华为解读Agentic AI时代金融科技变革路径

6月中旬，华为在2026中国国际金融展上围绕“Agentic AI时代金融科技变革趋势、超节点核心竞争力、金融AI智能体规模化落地”三大核心议题，与媒体展开了深度交流。 华为计算产品线副总裁刘鑫、华为中国政企金融Marketing与解决方案销售部总经理王美钧出席，全面解读鲲鹏通算950超节点、昇腾384超节点的技术架构与行业价值，分享金融AI从可用到好用的落地方法论，阐述开源开放与自主生态建设思路。 重磅解读鲲鹏通算950超节点 灵衢架构重构金融算力底座 刘鑫指出，Agentic AI时代正从四个维度重构金融算力需求：智能体7×24小时自主执行要求基础设施弹性稳态运行；KV Cache与知识库带来高频高密数据访问；机器级交互对时延提出极致要求；动态权限调用带来全新安全风险，且智算与通算必须深度协同。 针对上述挑战，华为发布TaiShan 950 SuperPoD（鲲鹏超节点），核心技术支撑为自研灵衢互联架构（UnifiedBus）。该架构打破传统以CPU为中心模式，通过统一协议整合PCIE、CXL、RDMA等通信协议，实现XPU、DPU、SSD等计算器件的高效互联，具备“超大带宽、超低时延、统一内存语义”三大特性，满足新一代数据中心海量算力池、高效互联协同。 鲲鹏超节点精准匹配金融两大核心场景：在Agentic AI领域，依托多级缓存共享架构，可支持高密度沙箱运行和快速拉起，大幅提升智能体部署密度与启动速度，围绕智能记忆与知识库场景，超节点通过共享内存、分布式上下文缓存和低时延通信，可有效提升业务启动，减少Token消耗；在核心数据库领域，依托内存共享能力，实现OLTP事务性能提升1.5倍，系统故障恢复时长RTO从30秒缩短至6秒，OLAP分析性能提升65%。同时，灵衢协议及配套组件已全面开源，通过调用已开放的API可以让存量应用无需修改即可获得50%以上性能提升。 昇腾384超节点重磅亮相 打造Agentic AI时代最佳训推算力底座 本次金融展上，华为同步展示了昇腾384超节点这一明星产品。该产品同样

基于华为自研灵衢互联技术打造，于2025年面向全行业正式商用发布，当前已在互联网、金融、能源等多个行业落地规模化部署，累计出货超过 550 套。亮眼的市场落地成绩，既是产品硬核技术实力的有力佐证，也充分印证昇腾超节点已成长为千行百业智能化转型的核心算力底座，可充分满足各行业在 AI 模型训练、推理场景下多元化的算力需求。 在训练场景，金融行业已从大规模通用预训练转向增量训练、领域微调与强化学习。昇腾384凭借超大带宽优势，完美支撑MoE多专家类模型高效训练，尤其在风控场景中加速强化学习进程。其创新的训推一体化部署架构，可将训练与推理实例部署在同一超节点内部，实现高效训推参数同步、动态权重转换，端到端效率大幅提升，同时昇腾天然适配verl等主流强化学习框架，降低金融专属大模型开发门槛。 在推理场景，AI Coding、营销、信贷等场景已大规模应用智能体技术，AI Agent多轮对话与技能调用带来百倍级Token消耗，对低时延、高吞吐提出极致要求。昇腾384超节点天然亲和 Agentic AI 负载，通过48TB全局内存池共享，实现NPU间直接内存语义访问，数据交互效率提升3倍；更大的KV Cache容量满足智能体超长上下文需求，结合大规模专家并行优化，单卡推理吞吐提升4倍以上，显著提升推理性能和落地经济性。 目前，昇腾超节点已在邮储银行等诸多金融机构成功部署上线，正在加速金融大模型从技术验证迈向全业务场景规模化应用。 金融A I 开放架构 赋能行业结构性变革 华为中国政企金融Marketing与解决方案销售部总经理王美钧强调，AI对金融的影响是结构性变革，将重新定义流量入口、重新定义产品服务、重塑用户旅程、重构运营对象和形态、，并构建“自然人+数字员工”的新型组织形态。 为支撑这一变革，华为打造了金融开放AI架构，繁荣金融智能体应用生态：底座是华为自主研发的昇腾超节点集群和CANN生态，为国内各类模型提供先进算力支撑；上面基于华为ModelArts智算云，可以为金融机构打造安全可靠、私有化部署的模型基座，支撑百模千态，供各种智能体调用；再上层是智能体层，用于使能场景创新，基于智能体平台，协助金融客户开发全场景的智能体应用，覆盖完整业务生命周期和各类岗位角色；最后，在帮金融机构做场景落地的同时，打造出一支属于金融机构自己的复合型AI人才队伍。 针对金融AI规模化落地难题，王美钧提出八点核心路径：坚持一把手工程、推动技术业务数据部门融合、以应用人数为评判标准、构建开放模型平台、强化工程优化能力、围绕场景开发智能体、打造企业高质量数据集、将AI作为长期战略。刘鑫补充，当前金融AI仍面临训练效率、推理性能、智能体落地三大技术瓶颈，华为正通过超节点架构与软件优化助力实现场景化落地。 此外，华为在活动展区设置了数智基础设施、生态、核心、AI、数据、韧性DC、鸿蒙七大核心展点，集中展示TaiShan 950 SuperPoD、昇腾384超节点等旗舰产品与前沿案例。华为持续夯实计算、存储、网络、云、数据库等数智基础设施，目前已为全国超过1800家金融机构提供支撑，助力其推进主机下移、核心系统改造、数字化转型、智能化创新应用等关键战略落地 华为计算产品线副总裁刘鑫在会上表示，开源开放与自主生态相辅相成。华为始终坚持“硬件开放、软件开源、使能伙伴、发展人才”的16字方针，在计算产业领域持续投入开源建设：openEuler操作系统2025年新增部署超600万套，金融行业市场份额达87.2%；全面开源CANN、openFuyao等基础软件栈；全面支持三方开源框架，实现PyTorch框架97%以上的API一致性支持，对vLLM等主流推理框架做到0-day适配。 本次金融展上，华为展现了在Agentic AI时代的技术积累与行业实践。面向未来，华为将持续加大算力基础设施与金融AI研发投入，坚持根技术创新与开放生态双轮驱动，与产业各方共同推动金融AI规模化应用，为金融强国建设注入数智动能。

命令、搜索代码、获取网页内容，也能为并行任务生成 subagents；Kimi Work 则面向本地工作流，可以挂载本地文件夹，通过 WebBridge 浏览网页，运行 Python，执行定时任务，并在修改文件或运行代码前要求用户确认。 过去很长一段时间，Kimi 给普通用户留下的印象就是「长文本」。读论文、读财报、读几十页 PDF、整理一大堆网页材料，这些本来就是 Kimi 最容易被用户感知到的能力。到了 Agent 阶段，Kimi 要做的事情也很自然：不只是读完材料回答问题，而是继续帮用户处理文件、跑脚本、改代码、生成结果。 如果说 Claude Code 和 Codex 的强项在于代码任务闭环，Kimi 更值得关注的，是它在试图把「长文本阅读」的优势变成「长程任务」的优势。 同时在 Kimi Code 和 Work，Agent 集群也是一个绕不开的设计。按照官方说法，应对复杂问题时，Kimi 可以自动协调多个专业智能体，同时分解并解决多层次任务。 另外为了吸引金融用户，Kimi Work 还预集成了 A 股、港股和美股的深度数据源。而这些，可以说都构成了 Kimi Code 和 Work 的差异化体验。 阿里 Qoder 有点特殊，它不是一个从零开始冒出来的新产品，而是从一个 AI IDE 产品（通义灵码），经过几轮迭代逐渐转变成新的 Agent 产品，并衍生出了 Qoder Desktop、QoderWork、QoderWake、Qoder CLI、Cloud Agents 等系列。 核心还是 Qoder Desktop 和 QoderWork 两个产品。 Qoder Desktop 面向软件开发场景，更接近 Claude Code；QoderWork 面向日常工作，处理文件整理、数据处理、文档生成、浏览器自动化、桌面控制、定时任务这类日常工作任务，定位接近 Claude Cowork。 QoderWork 把 Agent 能力从代码搬到普通工作里。作为一款桌面端智能工作助手，QoderWork 可以通过自然语言完成文件整理、数据处理、文档生成，也能连接办公工具、操控浏览器和电脑；它还支持定时任务，适合每天拉数据、写周报、整理月度材料这类重复但不能漏的工作。 从产品设计来看，QoderWork 除了「通用」模式，还专门给出了「设计」「幻灯片」「写作」模式，在面向实际用户场景上明显有所侧重。但除此之外，还没看到太多的特色和优势。 和前面几家一样，MiniMax 分别推出了 MiniMax Code 和 MiniMax Agent 两个产品。值得一提的是，随着 6 月新一代大模型 MiniMax M3 的发布，MiniMax Code 也迎来了一轮大更新。按照官方的说法，是专为 M3 设计、并与 M3 一起训练的 Agent 产品。 简单来说，MiniMax Code 能够充分发挥 M3 在长上下文、Coding/Agentic、原生多模态方面的能力，是搭配 MiniMax-M3 的首选 Agent。 体现到长程任务上，MiniMax Code 会将任务拆成 Workflow，由 Agent 集群协作，通过 Producer + Verifier 的对抗式 Harness 循环自主运行。 事实上，Claude Code 也推出了类似策略的 Dynamic Workflows（动态工作流），但 MiniMax Code 会更聚焦「深度反思与持续纠错」，Agent 会根据任务进展实时调整方案和优先级，用户也可以随时介入，追加需求或修正方向。 至于 MiniMax Agent，实际更早就尝试挑战长程任务，在 5 月更新中上线了 Mavis 模式，利用多 Agents 协作的方式，包括和 Codex 类似随时介入 Agent 思考和工作的设计，可以说是 6 月 MiniMax M3 发布和 MiniMax Code 更新之前的预演。 不过也要说明，这条路也最容易出现演示和真实体验之间的落差。长上下文不等于真的理解全局，多 Agent 协作也不等于结果一定更稳。角色越多、链路越长，中间任何一步跑偏，最后都可能放大成错误。 按照官方介绍，TRAE Work 提供 Web、Desktop 和 Mobile 多端入口，兼顾本地与云端任务，且不依赖于 TRAE IDE 运行。 用户在桌面端发起任务之后，Agent 可以在云端或者本地继续运行，多个任务也可以并行推进；离开电脑之后，用户还可以在手机上查看进度、审查结果、继续调整方向。 另外一提，TRAE Work 还分成 Work 和 Code 两种模式，你可以简单理解为字节的 Codex，将 Code、Work 两个 Agent 产品合二为一。 Code 模式继续处理开发任务，Work 模式则面向更通用的工作场景，比如资料整理、项目推进、网页操作、文件处理和内容生成。不同的是，Codex 是真正的合二为一，TRAE Work 则是以两种模式运行，需要从不同模式入口进入。 这也很字节。相比腾讯 WorkBuddy 借助微信、文档、会议这些生态上下文，TRAE Work 更像一个面向个人和小团队的效率入口。它不一定要求用户先进入一套办公生态，而是先把「任务」变成核心单位：你只要把需求交给它，它就负责拆解、执行、反馈进度，用户在过程中随时介入。 另外，TRAE 还有一个值得注意的动作是开源 Trae Agent。按照 GitHub 页面介绍，Trae Agent 是一个面向软件工程任务的 LLM Agent 工具包，支持文件编辑、bash 执行、结构化思考和任务完成，也能接入多种模型供应商。 相比其他家，智谱的路线要更集中一些。它没有急着把自己包装成一个通用办公 Agent，而是明确先做开发者场景，推出了智谱 ZCode，但和 Kimi、MiniMax 一样瞄准了长程任务的难点和场景。这其实和很多国产 Agent 产品的思路不太一样。腾讯、阿里、Kimi、字节都在做 Code 和 Work 两条线。 值得一提的是，上月智谱发布惊艳行业的 GLM-5.2 时， 还同步升级了 ZCode 3.0，全面切换自研 ZCode Agent 内核，并深度适配 GLM-5.2，针对长程推理、工具调用和大型工程执行链路做了优化。 ZCode 3.0 还围绕实际开发体验做了一些补强，比如分组式任务工作区、Zread 项目知识库、可视化 Git 分支图谱等功能。这些听起来没有多 Agent 协作、长上下文那么性感，但都和 Code Agent 的稳定性有关：Agent 要接手一个工程任务，首先得看懂项目、记住上下文，也要让用户看得清它改了什么、走到哪一步。 这条路的优势是目标清楚，短板也很明显。ZCode 的用户盘子暂时不会像 WorkBuddy 或 TRAE Work 那么大，想象空间也更集中在开发者场景。但如果它能在复杂代码库、长程任务和工程验证上真正跑稳，反而更容易建立专业用户信任。 把这些产品放在一起看，国产 Agent 并不是在用同一种方式替代 Claude Code、Claude Cowork 和 Codex。 阿里 Qoder、字节 TRAE 和腾讯 Buddy 系列，大公司都做学 Anthropic 和 OpenAI 在 Code + Work，但产品路径和重心明显不一样。作为百模大战中活下来的大模型创业公司，Kimi、MiniMax 以及智谱都更注重技术优势，尝试攻克「长程任务」这个 Agent 必经之路，也都在强调从模型到 Agent 的垂直整合。 但最终看下来，国产 Agent 追的也不只是 Claude Code、Claude Cowork 或者 Codex 某一个产品，也是一种全新的工作方式：用户不再只问 AI 一个问题，而是把一件事交给 AI，再在过程中审查、修正、接管、继续指挥。 相比海外产品，国产 Agent 的优势首先是更贴近本土工作流。 Claude Code、Claude Cowork、Codex 的产品完成度更高，开发者心智也更强，但它们毕竟更围绕海外用户的软件生态、办公环境和订阅体系展开。国内用户每天使用的工具和系统，很多时候是微信、腾讯会议、腾讯文档、钉钉、飞书、本地文件、国产模型和企业内部知识库。Agent 如果接不住这些上下文，再强也容易停在演示和尝鲜阶段。 这也是

WorkBuddy、QoderWork、TRAE Work 的机会。它们未必一开始就比 Claude Cowork 更聪明，但如果能更顺手地进入国内用户已经熟悉的办公、沟通和文件环境里，就有机会先把使用频率做起来。 另一方面，国产 Agent 普遍更愿意接入不同模型，也更愿意把能力开放给开发者和企业改造。 对个人用户来说，这意味着可以在效果和成本之间切换；对企业来说，则意味着可以接自己的工具、权限、数据和业务流程。Agent 不是一个单纯的聊天产品，它天然需要接工具、接文件、接系统、接工作流。越往真实业务里走，这种可控性越重要。 用户第一次打开 Agent，可能是因为好奇。但用户第二天、第三天还愿意打开它，一定是因为它真的省事。 本文来自微信公众号 “雷科技AGI” ，作者：三七二十一，36氪经授权发布。 该文观点仅代表作者本人，36氪平台仅提供信息存储空间服务。