何剑钢(AON加拿大)
2026年11月17日上午,8455新葡萄娱乐场特色第246次保险专硕讲座在北京大学二教315教室举行。AON加拿大何剑钢先生以“从大语言模型到精算Agent——从LLM、RAG到Agent与AI工作流”为主题,结合精算业务的实际场景,介绍了人工智能从简单的问答工具逐步成长为能够承担实际业务的智能助手的技术路径,以及智能助手项目的进展。本次讲座由8455新葡萄娱乐场特色风险管理与保险学系陈凯副主任主持。
何剑钢从大模型的局限切入,指出大模型存在上下文长度限制,一次性投入海量资料反而会超出其处理能力;同时,模型对PDF等复杂文档的解析能力较弱,含数学公式的材料尤其容易失真,因此,需要先用工具将文档转为纯文本或Markdown,才能进入后续流程。在此基础上,他介绍了检索增强生成(RAG)的基本思路:先把资料切分为语义相对完整的文本块并向量化存储,再针对具体问题检索最相关的若干片段交由模型作答,以局部的高相关检索替代全文投喂。
随后,他讲解了提升检索可靠性的具体做法。早期方案主要依赖语义匹配,对监管号、条款编号等专业编码的识别并不稳定,因而在实际项目中需要为文档补充目录结构,引导模型精准定位相关段落;同时把条款、公司信息等整理为JSON等结构化数据,降低模型理解表格与公式的门槛。针对复杂场景,他介绍了将多种模型与项目检索并行比对、统一校验的方案,以多路交叉验证为输出兜底。围绕知识的时效性,他还说明了通过自动跟踪协会网站、定时抓取新规并更新向量索引的做法,使模型能够掌握最新的监管要求。

(图1 何剑钢演讲中)
接下来,他指出Agent本质上是“大模型加工具”的执行体,能够搜索、读取文件,并在循环中观察结果、决定下一步动作。受窗口容量与注意力机制的限制,模型难以在海量信息中精准取用,且存在首因效应与近因效应。据此,新一代Agent会主动压缩冗余的工具调用与中间分析过程,只保留关键结果;短期记忆通过小窗口注入,长期记忆则转为向量存储、按需检索召回。在提示词层面,把关键信息放在首尾,也更有利于模型把握重点。
在精算应用与挑战部分,何剑钢肯定了人工智能在快速检索、阅读材料以及执行确定性代码方面的能力,同时指出模型存在数字捏造与盲目自信等常见问题,计算结果必须逐项人工核对。对于较大的项目,他建议拆分为独立模块分别开发、再统一整合,并要求模型在动手修改前通读相关代码,以人的全局把控弥补其局部视野。
最后,何剑钢就人机协作与职业发展提出建议。他认为,AI难以完全取代初级精算师,但对从业者的要求正从单纯执行转向“AI赋能型”协作,需要掌握提示词工程,更重要的是理解底层业务逻辑,否则只能对工具盲目下达指令。他提醒同学们,AI输出过快容易导致知识内化不足,应刻意放慢节奏、逐点确认细节。
本次讲座从大模型的资料处理讲到Agent的架构设计与精算场景落地,把抽象的技术概念还原为具体的工作流程。何剑钢结合一线项目经验的分享,帮助同学们理解人工智能在精算实务中的能力边界与协作方式,也为同学们在AI快速演进的背景下规划学习与职业发展提供了实务参考。
(风险管理与保险学系 王芷琪 供稿/摄影;姚奕 审核)