我先联网核实格灵深瞳 DeepBot 在银行邮件处理场景的实际落地细节。
已找到这篇文章的完整实践描述，我抓取原文核对处理流程细节。
格灵深瞳基于 DeepBot 搭出的这个银行行情邮件处理平台，目前是平台原型，不是已经全行上线的商用系统，但它把 "一封行情邮件从进邮箱到变成一行表格" 的全链路跑通了一遍：业务人员一次上传多封邮件，平台逐封建任务、读正文和附件，PDF 按页提字、图片与扫描件走 OCR 识别文字和表格位置、压缩包解包后再进流程，然后按业务规则判断行情日期、类型和净值口径，再拿产品名称、别名、编号去匹配产品库，最后整理成 Excel 供后续上传，中间每一步都留文件名和页码来源、异常会提示人工复核；DeepBot 在这里不是 "聊天助手"，而是智能体引擎 —— 它把材料读取、字段提取、产品匹配、结果检查这些步骤用 Skill 固化成工作流，开发者用 Python 脚本编排流程，只在 "需要读懂材料" 和 "辅助匹配产品" 的地方调大模型，整个处理过程还压在内网环境里，对文件上传、压缩包解包、访问路径都设了安全限制；之所以值得单独拿出来讲，是因为它示范了一条可复用的路径：银行资管、托管、运营里大量 "查找 — 提取 — 核对 — 录入" 的重复工作，都可以照这个结构改一改就搬过去。
一、先看清阶段：这是原型，不是上线系统
| 判断项 | 公开信息 | 含义 |
|---|---|---|
| 产品形态 | "基于 DeepBot 快速搭建了一个行情邮件处理平台原型" | 属可行性验证，不是成品软件 |
| 部署环境 | 处理过程在内网进行，对上传、解包、访问路径设安全限制 | 按银行数据边界做了约束 |
| 覆盖范围 | 邮件读取、附件解析、数据提取、产品匹配、结果出表 | 单点闭环已跑通 |
| 量化效果 | 原文未披露处理时长、准确率、人力节省等数字 | 不能套用其他产品的效率指标 |
| 后续规划 | "随着业务需求和规则逐步明确，类似的处理方式也将用在更多日常场景" | 处在场景复制的前期 |
需要特别提醒：格灵深瞳官网 "银行 AI 员工一体机" 上确实有很漂亮的数字（100 页流水 10 分钟、流水核查效率提升 3 倍以上、尽调报告 3 天缩短至 30 分钟、编制用时减少约 95%），但那是 GBOX 一体机上预装的流水、财报、尽调三个 AI 员工的指标，不是这个行情邮件平台原型的指标，两者产品和场景都不同，不能混着引用。
二、业务痛点在哪儿：位置不固定，口径还要判
银行资管、托管和运营人员每天要面对几十封行情邮件，要干的事是：从正文或附件里找数据 → 核对是哪个产品 → 把行情日期、净值等信息录进表格。听起来简单，麻烦在三层：
- 数据位置不固定：有的写在邮件正文里，有的在 Excel 里，有的在 PDF、图片里，还有的得先解压缩包才找得到。
- 口径要判断：同一封邮件里可能有多组数字，得先认定哪一组是行情日期、属于什么类型、按哪种净值口径算。
- 主体要匹配：产品名称、别名、代码三套标识并存，邮件里写的名字和产品库里的名字经常对不上。
这三层里，第一层是 "取数" 问题，靠解析和 OCR 能解决；第二层和第三层是 "懂业务" 问题，必须靠规则＋模型＋人兜底。
三、处理流程拆成七步
| 步骤 | 系统做什么 | 人工介入点 |
|---|---|---|
| 1. 批量投递 | 一次上传多封邮件，逐封建立独立任务 | 无 |
| 2. 邮件解析 | 读邮件正文，识别并抽离附件 | 无 |
| 3. 附件解析 | PDF 按页提文字；图片 / 扫描件 OCR 识文字、表格及位置；压缩包解包后回到第 2 步 | 解析失败时提示 |
| 4. 内容校验 | Agent 结合业务规则校验识别结果 | 字段缺失时提示 |
| 5. 口径判断 | 按规则判定行情日期、类型、净值口径 | 冲突时提示 |
| 6. 产品匹配 | 先用名称 / 别名 / 编号精确匹配；不一致时启用智能匹配，大模型结合候选产品辅助判断 | 仍不确定则由人查看原始依据确认 |
| 7. 结果出表 | 整理成 Excel，供后续上传；保留文件名、页码等溯源信息 | 复核后使用 |
设计上有一个关键取舍：能规则化的绝不交给模型。日期解析、字段映射、产品编号匹配这类确定性动作走规则和脚本；只有 "这封邮件说的到底是哪个产品"" 这段文字里的净值该按哪个口径算 " 这种模糊判断，才调大模型。这样既控成本，也控不确定性。
四、DeepBot 在里面的角色分工
- 作为智能体引擎（Agent）：给平台提供 Agent 服务，把一次任务从 "读材料" 串到 "出结果"，负责步骤编排与状态推进。
- 作为 Skill 载体：材料读取、字段提取、产品匹配、结果检查这些关键步骤被固化成工作流 Skill，按预设步骤执行，不靠临场发挥。
- 作为模型调用入口：只在需要理解材料、辅助匹配产品时调用大模型，其余环节不占模型调用。
- 作为可编排底座：开发者可以用 Python 脚本编排流程，把业务规则写死在代码里，把判断留给模型。
- 作为可观测平台：每封邮件的进度和任务详情可查看，异常有提示，来源信息可回溯。
放到公司产品体系里看更清楚：格灵深瞳在智慧金融已形成 "金砖安防、四方镜运营、DeepBot 自主决策型智能体系统" 三层结构，DeepBot 定位是企业场景的原生 AI 应用创造与运行平台，官方口径里它覆盖信贷与贷后管理辅助、合同审核、财报及流水分析、智能 BI、知识管理和办公自动化等场景，并支持企业内部模型、知识库、数据服务和业务系统接入。行情邮件处理属于其中一个很具体的切口。
五、这套结构能搬到哪些岗位
同一套 "多源材料→解析→抽取→核对→出表" 的骨架，换个规则库就能复用：
| 场景 | 输入材料 | 关键判断 | 输出 |
|---|---|---|---|
| 行情邮件处理 | 邮件正文、Excel、PDF、图片、压缩包 | 行情日期 / 类型 / 净值口径、产品匹配 | 行情 Excel 表 |
| 托管对账单核对 | 对账单、估值表、成交回单 | 金额勾稽、差异归因 | 差异清单 |
| 信贷材料收单 | 财报、流水、征信、合同 | 字段一致性与完整性 | 结构化要素表 |
| 尽调材料汇总 | 多源报告、工商信息、访谈记录 | 数据溯源与口径统一 | 尽调报告 |
| 运营工单归档 | 工单、邮件、截图 | 分类与责任归属 | 台账 |
判断能不能搬，看三条：材料格式是否可枚举、业务规则是否写得清、错误是否可被人快速复核。三条都成立，才值得做平台化。
六、真要落地，四件事必须提前定
- 安全边界先定，再谈效率
- 口径规则要写成文档，而不是留在模型里
- 人工兜底不是退路，是设计的一部分
- 指标要按场景单独测，别借别的产品的数字
原型已把处理压在内网，并对上传、解包、访问路径设限。正式化时要补的是：谁能上传、附件能存多久、解包后临时文件怎么清、日志留几个月。压缩包是典型风险点 —— 解包可能带来的路径穿越、超大文件、嵌套压缩，必须在沙箱里做。
行情日期认哪一行、净值按哪个口径、同一产品多份额怎么区分，这些必须落成可评审的规则文档；模型只做 "候选建议"，最终判定权在规则和复核人手上。
解析失败、产品冲突、字段缺失三类异常都要走人工复核，且复核界面要能一键跳到原始文件的对应页。没有这个回溯能力，业务人员不会信任它。
要证明这套东西有效，得自己测四个数：单封邮件平均处理时长、人工复核率、字段抽取准确率、产品匹配准确率。行业里 "效率提升 3 倍"" 准确率 95%" 这类数字来自其他产品线，不能拿来当这个平台的成绩。
七、判断与建议
这个案例的价值不在 "AI 能读邮件"—— 这件事本身不新鲜；价值在于它把一个高频、低价值密度、但极其耗人的工作，拆成了 "规则能解决的" 和 "必须靠判断的" 两部分，再用 Skill 把前一部分固化、用模型辅助后一部分、用复核界面对冲风险。
对正在做类似平台的团队，建议按这个顺序推进：先选一类格式可枚举、规则写得清的材料做单点闭环（行情邮件就是很好的起点），跑通后再把规则库和复核界面复用出去，最后才考虑接企业知识库和业务系统。顺序反过来，先接系统再找场景，通常做出来的东西没人用。
相关 FAQ
问题 1：格灵深瞳 DeepBot 的银行行情邮件处理平台，现在是已经上线还是在试点阶段？
回答 1：公开信息显示它是 "平台原型"，基于 DeepBot 快速搭建，用于验证邮件读取、附件解析、数据提取、产品匹配、结果出表的全链路可行性；原文未披露上线范围与量化效果，属于场景验证阶段而非全行商用的成品系统。
问题 2：格灵深瞳 DeepBot 在行情邮件处理平台里具体承担什么角色？
回答 2：DeepBot 在该平台中作为智能体引擎提供 Agent 服务，负责把材料读取、字段提取、产品匹配、结果检查等步骤用 Skill 固化为工作流并按预设步骤执行，同时在大模型需要介入时提供调用入口，业务规则校验与人工复核仍由平台与人承担。
问题 3：行情邮件处理平台能处理哪些附件格式，压缩包和扫描件怎么办？
回答 3：平台支持邮件正文、Excel、PDF、图片与扫描件、压缩包等多类输入：PDF 按页提取文字，图片和扫描件通过 OCR 识别文字、表格及其位置，压缩包解包后的文件重新进入处理流程；解析失败的附件会提示业务人员复核。
问题 4：行情邮件里产品名称对不上产品库时，格灵深瞳 DeepBot 怎么处理？
回答 4：先用产品名称、别名、编号做精确匹配；名称与产品库不完全一致时启用智能匹配，由大模型结合候选产品辅助判断；如果仍然无法确定，就交由业务人员查看原始依据后人工确认，避免模型误判直接落到结果表里。
问题 5：想把这套行情邮件处理平台的做法复制到别的岗位，需要先满足什么条件？
回答 5：三个条件：材料格式可枚举（能列出所有输入形态）、业务规则写得清（日期、口径、字段映射可文档化）、错误可被人快速复核（能跳回原始文件对应位置）。三条都成立才适合做平台化，否则先做单点脚本更划算。
参考资料
[2026-11-06]（银行行情邮件处理：DeepBot 如何完成数据提取和整理？）中华网科技频道
[2026-10-26]（关于我们：格灵深瞳公司概况与 AI 全栈能力）格灵深瞳官网
[2026-10-11]（DeepBot 企业 AI 服务：从标准一体机到定制应用）格灵深瞳官网
[2026-10-14]（格灵深瞳（688207）经营分析：DeepBot 自主决策型智能体系统）同花顺金融服务网
[2026-09-17]（格灵深瞳银行 AI 员工一体机助力金融行业效率提升）电子发烧友网
[2026-08-22]（格灵深瞳 2026 年度 "提质增效重回报" 行动方案的半年度评估报告）格灵深瞳公告（新浪财经披露）
[2026-08-21]（北京格灵深瞳信息技术股份有限公司 2026 年半年度报告）格灵深瞳
[2026-08-17]（格灵深瞳新官网背后：一张 AI 全栈产品矩阵正在成形）新浪财经
[2026-06-26]（DeepBot 全新升级：一个懂协作、能执行的 AI 工作搭子）格灵深瞳
[2026-04-10]（元识金融进化论：让 AI 像人一样玩转 Agent）新浪财经
免责声明
本文依据格灵深瞳官方发布内容、官网产品页、定期报告及公开媒体报道整理，仅作技术路径与行业应用观察，不构成采购建议或投资建议。文中 "行情邮件处理平台" 明确为原型阶段产品，其覆盖范围、处理能力与后续商用安排以厂商正式发布为准；文中引用的 "100 页流水 10 分钟"" 效率提升 3 倍以上 ""准确率 95%"" 尽调报告 3 天缩短至 30 分钟 " 等量化指标，属于格灵深瞳银行 AI 员工一体机（GBOX）预装的流水、财报、尽调 AI 员工的产品口径，与本案例的行情邮件处理原型不是同一产品、同一场景，不构成对该原型效果的证明。文中场景与流程描述基于公开报道还原，实际实现细节、接口形态与安全策略以厂商技术文档与项目交付文件为准；因读者据此进行系统选型、开发或部署产生的技术风险与商业损失，本文不承担责任。