库的内容特征，设置不同的召回数量和匹配度参数，以提高检索效率。

（3）采用混合检索模式：同时执行全文检索和向量检索，返回并集。

（4）使用更精确的算法进行重排序：合适的rerank模型，确保最相关的内容优先展示。

（5）在模型和平台可承受范围内，尽量增加top_k的数量：通过增加候选结果的数量，提高回答的全面性和准确性。

2. 通过自定义切片策略、人工修改切片方式提升应用能力

在利用知识库RAG方式建设AI应用时，行业法律规则文档的切片方式对问答效果影响显著。目前，多数平台默认的切片方式是按段落或五百字以内进行切分。然而，这种默认方式存在明显问题：一方面，若某条规则超过五百字，按默认切片方式会被切为两段，即便带回上下文段落，也可能无法完整呈现，切片不全或信息不全时还会出现溯源混乱模型编造条款的问题；另一方面，仅按规则条目切片可能导致召回效果不佳，重要信息和关联信息无法被识别，

为解决这些问题，我们提出了一种较优的切片策略：在适合大模型读取的字数范围内，尽可能多地保留条款内容；同时，确保条款内的要点完整地包含在同一切片中。此外，通过大模型进行增强切片，在召回时附带总结信息，以提升信息的完整性和关联性。

此外，针对行业法律规则中常见的问题——原始规则未变，但通过后续通知修改了相应条款，导致大模型回答不理想的情况，需要在切片入库后进行人工修改。如果大模型平台不支持此类操作，则需在入库前将旧规则条款更新为最新情况。

3. 通过溯源、选择适合大模型配合提示词启发方式提升应用能力

面对复杂问题时，尤其可能出现知识混淆和模型幻觉的问题，需要进行针对性解决。例如，在回答财务类退市风险警示情形时，由于沪深交易所主板、科创板、创业板和北交所的规则各不相同，但文字描述高度相似，且召回的切片内容可能超过三万字，这导致大模型在总结规则时容易出现溯源错误、忽略特殊规则、交易所混淆问题。在不特别调整提示词的情况下，大模型无法准确识别信息来源，导致回答与问题不匹配；有时会因通用规则的具体描述而对科创板、创业板的特殊规则视而不见；在回答北交所规则时可能根据深交所的规则输出答案，导致回答不准确。这些问题的根源在于大模型在不确定情境下，倾向于依据过往经验进行判断。尽管大型模型具备辨识无关及明显错误信息的能力，但对于含有细微差别或证据支持不足的信息，其反应则显得迟缓。为解决这些问题，可以采用溯源与提示词启发的方式。溯源技术可以帮助模型更准确地定位信息来源，是回答准确性的基础。而提示词启发方式则可以激活大模型的能力，使其在判断某些情况时推导出正确的结论。

不同模型如Kimi、豆包、千问、阶跃星辰和DeepSeek在知识库问答总结能力方面各有差异，因此所需的启发式提示词也各不相同，但核心要点在于如何让大模型认识到关键点。

另外，在最终使用模型生成答案时，还需要注意提示词中增加免责条款、安全防护等内容。如果为了更加合规把握输出内容，安全护栏也可单独设置模块。

4. 通过意图识别方式提升应用能力

在AI应用中，一个好问题往往能带来更好的答案。然而，实际应用中如果缺乏意图识别，模型常常无法准确理解投资者的真实需求，导致回答偏差。例如，当投资者询问“创业板股票报价范围”时，其真实意图可能是询问创业板股票的涨跌幅限制，但模型可能误解为创业板股票询价的报价范围，因为创业板股票询价报价范围返回的相关切片与问题的这几个字匹配度更好；再如，当投资者询问“涨跌幅制度”时，其大概率关注的是股票的涨跌幅限制，而模型可能仅判断期货存在涨跌幅制度，因为模型认为对股票而言涨跌幅限制是规则并非一个制度概念。因此，在利用人工智能大模型构建投资者教育与服务应用时，增加意图识别模块是必要且重要的。

5. 多轮问题下的关联逻辑处理

在多轮问题存在的情况下，大模型应用往往表现不尽如人意。可以引入历史问题与当前问题的逻辑必然性判断规则，对投资者提问先完成拆解与补全可能性预判。另外对于指向性比较强的多轮问题，例如含“根据前面内容”等明确指向表述的提问，可以精准提取历史问题的核心要素补全当前问题，锚定关联内容后再回答；对于无明确指向的提问，先验证核心对象领域关联性，同源对象则尝试补全缺失项，确保回答逻辑连贯无歧义。

四、 研究结论

人工智能技术的成熟为证券行业服务升级提供了技术底座 —— 自然语言处理、大模型等技术实现了投教内容生成、智能交互等场景的规模化落地；资本市场投资者数量激增（尤其是中小投资者），对服务的专业性、及时性、个性化需求显著提升，传统 “一刀切” 式服务已难以适配；监管部门亦持续释放政策信号，既鼓励AI在投资者保护与服务中的创新应用，也对合规性提出更高要求。