超越Generic AI Skills：真正的 AI 轉型，始於真實的工作流程

(English Version)

通用型金融 AI Skills往往難以落地

最近許多雲Vendors正在為金融服務業開發 AI 助手，提供基金分析、ETF 篩選、信貸審查等常見任務的「Skills」。

這個想法很吸引人：一次開發，就能服務多家銀行、券商或資產管理公司。但在實際落地時，Generic Skills往往難以創造真正的價值。

今天的LLM本身已掌握許多常見金融知識。它們可以解釋Sharpe ratio、Fund Ratio、資金流向、市場觀點和資產配置。一份很長的Skill文件，如果只是重複這些知識，可能只會讓AI助手變得更僵化，而不會真正變得更有用。

真正的難點不在於通用金融知識，而在於每一家客戶自身的工作方式。

一個真正有用的基金分析助手，需要理解：

• 客戶使用哪些資料來源和資料欄位

• 機構如何定義「合適」的投資建議

• 哪些基金在限制名單或優選名單中

• 哪些 Compliance Wordings 是必須使用的

• 客戶經理或分析師如何在日常工作中使用AI輸出

• 最終輸出應採用什麼形式：CRM 記錄、客戶報告、投資備忘錄，還是PPT

這些背景在每一家機構都不同。它們無法被一個通用的「金融業Skill」完整覆蓋。

有效的Skill來自真實工作

一個常見誤區，是只依賴LLM的通用知識，讓它直接生成一個Skill。結果通常會是一些看似正確、但難以執行的指令，例如「handle errors properly」或「follow best practices」。

這些指令聽起來沒有問題，但在真實工作中幫助有限。

真正有效的Skill，應當從使用者已完成的真實任務中提煉出來。例如，可以先與使用者一起完成一次 ETF 篩選或基金盡職調查任務，再觀察整個過程，過程中需要特別關注：

• 哪些步驟最終帶來好的結果

• 使用者在過程中做了哪些修正

• 輸入和輸出實際使用什麼資料格式

• 使用者提供了哪些模型原本不知道的內部規則、偏好和限制

• 哪些失敗案例需要人工判斷和修正

例如，一個投資團隊可能會提出：

• 「使用我們的內部基金分類，不要使用公開市場分類。」

• 「不要比較不同 NAV 日期的基金。」

• 「必須將匯率對沖成本與基金表現分開說明。」

• 「如產品在限制名單中，必須明確標記。」

這些才是讓Skill真正有價值的知識。它們不是通用金融知識，而是機構自身長期累積的專業經驗。

要寫一個好的Skill，素材包括：內部操作手冊、資料結構、API 規格、Auditing意見、歷史修復記錄、問題追蹤記錄，以及真實失敗案例和解決方案。Skill不應一次寫完後就不再改變，而應在真實任務中持續測試和優化。

FDE 的角色

這也是為什麼 Forward-Deployed Engineer（FDE）非常重要。

FDE 的工作不只是安裝部署一個工具。他們需要理解客戶的真實環境：資料、工作流程、Compliance要求、使用者角色，以及真正的效率瓶頸。

然後，他們可以幫助客戶把一個「Packged Skill」變成真正可用的能力：

• 連接正確的資料和系統

• 配合內部規則、範本和審批流程

• 用真實使用者任務進行測試

• 根據使用者回饋持續改進

• 指導員工高效、安全地使用 AI 助手

真正推動 AI 落地的，不只是模型或工具。人與人的協作和使用者參與同樣重要，很多時候甚至更重要。使用者需要建立信心，也需要理解：什麼時候可以信任 AI 的輸出，什麼時候必須進行人工覆核。

從 AI 工具到 AI 轉型

這正是我正在為企業客戶建立的模式。Alibaba Cloud 的 Qoder 和 QwenWork 提供Agentic Platform的基礎能力，可以執行及封裝任務與Skill，讓基金分析、ETF 篩選及其他金融服務工作流程，成為可持續迭代、可執行的能力，而不只是static prompt。

在此基礎上，我的團隊提供 FDE 服務，讓工程師進入客戶真實的環境、資料和工作流程中。我們會根據實際運行條件調整和優化這些Packaged Skill，並協助員工真正有效地使用它們。

真正讓 AI 助手帶來 AI 轉型的，不是單獨的一份Skill文件，而是Agent工具能力與深入業務現場的賦能服務相結合。