房贷助手最难的并不是回答“什么是固定利率”，而是既要解释术语、理解购房者条件、匹配贷款选项，又不能把敏感信息和错误建议直接推给用户。LendingTree在北京时间8月6日披露了一套已投入生产的多智能体系统：截至2026年一季度，它处理约1960次真实对话，超过97%没有转给人工。这个结果展示了金融AI从聊天窗口走向业务流程的一种现实形态。

三个智能体不是分工噱头，而是把风险拆开

系统表面上只有一个聊天入口，内部却有主管、教育和匹配三个智能体。主管基于LangGraph状态机执行“计划—调用—汇总”，使用Amazon Nova Pro分析用户意图和复杂任务，再通过MCP把问题交给教育或匹配智能体。两个专门智能体各自运行独立工作流，结果返回后由主管组织成一条连贯回复。

教育智能体负责解释贷款类型、信用分数、费用和期限等概念，并从经过整理的知识库中检索内容；匹配智能体则进一步收集购房地点、信用状况、首付和时间计划等条件，连接现有业务服务给出可比较的选项。把两类任务分开，意味着一方可以专注“说清楚”，另一方专注“找到合适路径”，避免一个提示词同时承担所有责任。

1960次对话显示，用户正从提问走向实际匹配

这套助手自2025年末进入生产。LendingTree内部统计显示，截至2026年一季度约有1960次对话、12100条消息，平均每次6.2条；参与度较高的用户平均交流超过10条消息、持续约9分钟。超过97%的会话由系统端到端处理，约3%的用户主动要求人工帮助。这里的“97%”指没有升级人工，并不是回答正确率。

对话目的也在变化。上线初期，约75%的会话集中在“什么是FHA贷款”“信用分数需要多少”等教育问题；近期超过一半会话已涉及利率比较、贷款方匹配或下一步行动。这说明用户愿意从了解概念继续走向决策，但也让错误匹配、遗漏条件和过度自信的代价变得更高。

平均6.2条消息还暴露了传统表单难以捕捉的信息组合。用户可能同时给出退伍军人身份、650分信用、购房城市和30天内成交计划，系统必须把这些约束保留到后续回合。LendingTree使用PostgreSQL检查点保存对话状态，让智能体切换和服务重启后仍能延续上下文，而不是每次从头询问。

安全检查并行，模型和基础设施也分层

每条输入先经过内容过滤、个人信息处理和提示攻击检测，输出同样要再次检查；一套独立的大模型安全分类器与这些护栏并行运行，业务规则则把复杂、越界或需要人工判断的问题导向支持人员。并行设计的目标是在不串行增加等待时间的前提下多做一道验证，但它不能消除模型护栏本身的误拦截和漏判。

系统也没有把最强模型用在所有步骤。复杂推理和关键分类交给Nova Pro，普通对话与轻量分类可使用Nova Lite；三个智能体分别部署在容器中，并通过日志和分布式追踪观察一次对话跨越了哪些节点。由于系统早于AgentCore正式可用，当前主要运行在ECS上，团队仍在评估是否迁移以减少手工维护检查点、容器健康检查和部署流水线的工作。

97%留在AI里，不等于97%回答都正确

这些结果来自LendingTree内部生产分析，统计窗口截至2026年一季度，总量只有约1960次对话。公开材料没有给出贷款匹配准确率、错误建议比例、转化率提升、用户满意度或不同人群表现，也没有外部审计。97%的低人工升级率可能意味着体验顺畅，也可能包含用户没有发现问题或直接离开的会话，不能单独证明系统可靠。

ATYUN认为，这个案例真正值得关注的不是“多智能体”标签，而是金融咨询被拆成可路由、可审计、可独立扩缩容的工作单元，并在每一步保留安全与人工边界。下一阶段的关键不再是让更多对话留在AI里，而是公开回答质量、匹配公平性、错误纠正速度和实际业务结果。只有这些指标一起成立，三智能体架构才算从漂亮的工程图走向可信的金融服务。