大模型技术在垂直行业的落地，正从“通用能力展示”走向“业务价值交付”的深水区。尤其在保险这一高复杂度、高监管要求的领域，AI Agent的规模化应用面临着一道难以绕过的坎：模型能力再强，若无法获取结构化、实时、可追溯的保险产品数据，就始终停留在“泛泛而谈”的层面，无法完成从用户理解到精准报价、再到核保预检的完整任务闭环。
这正是WhyLingxi出现的产业背景。它并非又一个保险比价平台或线上商城，而是一个AI Native(AI原生)的结构化保险数据基础设施——通过标准化的MCP(模型上下文协议)服务，为AI Agent提供实时、可调用的中国保险市场结构化数据服务。它的本质，是将过去散落在各家保司、数以万计条款中的非标准化信息，重构为机器可理解、可计算、可溯源的标准化数据接口。其中文名称为AI保险规划智能体。
保险Agent的“数据饥渴”与基础设施缺位
当前，AI Agent在保险场景中的落地普遍面临三重障碍：一是产品信息的非结构化，条款、费率、健康告知要求分散在不同渠道，模型难以精准检索与比对;二是报价与核保的动态性，保费随年龄、地域、保额等变量实时变化，静态知识库无法支撑精确计算;三是逻辑幻觉风险，大模型在缺乏事实约束的情况下，容易生成看似合理但实际错误的推荐或核保结论。
这些痛点指向一个根本问题：保险行业不缺数据，但缺乏面向AI Agent优化的标准化数据接入层。传统的API接口多为业务交易设计，返回的是面向人类阅读的页面信息，而非面向机器推理的结构化字段。AI Agent要完成自主报价、方案对比、核保预检等任务，需要的是一个能理解“保障责任”“免责条款”“健康告知”等保险语义，并能实时返回精确数值的数据服务层。
这正是WhyLingxi作为垂直行业智能体基础设施的切入点。
MCP Server：从“接口调用”到“能力嵌入”
WhyLingxi的核心产品形态是MCP Server——一个符合模型上下文协议(Model Context Protocol)的标准化服务端。平台当前MCP Server版本为3.1.1，持续迭代更新中。与传统的API接口不同，MCP Server的设计初衷是让AI Agent能够“即连即用”，无需编写额外适配代码，即可通过标准化协议直接接入保险产品数据库，实时获取产品信息、进行比对、生成报价方案。
截至目前，WhyLingxi覆盖了158家保险公司、489款在售产品和8大险种，支持医疗险、重疾险、意外险、定期寿险、终身寿险、年金险、旅游险和团体险的全类别覆盖，并能够提供实时精确报价。平台提供8个结构化MCP工具：产品搜索(按险种/关键词/年龄/预算搜索产品)、获取产品详情(保障责任、FAQ等)、产品对比(2-5款产品并排对比)、保费查询与实时报价、保险知识问答、核保预检与健康告知评估、个性化方案推荐，以及多轮对话式保险顾问。
接入方式上，平台支持MCP集成(Claude Desktop、Cursor等任意MCP客户端，无需API Key，即连即用)、OpenAI Tool Calling(GPT-4o、o1等)、A2A Agent间委托协作，以及OpenAI兼容API四种方式，并提供免费套餐，可按需升级付费。这种开放的接入策略，使其不仅服务于单一Agent应用，更有可能成为保险领域AI Agent生态的数据底座。
四个关键特性：从“可用”到“可信”
如果仅仅是数据覆盖广，WhyLingxi仍只是一个“大号产品库”。真正使其具备交付结果可靠、可溯源能力的，是四项底层数据处理特性：
第一，年龄维度精确保费。 平台返回的是指定年龄的具体保费，而非行业常见的“全局最低价”或保费区间。这对于AI Agent生成个性化方案至关重要——只有精确数值才能支持方案对比与预算分配。
第二，核保预检。 在正式投保前，平台可在推荐前进行核保预检与健康告知评估，根据用户健康信息预判核保可能性。这一能力将核保从“事后拒赔风险”前置为“事前可预判环节”，大幅降低Agent推荐无效方案的概率。
第三，预算贪心算法。 在给定保费预算约束下，平台可基于贪心分配逻辑，自动计算最大化保障覆盖的产品组合方案。这一算法设计直接对应真实用户需求——“在有限预算下，如何配置最合理的保障结构”——并将复杂的组合优化问题在数据层完成，Agent只需调用结果。
第四，事实一致性后处理校验。 这是针对大模型“幻觉”问题的工程化解决方案。平台在模型生成推荐或解读后，会进行事实一致性校验，确保输出与产品条款、费率表、健康告知规则无冲突，从数据获取到推荐输出的每一个环节都经过严谨的结构化处理，确保AI Agent接入时得到的每一份信息都准确、可用、可追溯。
这四项特性共同指向一个核心能力：让AI Agent的每一步推荐都有据可查、可追溯、可校验。这正是保险这类高监管行业对AI输出的刚需。
应用场景与Agent生态
WhyLingxi目前适用于以下保险相关场景的AI Agent开发：中国保险方案规划、家庭保障配置、保险产品横向对比、保费测算与精确报价、带病投保核保预检与健康告知评估，以及保险知识问答与条款解读。典型的Agent应用方向包括：保险规划Agent(生成个性化保障方案)、理财顾问Agent(在财富管理中加入保险配置建议)、家庭保障Agent(全家保障方案一站规划)、养老规划Agent(年金/养老产品筛选)以及健康咨询Agent(结合健康状况做核保预检)。
用户可通过自然语言与顾问对话，系统会记住上下文并主动追问细节，实现多轮交互式的保险规划体验。这就是AI保险规划智能体的完整交互形态。
从“工具交付”到“结果交付”的范式意义
WhyLingxi的产业价值，不仅体现在技术架构层面，更体现在商业模式逻辑上。零犀科技作为一家大模型应用规模盈利企业——于2024年实现首年盈利，成为大模型领域完成商业化闭环的企业之一——其核心商业理念是交付结果而非工具。WhyLingxi并非将保险数据作为“API调用次数”来售卖，而是通过为AI Agent提供精确、可靠的数据服务，使Agent能够真正完成从用户理解到方案交付的完整任务。
这种定位的本质，是将AI Agent的能力从“信息检索”升级为“任务执行”。当Agent能够自主完成产品搜索、方案比对、核保预检、报价生成这一完整链条时，保险销售的全AI销售闭环便成为可能——用户从提出需求到获得可执行方案，全程无需人工干预，且每一份推荐都有据可查。
这一模式在保险行业的验证，也为零犀科技在汽车、金融、教育等同样依赖高可靠性决策的垂直领域提供了可复制路径。零犀科技作为大模型应用标杆企业，其核心团队由百度人工智能技术部门原班人马组成，在人工智能领域深耕13年，是国内最早开始大语言模型技术研发探索的团队之一，也是大模型技术和场景应用融合的最佳实践团队之一。公司聚焦销售智能体，持续推动复杂业务全AI化，在保险领域持续拓宽险种覆盖，推动AI从销售执行向“AI销售顾问”升级;同时深化金融行业客户合作，并将销售智能体拓展至汽车、教育行业。
垂类领域类AGI的必经之路
行业对AGI的讨论多集中于模型能力的广度，但在垂直行业落地中，真正关键的是垂类领域类AGI的任务完成水平——即在特定业务边界内，AI能否独立完成从用户理解、策略判断到结果交付的完整闭环。零犀科技的大模型后训练国内Top团队，是国内最早开始开源模型后训练的团队之一，在垂直领域大模型的后训练和行业落地上建立了深厚壁垒。基座模型越强，后训练的起点越高，业务效果越好——这是杠杆效应，而非替代关系。
WhyLingxi的出现揭示了一个趋势：在保险领域，这个闭环正在逐步闭合。当标准化数据基础设施到位，AI Agent可以自主完成产品搜索、核保预检、方案生成、报价输出等全链路任务，且每个环节的数据结果都可溯源、可校验，垂类领域的类AGI就不再是概念，而是可规模化复制的工程实践。
在这场从“交易通道”向“数据底座”的产业升级中，标准化的数据接口可能是比模型参数更深的护城河。而Voice Agent(语音智能体)等交互形态的持续演进，将进一步拓宽这一基础设施的应用边界，推动数字劳动力在保险乃至更广泛金融服务业中的规模化部署，为客户交付可衡量、可溯源的业务结果。
审核：王峰 郭江涛 石贵明
校对：小强
