零售金融：
七位专家，随叫随到
一个人服务五百到八百个客户，口径必然分裂。这一篇讲它怎么把一份资产配置建议书拆成七道工序、把宏观判断压成能算的档位，以及没有行内数据时怎么绕过去。
依据 B 站「AI开讲啦」2026-09-09 直播回放（时长 3:23:03）完整转写整理。所述产品能力均为直播中的讲解内容，非本人实测；人名与数字建议回看原片核对，图为手绘示意图、非产品截图。
一个人，五百到八百个客户
这组数字是整场直播里最扎心的一个：以股份制银行为例，理财经理平均要服务 500 到 800 位财富客户。
在这个服务半径下，每月的资产配置策略、客户建议书、对客话术，很难不依赖个人经验和手边零散的资料。 于是必然出现一个结果——口径各自为政。
同一家银行的不同的网点，给同一类客户的资产配置可能就完全不同。 客户在不同时点拿到的策略口径，可能也会彼此矛盾。 叶莹莹
这件事的严重性不在「不够专业」，而在客户能感知到。同一个客户今天在 A 网点听到一套说法， 下周在 B 网点听到另一套，信任就是这么一点点掉掉的。
两个专家团：一个对客，一个对经营
直播里反复强调一句话：他们做的不只是一个功能列表，而是一个随叫随到的专家团队。 理财经理不用学复杂操作，像跟一位资深同事说话一样用它就行。
专家团 A · 财富配置
偏对客、偏业务。解决「怎么把客户服务好、把产品配好」。
7 位专家组成，从宏观研判、选品、客户匹配一路到话术，是一条完整的作业链。
专家团 B · 财报研习
偏决策、偏经营。解决「同业在干什么、我们的战略对不对」。
面向支行行长、条线管理者、研究与战略岗。把「等报告」变成「随时问」。
两个团的分工其实很值得注意：一个是往前线送弹药，一个是给后方送情报。 大多数「AI 助手」只做前者，后者往往被忽略——但管理者那一层的信息效率，其实决定了很多事。
七个角色，像一个小型投研团队
图 2这是全系列里组织得最精巧的一个专家团。它的设计逻辑很清楚：把一份资产配置建议书的生产过程，拆成七道工序。
话术师用的 FABE+R，是个可以直接背下来的框架
| 字母 | 含义 | 对客户说的话 |
|---|---|---|
| F | Feature | 这个方案是什么 |
| A | Advantage | 对比同类产品，它好在哪里 |
| B | Benefit | 对您来说有什么价值 |
| E | Evidence | 凭什么相信——业绩基准、管理人信息等客观佐证 |
| +R | Risk | 有什么风险，坦诚告知 |
最后那个 R 是关键。前面四个字母是「卖点套路」，加上 R 才算完整—— 因为监管要求你说明风险，客户也迟早会问。藏着的风险，最后都会变成投诉。
五档评分：把宏观判断变成一个能算的数
图 3这是这套东西里最「可操作」的一个机制。它把「你觉得 A 股怎么样」这种模糊判断， 压成了五个档位，然后才能进入计算。
演示当期的结果：十大类资产里，只有国内债券是 +1，科技类不看好。 于是建议就很自然——增配国内债券（固收），减配或不配科技、A 股。
接下来这一步是整套逻辑的核心，也是最值得学的地方：配置比例怎么算出来的？
先有基线
根据客户的风险等级和承受能力，每类产品能配多少，是有一个配置基线的。这一步和 AI 无关，是既有的适当性规则。
再用评分做修正系数
把上面那个战术评分当作修正系数，在基线上做比例调整。看好就上调，看淡就下调。
得出最终比例
例如当期固收上调、权益下调——因为唯一的 +1 是债券。这个调整是有依据的，不是拍脑袋。
一份建议书的六段结构
演示生成的建议书结构很清晰，六段。如果你自己写建议书，这六段可以直接当模板用。
| # | 段落 | 关键内容 | 最容易漏的点 |
|---|---|---|---|
| 1 | 客户画像 | 风险等级、资金安排、现有持仓、需求 | 把「待确认信息」也列出来，别假装都知道了 |
| 2 | 宏观摘要 | 十大类资产的战术 / 战略评分 | 同一份全行统一，这正是不口径分裂的解药 |
| 3 | 配置比例 | 基线 + 修正系数后的最终比例 | 要能说清「为什么是这个比例」 |
| 4 | 产品推荐 | 本行理财 → 本行公募 → 第三方理财 | 优先顺序要讲明，客户会问「为什么不是别家的」 |
| 5 | 面谈话术包 | 按 FABE+R 组织，含异议应对 | 「会亏吗」这类问题必须提前准备好答案 |
| 6 | 风险提示 | 风险说明与合规声明 | 不能只在最后一页放一行小字 |
第五段里那个「会亏吗」的应答，直播讲得特别实在，值得单独抄出来：
我们不能明确承诺保本——这是监管新规明确提出的。
我们要做的是分层：把钱按风险分成几层，可能有风险的那部分，我们配置得也比较少。 叶莹莹 · 现场演示的应答思路
这就是「不说保本、但让客户安心」的正确答法：承认风险存在，然后说明自己怎么控制它。 比含糊其辞或者绕开问题都强。
财报研习团：从「等报告」到「随时问」
第二个专家团面向的不是前线，是管理者。它解决的问题是：过去做同业洞察， 数据提取难、提取慢、洞察浅。
七个角色分工很细，其中两个特别值得注意——文字数据提取员和表格数据提取员是分开的。 原因很实际：年报里有大量关键数字不在表格里，而是藏在文字描述中。 只提表格，会丢掉一半信息。
两类报告，各有各的穿透路径
零售战略洞察 · 三歩
① 高频词统计：区分零售业务重心与公司整体战略重心，识别年报叙事与现实业务是否错位。
② 组织架构拆解：部门、委员会、治理制度的重大变动，评估对零售战略的影响。
③ 战略评估：从规模、资产质量、收入、转型降本增效四个维度，比对年报承诺 vs 实际效果——达成、部分达成、还是没达成。
战略与治理分析 · 五步
① 时间拆解：找出关键时点与战略锚点。
② 言行比对：年报反复提的战略 vs 财报里的实际资源投向——真做了，还是喊口号。
③ 反事实推演：复盘历史关键节点，模拟反向决策会有什么后果，用来解释当前优势从哪来。
④ 摇摆点识别：历年战略是否摇摆、原因、代价、教训。
⑤ 治理归因：战略调整是因为领导层变更，还是监事会制度变革。
第 ③ 步「反事实推演」是这里面最有意思的一招。它不是分析「做了什么」， 而是问「如果当时不这么做，会怎样」——这才能解释一家银行的优势到底是能力，还是运气。
怎么用：两个绕开「行内数据」的实操办法
这一篇的答疑部分比演示更有价值，因为它回答了所有零售场景落地的头号障碍： 没有私有化部署、接不到行内数据，还能不能用？
最后一个问答也值得记：行业数据从哪里来？宏观洞察类主要基于公开数据抓取， 专家团里内置了规则去做这件事，不需要你额外接数据源。
这一篇要带走的三句话
一、口径分裂的解药是「统一上游」，不是「加强培训」。 只要每个人各自找资料、各自判断宏观，输出必然分叉。把宏观策略这一层收上来统一下发， 下游自然就一致了。
二、把模糊判断压成档位，才能进入计算。 五档评分这个设计，本质上是在「专业判断」和「可计算的规则」之间搭了一座桥。 没有这座桥，AI 只能说漂亮话，落不成比例。
三、没有行内数据也能用，方法是「转译」。 把「查这个客户」转译成「描述这类客户」，把「找谁买」转译成「谁适合买」。 这一步换个说法，路就通了。
- 主讲：叶莹莹，对应原片 1:55:46–2:22:47，含答疑。
- 「理财经理平均服务 500–800 位财富客户」为直播中给出的行业观察数字，未注明统计口径。
- 五档评分、FABE+R、建议书六段结构均依据现场演示整理；演示客户为模拟数据。
- 「脱敏代号法」与「开门红适配法」来自现场答疑，是对提问的实操回答，非官方标准流程。