金融公司AI合规审查：大模型回答须附原文出处

一、一个让合规总监睡不着觉的问题

某家证券公司计划上线一款AI助手，用于帮助合规部门快速检索监管法规、内部制度以及历史处罚案例。演示阶段效果非常亮眼：输入“这个营销活动是否合规”，AI三秒内给出答案，逻辑清晰，引经据典。然而，合规总监抛出一个问题，现场瞬间安静下来——

“AI说某条营销文案合规，依据是2023年第X号文。但如果该文件已被废止，AI会知道吗？如果它引用的条款有误，出了问题，谁来负责？”

无人能够接话。合规场景的特殊性正在于此：不仅需要“给出答案”，还必须“提供依据，且依据必须可追溯、可验证、可审计”。

二、金融合规场景的三个特殊要求

要求一：答案必须有“法律效力”背书

AI说“合规”远不足够，必须明确“根据《证券法》第X条”或“根据证监会2024年第X号文”。引用来源的权威性直接决定了答案的可信度。若AI的推理过程是黑盒，合规人员根本不敢直接采纳——用错了，轻则内部处罚，重则监管问责。

要求二：引用来源必须可验证

不仅仅是“附上文件名”，必须精确到：文件名称、发文文号、条款编号、原文段落。合规人员拿到答案后的第一件事，不是信任AI，而是打开原始文件逐条验证。可验证性是信任的前提。

要求三：版本敏感度极高

法规政策频繁更新。去年合规的，今年未必合规。AI必须清楚：引用的是哪个版本，该版本是否仍然有效，有没有被后续文件修订或废止。

三、技术方案设计

核心思路非常明确：答案必须附带“证据链”——让每个结论都能追溯到原始文档的精确位置。

3.1 检索系统的额外要求

传统RAG只需找到相关段落，金融合规RAG还需要额外满足：来源元数据完整（文档名称、发文机构、文号、发布时间、生效日期、废止状态），引用位置精确（文件名、章节号、页码、原文段落）。

3.2 原文出处链数据结构

3.3 来源标注的实现

回答生成时，每个事实性陈述后自动上标引用编号，文末附完整参考文献列表。生成格式示例（Markdown）如下：

3.4 版本有效性检查

在检索环节增加一道版本过滤：只检索当前有效版本（is_valid = 1）；当用户引用的文件已废止时，自动提示并推荐替代文件。版本状态标识字段包括：valid（当前有效）、deprecated（已废止）、superseded（被替代）。被替代的版本需记录替代文件ID和替代依据。

四、没有原文出处的风险

真实案例一：AI“张冠李戴”
某机构用AI做合规审查，AI引用了一份关于私募基金的规定来判断公募基金业务。合规人员未加验证，直接采纳。监管检查时发现引用错误，被通报批评。如果AI输出了原文出处，合规人员在复核时就能及时发现“公募业务引用私募规定不合理”，从而避免错误。

真实案例二：引用已废止文件
AI引用了一份两年前的文件。合规人员不放心，自行核查，才发现该文件已被废止。如果AI直接给出答案而不附出处，这个错误永远不会被发现。

五、技术实现细节

5.1 文档结构化预处理

金融监管文件入库前要做精细化处理：识别发文机构、文号、发布时间；按章节/条款/段落切分；建立条款间的引用关系；标注版本状态和替代关系。

5.2 检索时的来源可靠性打分

按照优先级排序：法律 > 行政法规 > 部门规章 > 规范性文件 > 行业自律规则 > 内部制度。官方发布渠道的直接采纳，新闻解读仅作参考。从权威性高的来源保证答案的法律效力。

六、落地效果

某金融机构上线合规AI后的数据颇为亮眼：

• 合规人员查找法规平均时间：从20分钟降至2分钟
• AI引用来源的准确率：96%（人工复核确认）
• 因引用错误导致的合规事件：0
• 合规人员对AI答案的信任度：从52%（上线前调研）升至89%（上线3个月后）

七、可复制路径

第一步：选一个场景试点
选择边界清晰、法规相对固定的场景，比如“营销宣传材料合规自检”。建立第一批文档库（10-20份核心法规），跑通检索→生成→来源标注的完整链路。

第二步：建版本管理机制
明确每份文档的有效版本标识规则，建立法规更新同步机制（定时爬取监管官网或人工录入）。

第三步：逐步扩展范围和合规要求
增加法规覆盖范围，逐步接入内部制度、历史处罚案例。引入合规人员反馈闭环，持续优化。在具体实现上，有金融机构采用ZGI作为合规审查的RAG平台，其来源溯源、版本管理、文档结构化能力覆盖了上述全部需求。

八、写在最后

金融行业的AI合规审查，信任不是凭空建立的。信任来自：每一个回答都有据可查，每一个引用都可验证，每一个结论都可追溯。输出原文出处看起来只是“附上几个字”的小事，但它决定了合规团队敢不敢用、敢不敢信。没有出处的AI回答，在金融合规这个场景里，等于没有回答。

本文基于金融合规AI实践整理。