7月4日，北京银行一项名为“基于检索增强的大模型智能客服方法及系统”的专利申请公布，其申请于6月4日，涉及数据分析技术领域。

专利摘要显示，该方法包括：接收查询消息；对查询消息进行意图识别，在确定查询消息的意图为得到推荐金融产品的情况下，向目标对象发送追问消息；接收目标对象输入的偏好权重，并根据目标对象的标识信息，在用户画像库中确定目标对象对应的目标用户画像；利用垂直领域意图识别模型对目标用户画像、查询消息和偏好权重进行分析；利用多目标优化算法对查询消息中的投资总额和偏好权重进行计算，得到第二推荐金融产品组合；将第一推荐金融产品组合和第二推荐金融产品组合同时发送给目标对象。

该发明的背景为，在金融领域的智能客服实际运用场景中，常常会出现一些不尽如人意的情况，其中较为突出的一点就是无法基于用户的真实需求精准地向用户推荐适合用户的金融产品。具体而言，当用户带着自身特定的财务状况、投资目标、风险承受能力等多方面因素向智能客服咨询时，智能客服可能由于算法的局限性、数据收集的不全面性或者对用户表述的理解偏差等原因，无法精准把握用户的核心需求要点。例如，用户可能是想寻找一款适合短期资金周转且风险较低的理财产品，但智能客服却向其推荐了期限较长、风险较高的投资型产品；或者用户期望推荐的产品能与自己已有的金融资产配置相匹配，以达到分散风险、优化组合的效果，但智能客服却未能考虑到这一点，随意推荐了一些看似热门却并不契合用户资产布局的产品，从而导致推荐结果与用户的实际需求存在较大偏差，影响了用户对于智能客服的满意度金融以及产品选择的准确性。

该发明通过大模型、神经网络、自然语言处理、多目标优化、聚类分析等一系列人工智能技术，实现金融产品的精准推荐，解决了在金融领域的智能客服中，无法基于用户需求精准地向用户推荐适合用户的金融产品的技术问题。

同日，北京银行还有一项名为“基于大模型技术的数字人民币相关数据的处理方法及装置”的专利申请公布。通过大模型、图神经网络、多模态学习、对比学习等人工智能技术，实现了数字人民币相关数据的智能处理与风险识别，解决了相关技术中的数据处理方式难以满足数字人民币多维度语义关联密集想的数据挖掘与智能分析需求的技术问题。

据《银行科技研究社》观察，北京银行在国产大模型领域早有实践。

早在2024年底，DeepSeek系列大模型已在北京银行的AIB平台京行研究、京行智库、客服助手、京客图谱等多个关键业务场景中试点应用。

在2025年2月8日，北京银行宣布实现DeepSeek大模型全栈国产化金融应用。

北京银行还表示，其近年在大模型建设与应用方面持续深耕，产研联动，打造了全栈国产化的大模型应用平台，搭建“4+N”全栈国产化大模型应用体系：涵盖全栈国产化算力底座，为大模型运行提供硬件支撑；企业级知识库，整合海量金融数据与知识；“京翼”MaaS平台，实现模型即服务的便捷应用模式，部署了10余个大模型；“京骐”Agent的应用平台，推动智能化交互应用的发展。

在业务应用方面，北京银行利用大模型技术，打造了AIB小京智能体、“京信妙笔”智能报告等工具，已在信贷、营销、运营、合规、审计等金融场景落地应用90余个，助力一线员工提升工作效率和服务质量。