01 / AGENT ENGINEERING
银行 Agent 的本质，不是聊天，而是业务工程。
对象、字段、规则、证据、权限、动作、流程、模板、日志、责任与异常处理，才是企业级 Agent 的真正底座。
Insights观点不是装饰。
观点不是装饰。
它决定我们如何做项目。
这里沉淀 FTP 对银行风险管理、企业级 AI、Agent 工程与项目交付的长期判断。
02 / ENTERPRISE AI
很多 AI 项目失败，不是模型不够强，而是把场景想得太简单。
大模型、知识库、API 与聊天框只是表面。真正的难点是把业务经验拆成可执行结构。
03 / ONTOLOGY
企业级 AI Agent 的隐藏底座：本体建模到底该怎么做？
当 Agent 要跨系统理解对象、关系与规则，本体不再是学术概念，而是业务工程基础设施。
04 / HARNESS
我做了上百个 Agent 原型后才明白：企业级 Agent 需要 Harness。
权限、运行时、工具调用、日志、异常、版本和评测，必须有一个稳定的运行框架。
05 / BANKING TECH
银行科技项目的七种死法。
为什么“程序全对、结果全错”？为什么上线那天常常就是系统被遗忘的开始？
06 / RISK MANAGEMENT
银行最容易看走眼的客户：不是财报差，而是家族关系太复杂。
关联关系、控制权、资金往来与隐性担保，是传统单户视角最容易漏掉的风险。
07 / AI DELIVERY
AI 系统上线后，真正的陪跑包括什么？
使用分析、知识治理、评测回归、Prompt 与规则优化、反馈闭环和价值跟踪，决定 AI 是否长期可用。
08 / FDE
银行 AI 项目里的 FDE，为什么不能只懂 Python？
现场真正难的是把 AI 放进业务、数据、权限、流程、合规和审计环境。