Capital One 构建多智能体AI平台：以开源权重模型为核心的技术实践

在 VB Transform 2026， Capital One 机器学习工程 MVP Kel Vanee 与 VentureBeat 高级科技撰稿人 Sam Witteveen 展开对话，介绍了该银行如何围绕深度定制的开源权重模型（open-weight models），而非依赖现成的基础模型（off-the-shelf foundation model），构建起可扩展的多智能体 AI 架构。

“在 Capital One，我们不只是在使用 AI，更是在构建 AI。”Vanee 表示。

这一基础早在数年前便已奠定——Capital One 很早就投资于数据转型与云迁移，Vanee 表示，这些举措为当前这波 AI 浪潮到来时快速推进奠定了技术基石。这一技术基础使公司得以做出若干审慎的架构决策，包括构建一个具备内建治理能力的集中式、企业级 AI 平台；利用专有数据对开源模型进行深度定制；以及自主开发多智能体编排框架（multi-agent orchestration harness）。

利用专有数据定制开源权重模型

Capital One 并未仅依赖现成的前沿模型（frontier models），而是利用其丰富且独有的专有数据，对开源权重模型进行微调（fine-tunes）。

“我们将自身数据视为巨大优势，是他人所不具备、通用前沿模型亦无法提供的资源。因此，我们正利用这些数据对模型进行深度定制。”Vanee 解释道。他补充称，实时数据对于在客户或员工实时交互中引入最新上下文至关重要。

Vanee 还揭示了该方法一项意料之外的优势：在整个企业范围内具备可扩展性（extensibility）。

“当我们为某一用例定制这些开源模型时，实际会看到整个产品组合均受益，”他指出，“我们正在训练该模型，使其成为精通 Capital One 各类用例、政策及术语的专家。随着此类训练展开，我们观察到整体性能普遍提升。”

Capital One 多智能体 AI 工作流内部运作

作为该方法的一个实例，Vanee 提到了银行反欺诈业务的客户服务工作流——该流程每年处理数百万通电话，单次通话时长从约四分钟至长达六十分钟不等；而此前尝试仅由单一的大语言模型（LLM）承接全部交互，结果被证明效果不足。借助 Capital One 的多智能体工作流（MACAW），交互请求被路由至各具专业分工的智能体，并内置治理机制与安全护栏（guardrails）。

“MACAW 工作流由多个不同智能体组成，”他表示，“第一个是理解智能体（understanding agent），其作用是分析客户所述内容，尝试理解其真实意图。”

随后，推理智能体（reasoning agent）依据若干具体指令生成摘要；验证智能体（validation agent）对摘要进行事实核查以确保准确性；解释智能体（explaining agent）则将摘要转化为一份包含所有必要细节的格式化文档，并将其共享给其他智能体。

针对零售银行业务场景，该工作流协助数百名专精于复杂欺诈电话的客户服务代表。它生成的通话后摘要，有助于记录此前需人工重构的冗长、反复交互过程。

Capital One 的多智能体架构还支撑着面向客户的汽车选购助手 Chat Concierge，该助手进一步采用经 Capital One 专有数据定制的 Meta 开源权重大语言模型 Llama 版本。它同样沿用上述分工模式：一个智能体负责与客户对话，一个依据业务规则构建行动方案，一个评估结果准确性，另一个则负责解释并验证最终输出。

通过智能体研究系统优化延迟与成本

除面向客户的解决方案外，Capital One 还利用智能体 AI 自动化员工日常重复性任务，助其专注于工作中高杠杆价值环节。其中一个案例是，该公司构建了一套自主式智能体优化方案，用于调优后端托管基础设施。

Vanee 解释称，在大语言模型（LLM）领域，新优化方案每日层出不穷，但并非所有优化彼此兼容。将两种优质优化方案组合在一起，有时反而会导致性能倒退（performance regression）。

“该智能体系统将在研究人员设计的搜索空间内运行，处理实验搭建与执行的所有机械性工作，然后将完整的结果汇总呈现在研究人员面前。”Vanee 表示。

Vanee 补充道，该系统使研究人员能够“找到一系列优化方案与配置，从而真正实现可能达到的最佳延迟（latency）。”

下一步：模型路由与主动式、事件驱动型 AI

展望未来，Vanee 认为一大重要趋势是平台级路由抽象层（routing abstraction layers），即平台主动在多个模型间进行验证，兼顾成本与准确性。

“我们实际上认为，仅通过在更广泛的可用模型集合之间进行路由，就能获得超越任一单个模型的准确率，因为不同模型将在不同领域表现更优。”他说道。

他的第二项预测是系统将转向无需等待人类指令即可主动采取行动的范式；同时他强调，部署此类主动式智能体需经过严格测试与持续监控。

“我认为未来将愈发重要的趋势是更具主动性和事件驱动性的 AI，”Vanee 表示，“AI 将不再等待人类提示，而是一旦检测到需要干预的条件，便会立即介入。”

“这将赋能更广泛、更大规模的监控能力，并助力我们打击欺诈行为、把握各类机遇，”Vanee 表示，“因此，主动式 AI 将成为一项极为重要的趋势。”

推动金融服务领域持续 AI 创新

Capital One 的实践印证了企业技术领导者面临的一项更广泛现实：要以 AI 创造可衡量的价值，就必须超越现成软件，迈向深度定制、高度受控的架构。通过融合微调后的开源权重模型、多智能体编排框架以及专有数据资产，该银行已建立起一套可在金融服务领域规模化部署 AI 的可复用蓝图。

“所有这些要素对于在此领域实现差异化、同时达成我们设定的质量标准以及成本与延迟阈值而言，都绝对不可或缺。”Vanee 表示。

随着公司把此类能力拓展至更多新用例，其企业级平台方法有助于确保技术突破切实转化为更安全、更快速、更个性化的体验，惠及数百万客户。