《金科创新社：2025金融大模型应用与智能体建设案例集（228页）.pdf》由会员分享，可在线阅读，更多相关《金科创新社：2025金融大模型应用与智能体建设案例集（228页）.pdf（228页珍藏版）》请在三个皮匠报告上搜索。

1、前言近年来，人工智能技术的迅猛发展，尤其是大语言模型（LLM）的突破性进展，正在重塑金融行业的服务生态与运营范式。从智能客服的精准响应到风险管理的实时预警，从投研分析的深度洞察到合规审计的高效执行，大模型技术已成为金融机构提升智能化水平、优化客户体验、强化风险防控的核心驱动力。然而，大模型在金融领域的落地并非坦途。数据安全、合规监管、模型可解释性、业务适配性等挑战，使得许多机构在技术应用过程中面临“知易行难”的困境。如何借鉴行业标杆实践？如何选择适合自身业务场景的技术路径？这些问题亟需一套系统化的参考指南。为此，金科创新社基于近两年“鑫智奖”评选积累的丰富案例，精选 50 余个来自银行、保险、

2、证券、信托等领域的标杆实践，汇编成2025 金融大模型应用与智能体建设案例集。本案例集涵盖六大核心场景：一是智能客服与营销：展示大模型在客户服务、电话销售、数字营销等场景中的创新实践，如虚拟数字人、智能作业平台等。二是智能风控与合规管理：聚焦大模型与知识图谱等技术融合，提升合规审查、信贷风控、司法查控等能力。三是知识管理与智能问答：呈现金融机构如何构建智能化知识库、问答系统及创作平台，赋能内部协同与客户服务。四是运维、安全与测试智能化：探索大模型在智能运维、安全防护、自动化测试等领域的应用，保障系统稳定与安全。五是投顾与业务管理：涵盖智能投顾、员工协同、普惠金融等场景，体现大模型对业务管理的深

3、度赋能。六是创新技术与平台建设：分享金融机构在大模型平台构建、移动端架构升级、AI 中台建设等方面的前沿实践。本案例集旨在为金融机构提供从技术选型到场景落地的全景参考，助力行业在智能化浪潮中精准锚定方向，实现技术与业务的深度融合。目 录一、智能客服与营销二、智能风控与合规管理三、知识管理与智能问答潍坊银行：基于大模型和 RAG 驱动的智慧合规助手上海农商银行：零售数智化创新实验室项目浙江东方：AI Agent 营销智能体项目江苏农信：基于大语言模型的运维知识管理平台中国大地保险：数字营销助理“智能小行”项目青岛银行：“法眼智控”网络司法查控 AI 管理体系中邮保险：基于传统 NLP 以及大模型

4、“双模式”的知识循环体系招商银行济南分行：“营小助”智能作业平台杭州银行：基于金融垂直大模型的商业银行制度知识库检索平台苏商银行：大模型客服助手重庆银行：基于大模型与知识图谱技术融合的数智尽调平台太平洋保险：基于 AiGCP 智能生成大模型平台的智能客服应用中邮保险：基于“智能生态+大模型”体系下的操作风险智能联防生态搭建中信建投证券：基于数字金融的全场景数智化客户综合服务平台天津银行：“AI 合规官”数智化项目广西北部湾银行：虚拟数字人系统宁夏银行：“宁银小智”大模型在信贷风险管理中的数智化应用建设项目哈尔滨银行：基于大模型金融机构数智化知识管理系统创新实践47292058175156256

5、1033607411045013253四、运维、安全与测试智能化青岛银行：基于安全大模型+零信任的新一代内网访问控制体系建设北京银行：“京信妙笔”智慧创作平台青岛银行：基于 Dify 的钓鱼邮件分析助手镇江农商银行：基于大模型的银行网点的物理攻击行为预警探索与应用中国邮政储蓄银行：AIGC 重构质量基石智能测试自主进化实践中信建投证券：AI 大模型驱动的自动化测试平台建设与应用晋商银行：基于 AI 与业务组件扫描的智能化质量防护体系构建太平洋寿险：银保销售复盘会萃取工作台国泰海通证券：基于 AI Agent 的金融云平台全场景运维决策机制研究北银金科：北京银行大模型安全测评平台湖州银行：数据库

6、操作安全管理创新实践哈尔滨银行：商业银行智能运维体系重构AI 技术驱动的数字化转型实践1236413013313513914267108111118103国元证券：燎元智能助手江南农村商业银行：“小江智脑”大模型应用平台太平洋寿险：智能金牌教练恒丰银行：恒运 AI 答中国银行江苏省分行：知行平台项目四川农商联合银行：大模型驱动的智能问数应用华福证券：企业智慧问答系统财信人寿：“吉小星”AI 助手保险全链路智能增效引擎9476708399797291160中信建投证券：基于 AI 大模型的多智能体技术在投顾领域的应用案例中信建投证券：长尾客户普惠数智金融服务平台中信建投证券：基于财富管理业务的员

7、工协能全链平台154149五、投顾与业务管理中泰证券：基于大模型的证券机构业务 AI 赋能平台国元证券：面向 AI 大模型时代的新一代移动端架构组件化与端智能深度融合实践中国大地保险：数字审计员项目人保寿险：“AI 保宝”大模型平台赋能公司数字化转型大家保险集团：大家灵图影像平台大家保险集团：大家保险人事办公智能化项目中国大地保险：AI 中台建设项目基于大模型构建银行统一知识库管理体系领雁科技“智鉴”反洗钱智能体AI 大模型在金融业务场景的应用实践跬智信息 Data Agent：首个企业级自主深度推理和洞察产品在金融业的落地实践云杉 DeepFlow 金融核心业务系统可观测性及运维智能体建设方

8、案中原银行：大模型信贷助手西南证券：证券公司大语言模型中台建设实践179169188165184171191195198200203208212214218山能财务有限公司：基于 DeepSeek 构建财务公司智慧金融大模型北银金科：北京银行水晶球 ChatBI平安信托：DeepTrust 大模型平台及应用项目176173六、创新技术与平台建设七、金融大模型解决方案选登012025 金融大模型应用与智能体建设案例集智能客服与营销广西北部湾银行：虚拟数字人系统随着金融科技的持续发展及人们线上交互习惯的加深，金融服务持续向着综合化、场景化、智能化、人性化、全渠道方向转型。机器学习、大数据、人工智能

9、等一系列新技术与业务需求深度融合，数字员工作为拟人化的新型工作人员应运而生，与自然人员工相比，具备高效率、强能力、高可控、低成本等优势，可以发挥减员增效的作用，形成数字化生产力。利用数字人技术，打造手机银行数字业务专员，助力手机银行各项业务的办理及产品介绍，相较文字客服，数字人语音交互可以提高业务和产品跳转率，数字人语音介绍产品也是适老化的重要举措，降低一线服务人员的业务压力，由数字人替代部分人工，降低成本，提高效率。在此背景下，我行启动智能数字人交互平台项目，采购技术成熟、性能优良的智能数字人产品，提供数字人形象定制、数字人视频生成、数字人交互能力、真人接管能力、数字人后台管理等服务，满足我

10、行数字人应用场景需求，进一步提升我行智能化服务能力。广西北部湾银行虚拟数字人系统的多语言交互能力是其金融服务中的一大创新亮点。传统的跨境金融服务在语言沟通方面存在较大障碍，往往需要配备大量的多语言专业客服人员，成本高且效率低。而虚拟数字人系统通过集成先进的多语言处理技术，支持中文和英语等外语之间的实时交互。这种多语言交互能力极大地拓展了银行的服务范围，使国外客户能够更加便捷地获取金融服务，有效提升了跨境金融服务的可及性。通过消除语言隔阂，增强了国外客户对银行服务的认同感和信任度，为进一步深化中国与外国的金融合作奠定了良好基础。虚拟数字人系统打破了传统金融服务在时间和空间上的限制，为客户提供 7

11、24 小时不间断的金融服务。无论客户身处世界的哪个角落，无论何时有金融服务需求，都可以随时通过银行的线上渠道与虚拟数字人进行交互。例如客户于当地时间凌晨 3 点突然遇到对公转账的紧急问题，需要马上将一笔资金汇往合作伙伴账户。该客户可以通过北部湾银行手机银行 APP 咨询虚拟数字人，虚拟数字人迅速响应，详细解答了客户关于对公转账流程中的疑问，包括转账所需的手续、可能产生的费用、预计到账时间等，并指导客户在手机银行上完成了紧急汇款操作，避免了因时间延误可能给客户带来的损失。这种全天候的服务模式极大地提升了银行的服务效率和客户满意度，增强了银行在跨境金融市场的竞争力，让客户感受到随时随地、高效便捷的

12、金融服务。虚拟数字人系统的应用显著降低了银行的运营成本，同时提高了金融服务效率。在传统的金融服务模式中，需要大量的人工客服来处理客户咨询和业务办理，人力成本高昂，且容易出现因人工疲劳导致的服务质量下降问题。而虚拟数字人系统通过自动化和智能化的方式处理客户问题，能够同时应对大量客户的咨询请求。一、项目背景及目标二、创新点1.多语言交互能力的创新应用2.打破时空限制的全天候服务模式3.降低运营成本与提升服务效率的双重优化02在金融业务咨询高峰期，虚拟数字人能够在短时间内为多名客户提供准确的解答，而传统人工客服团队则难以在相同时间内处理如此大量的咨询。在业务办理辅助方面，虚拟数字人简化了业务流程，减

13、少了人工操作环节。通过降低运营成本和提高服务效率，广西北部湾银行能够将更多的资源投入到产品创新和业务拓展中，进一步提升银行的核心竞争力。在形象设计上，虚拟数字人整体造型简洁大方，身着银行职业装，展现出专业、可靠的形象。面部表情丰富自然，眼神灵动，能够根据与客户的交流情况做出微笑、思考、解答等不同表情，增强与客户的情感共鸣。从技术架构来看，该系统运用自然语言处理（NLP）、自动语音识别（ASR）、语音合成（TTS）、大语言模型（LLM）等技术实现对客户问题的理解和分析，使虚拟数字人能够准确把握客户意图，并生成合适的回答。通过机器学习算法，虚拟数字人不断学习和优化回答策略，提高回答的准确性和质量。

14、计算机图形学与动画技术用于构建虚拟数字人的形象和动作，通过三维建模、材质渲染等技术打造逼真的虚拟形象，使其外貌、表情和动作更加自然流畅。鉴于面向东盟的金融服务需求，系统集成了多语言处理技术，支持中文、英语、越南语等多种东盟国家常用语言，通过机器翻译技术实现不同语言之间的实时转换。同时，构建金融知识图谱，将各类金融知识进行结构化整合，虚拟数字人通过知识图谱快速检索和关联相关信息，为客户提供全面、准确的金融解决方案。我行虚拟数字人系统测试环境已接入 deepseek 大模型，通过海量文本数据的深度学习，进一步加强理解、生成自然语言和推理的能力。系统支持在银行官方网站、手机银行 APP、微信公众号等

15、多个渠道接入，客户可以随时随地通过不同终端与虚拟数字人进行交互。目前支持的业务场景有开户行查询、卡片状态查询、借记卡余额查询、网点行号查询等，实现了客户咨询的智能应答，累计服务客户 12.21 万人次（25 年 1 月至 5 月底），服务量占比 39.59%。经济效益：一是在业务快速发展、产品不断拓展的过程中对人力的替代、释放有明显作用，在确保客户体验不降低的同时，能够有效节约运营成本和人力成本，形成规模效益。二是加速人员转型，随着智能服务的广泛应用，将远程客服人工服务人员从重复、标准的工作中释放出来，转型从事产品推荐、复杂疑难业务处理、客户营销等高价值创效工作，进一步提升人力投入产出效益。社

16、会效益：通过应用智能服务，提升我行数字化应用能力，有助于提高我行在金融服务便捷性、增强客户金融服务获得感的社会影响力，进一步提高我行的企业形象。广西北部湾银行虚拟数字人系统在技术集成与应用层面展现出了卓越的引领性。在广西地方银行范畴内，北部湾银行率先将多种前沿技术进行深度融合，构建起虚拟数字人这一创新服务载体。其在人工智能技术运用上颇为领先，借助自然语言处理（NLP）和大语言模型技术相结合，使虚拟数字人能够精准理解客户复杂多样的问题，无论是常规金融业务咨询，还是涉及跨境金融政策解读、东盟国家金融市场动态分析等专业性较强的内容，都能准确把握客户意图。同时，机器学习算法的运用让虚拟数字人具备自我学

17、习和优化能力，随着与客户交互数据的不断积累，回答的准确性和质量持续提升，这一技术应用程度在同类金融机构中处于前列。三、项目技术方案四、运营情况五、项目成效六、经验总结032025 金融大模型应用与智能体建设案例集智能客服与营销苏商银行：大模型客服助手苏商银行成功应用大模型技术以提升远程银行客服中心的运营效率和服务质量。通过三大创新应用客服知识库助手、话术推荐助手及质检助手，项目实现了机器人自助解决率的显著提高、在线客服并行会话能力的增强及服务质检的全面化和精准化。从而显著减少了客服团队的人力成本，提升了客户满意度和服务效率。客服团队面临低效率和服务质量不一的问题，且传统客服模式已难以满足现代客

18、户的需求。项目目标是打造“大模型客服助手”赋能远程银行客户服务业务。按照通话前、通话中、通话后的端到端业务流程闭环，形成事前知识库运营提效、事中副驾驶赋能、事后质检守护，助力客服工作模式和效率的全面升级。1.客服知识库助手：传统的知识库在更新和管理上需要大量的人工投入。客服知识库助手利用大模型的自然语言理解、抽取和生成能力，实现了知识库的自动化和智能化管理，大幅度降低了人力成本和时间成本。2.话术推荐助手：传统的客服系统往往需要客服人员根据经验选择合适的话术。话术推荐助手通过实时理解对话情境和向量化的知识库，利用检索增强生成技术（RAG），实时推荐合适的话术，大幅提升了客服的效率和服务质量。话

19、术推荐助手还可以根据客户的历史交互和偏好，推荐个性化的话术，增强了客户服务的个性化程度，提升了客户满意度。3.质检助手：传统的客服质检主要依赖人工抽查，工作量大且效率低。质检助手通过大模型提示词技术，实现了质检的自动化，大幅提高了质检的效率和准确性。传统的质检往往只关注客服的专业性，而忽视了情感交流的重要性。质检助手通过模型的情感分析能力，可以识别出客户和客服的情绪，提供更全面的质量评价。整体系统架构如下图所示：一、项目背景及目标二、创新点三、项目技术方案04大模型系统分为应用、平台和模型 3 层，主要系统的定位和功能介绍如下：定位：该子系统旨在通过对话式的交互界面和多种工作场景插件，提升员工

20、的日常工作效率。功能：聊天机器人、知识库问答、客服标准问生成、客服相似问生成、电销话术提炼、电催话术提炼等。定位：该子系统旨在为业务系统提供联机的智能化服务，从而提升业务系统的智能化水平。功能：话术推荐、质检助手、电话销售对话机器人、电话催收对话机器人等。定位：该子系统结合了向量检索和内容生成的能力，旨在为员工助手子系统和业务智能子系统提供配置化平台化的 RAG 能力。功能：知识向量化、知识检索、结果生成等。定位：提供基于大模型的多模态处理能力，以实现智能化的语言处理、数据分析、图像处理、视频处理。功能：大模型调用、向量模型调用。定位：为各服务子系统提供管理和配置后台。功能：知识库管理、反馈数

21、据报表、提示词管理、大模型管理、向量模型管理、RAG 服务管理等。客服知识库助手业务流程如下图所示：1.员工助手子系统2.业务智能子系统 3.检索增强生成（RAG）服务子系统 4.大模型服务子系统 5.大模型管理子系统052025 金融大模型应用与智能体建设案例集智能客服与营销话术推荐助手业务流程如下图所示：质检助手业务流程如下图所示：06目前，客服知识库助手、话术推荐助手以及质检助手已全面投入使用。客服知识库助手平均每周使用 2 次，每次可生成 100 条左右标准问和 2000 条相似问。话术推荐助手每天 1000 次左右调用。质检助手已 100%覆盖客服和电销对话质检。项目实施后，知识库助

22、手使得机器人自助解决率从 50%提升至 75%，话术推荐助手使并行会话数从 6 通提高至8通，质检准确率提升至70%。经济效益显著，节约了大量人力成本，社会效益方面提升了客户服务体验和满意度。1.数据与大模型技术结合：项目的成功实施依赖于大量历史服务数据的积累与整理，以及大模型技术的应用，使得知识库的覆盖和更新、话术的推荐以及服务质量的检查更加高效和精准。2.用户体验优先：无论是内部客服团队还是最终的客户体验，本项目都将用户体验作为核心。通过持续的用户反馈收集和优化，确保了技术应用的实用性和便捷性，进一步提高了用户的接受度和满意度。3.面临的挑战与对策：在话术推荐的实用性方面，初期遇到的挑战是

23、坐席使用意愿不高。通过增强话术同步率、优化用户界面和提供定制化培训，有效提升了坐席的使用热情和话术的实用性。本项目显示了大模型技术在提升客服中心服务效率和质量方面的巨大潜力。未来，随着技术的进一步发展和应用，期待在客户服务体验提升上实现更多创新和突破。四、运营情况五、项目成效六、经验总结072025 金融大模型应用与智能体建设案例集智能客服与营销太平洋保险：基于 AiGCP 智能生成大模型平台的智能客服应用基于 AiGCP 智能生成大模型平台的智能客服应用是基于中科汇联自主研发的 AiGCP 智能生成大模型平台基于大数据预训练、多源知识融合、持续学习等技术。在语言理解方面，这些模型可以通过预训

24、练语言模型，自动识别语言中的词汇、语义、句法、情感等信息，并能够进行分类、命名实体识别、语义解析等任务。在此基础上搭建 AICC统一智能交互平台，采用先进的 FreeSwitch 电话软交换解决方案，灵活的组件化模式，可以提供高度扩展、弹性、按需取用的软件服务。随着互联网行业发展的飞速进展和社会环境的不断变化，传统智能客服在建设或者运营过程中也面临了新的机遇和挑战。当前移动互联网方兴未艾，金融科技发展迅速，互联网金融市场竞争激烈，同时消费升级趋势明显。金融行业主要包括银行、保险、证券等。金融业务通常存在客户排队时间长。业务营业时间有限、不同客户的问题重复率高、业务人员成本高等痛点。客户呼入服务

25、需求无一定时间规则，管理人员很难精准排班每日接线人力，时而出现排班人力冗余或无人服务的情况，线路一旦繁忙时，客户等待时间过长，且客户每次拨打呼入电话时都需要经历一系列的电话菜单选择，客户流程体验较差。拟通过上线智能客服机器人实时识别客户需求，削减客户在线等待时间，主动实现在线报价或根据客户需求推送优质便利的自助服务，实现一步直达功能菜单。以智能客服和自助服务替代人工服务完成客户服务，提高客户体验的同时降低呼入接线人力成本。基于 AiGCP 智能生成大模型平台的智能客服应用呼叫中心系统是一个功能强大的用于构建呼叫中心系统的产品解决方案，系统支持大容量的电话呼入/呼出处理、电话转接、来电弹屏、智能

26、 IVR、智能 ACD、通话记录、呼叫坐席管理、工单管理、数据报表和绩效统计等专业呼叫中心系统功能。支持部署版、云 SaaS 版呼叫中心，通话稳定、音质清晰，多级 IVR 语音、VIP 专线等功能优势，领略一呼百应的呼叫体验。添加工作人员及组织架构：管理员对该企业使用 aicc 的成员进行管理，账号创建支持单个添加及批量创建。管理员对企业内部员工角色及对应功能权限进行配置。系统默认了客服中心常用角色及权限，客户可根据自己实际业务定义角色权限，当一个用户出现在多个角色里时，角色权限进行累加。知识库：知识库，对系统内部普遍问题或异样问题进行统一管理，支持音频、文字、图片、文件、等多样化知识类型，知

27、识库分为系统知识库及自定义知识库，系统知识由平台进行导入及管理，自定义问答库则由客户自行管理，自定义知识库有自定义添加及知识学习两种途径建立。自定义知识库可以根据业务需求选择相应的系统知识进行添加。知识学习：知识学习模块通过对未知问题、相似问题的管理,从而达到促进问答库知识优化的目的。机器人学习：在日常工作中机器人无法回答的未知问题，已回答被踩的问题以及坐席工作中登记的问题会被统一收集到机器人学习页面，在此页面可以根据实际业务对上述几类问题做新增知识、关联相似问及加入相似问法库或忽略的操作。机器人测试：机器人测试功能可以通过创建测试任务对该机器人所关联的自定义问答库知识进行批量检测，根据最终的

28、检测结果对已维护知识的准确率进行查看及维护。一、项目背景及目标二、项目/策略方案08相似问法库：相似问法库可以对所有提问进行维护。可以直接在相似问法库添加，也可以在机器人学习、机器人测试进行维护，已被维护的相似问法可以用于机器人测试或者新增知识时直接对相似问进行勾选。知识同步管理：支持使用插件的方式，同步获取第三方知识。依赖于插件配置，具体项目需与研发沟通讨论并定制插件同时支持插件获取知识是否需要审核入库。点击自动处理配置，根据知识同步类型自主选择。选择自动处理，处理的知识若能自动处理成功，将自动流转到已处理。自动处理失败将归纳到待处理，需管理人员手动处理。意图库：用于对话过程中识别意图。基于

29、识别意图给出意图标签继续引导，最终引导用户进入 ai 应用或给出推荐知识供用户选择。AI 应用：ai 应用将具备原有多轮对话能力。同时拥有实体提取、变量应用、条件判断，以及接口调用等新增能力。该智能客服解决方案是基于中科汇联自主研发的 AiGCP 智能生成大模型平台基于大数据预训练、多源知识融合、持续学习等技术，现在很多 NLP 模型已经具备了超强的语言理解和生成能力。在语言理解方面，这些模型可以通过预训练语言模型，自动识别语言中的词汇、语义、句法、情感等信息，并能够进行分类、命名实体识别、语义解析等任务。在对话生成和文学创作方面，这些模型可以基于预先训练的语言模型，生成与人类类似的自然语言文

30、本，帮助用户完成对话生成、文学创作等任务。通过不断地吸收海量文本数据中的新知识和信息，AiGCP 智能生成大模型平台模型的效果也在不断地进化和提升。AiGCP 智能生成大模型平台技术未来可广泛应用于机器翻译、智能客服、智能写作、情感分析、舆情监测等领域，为人们的生活和工作带来了很大的便利和效益。在智能问答的基础上搭建 AICC 统一智能交互平台，采用先进的 FreeSwitch 电话软交换解决方案，灵活的组件化模式，可以提供高度扩展、弹性、按需取用的软件服务。平台支持电话、网页、H5、微信、企业微信、APP、智能设备等多渠道接入方式，支持公有云、私有云、混合云、本地化分布式灵活部署、云呼叫中心

31、的资源建设方式，可以实现高效资源整合，降低部署成本，提升部署效率。平台支持主流国产操作系统、数据库等软件环境，可以为金融行业各机构快速搭建智能呼叫中心系统、智能在线客服系统、智能工单系统、智能质检系统等全面解决方案。1.实现保单智能查询业务，投保人输入个人相关信息自助查询保单内容；2.实现保险报价智能查询业务，客户输入个人相关信息，查询报价相关信息；3.实现智能查询业务用户操作流程查询及数据分析功能。智能客服应用基于 AiGCP 智能生成大模型平台在保险行业的应用将带来显著的社会效益。首先，它能够提高保险服务的效率，实现全天候在线服务，从而缩短理赔处理时间，帮助被保人尽快解决问题。其次，智能客

32、服应用能够提高服务质量，通过准确解答客户疑问和提供个性化的保险建议，增强客户对保险公司的信任感，促进行业的健康发展。最重要的是，智能客服应用可以普及保险知识，使得更多的人了解保险产品，增强社会对风险保障的认识，提高整个社会的风险防范意识。引入智能客服应用基于 AiGCP 智能生成大模型平台将为保险行业带来巨大的经济效益。首先，它能够降低保险公司的运营成本，节省人力资源和时间成本，提高企业的效益。其次，智能客服应用能够提高销售转化率，通过快三、创新点四、运营情况五、项目成效092025 金融大模型应用与智能体建设案例集智能客服与营销基于 AiGCP 智能生成大模型平台的智能客服应用为金融行业各机

33、构快速搭建智能呼叫中心系统、智能在线客服系统、智能工单系统、智能质检系统等全面解决方案为保险行业带来巨大社会和经济效益，通过准确解答客户疑问和提供个性化的保险建议，增强客户对保险公司的信任感，促进行业的健康发展。速响应客户需求和提供个性化的保险方案，促进保险产品的销售，增加公司的收入。最重要的是，智能客服应用提升了保险公司的竞争力，树立了良好的品牌形象，吸引更多客户，推动整个保险行业的发展和进步。六、经验总结10中信建投证券：基于数字金融的全场景数智化客户综合服务平台21 世纪以来，中国经济实现了持续的高速增长，国民财富的积累以及对资产增值的追求不断增强，进而催生了对金融机构提供高质量财富管理

34、服务的迫切需求。据权威预测，至 2025 年，中国财富管理市场的总规模预计将突破125 万亿元人民币，标志着其已成为金融行业未来发展的战略重点。财富管理业务在提升居民财产性收入及财富积累效率方面发挥着关键作用，并肩负着推动实现社会主义“共同富裕”目标的历史使命。然而，近两年国内外经济形势严峻复杂，全球经济复苏进程缓慢且不稳定，国际贸易摩擦不断升级，地缘政治冲突时有发生，这些因素相互交织，给金融市场带来了巨大的不确定性。国内经济也面临着需求收缩、供给冲击、预期转弱等多重压力，经济增长速度有所放缓。在这样的宏观经济环境下，金融市场波动剧烈，证券行业首当其冲。例如 2024 年 9 月 24 日行情

35、来袭，证券市场出现了大幅波动，证券行业受到强烈冲击，客户的投资组合价值在短时间内发生了显著变化。在这种情况下，客户的服务难度大幅增加，他们对财富管理服务的需求也愈发多样，不仅要求金融机构提供及时准确的市场信息和专业的投资建议，还希望得到个性化的资产配置方案和风险控制策略，以应对市场的不确定性，保障资产的安全和增值。面对客户激增的复杂多样的需求，证券公司等金融机构普遍面临客户基数庞大与客服能力不足的挑战。具体表现在：客户服务高度依赖人工操作，客服人员的专业水平和经验参差不齐，导致服务质量难以保证，无法满足客户对高质量服务的期望；跨领域业务的综合服务能力不足，难以满足客户在不同金融产品和服务之间进

36、行综合配置的需求；服务渠道缺乏统一规划，线上线下服务渠道分散，数据分散，缺乏集中化管理，导致客户信息不完整、不准确，影响了服务的效率和精准度。在这种情况下，仅依靠传统的人工服务模式已经无法满足市场需求，亟需依靠智能化手段来减轻人工服务压力，提升服务效率和质量，最大化提高客户转化率，增强客户粘性，提升金融机构在财富管理领域的竞争力。随着数字化转型和人工智能技术的不断发展，中信建投证券积极探索科技赋能，以提升财富管理服务能力。团队致力于构建全场景数智化客户综合服务平台，赋能公司客服业务全链路数字化升级，为一线员工在服务客户全过程中提供强有力的技术支持。该平台通过以下三个层面实现服务全流程智能化服务

37、：事前（服务前），利用沉淀知识帮助员工快速提升服务技能，提前触达客户了解客户意图；事中（服务中），快速响应客户需求，提升坐席服务效率；事后（服务后），跟踪分析服务全过程，为管理人员提供智能决策支持。而今，尤其是近两年生成式预训练大模型技术的快速演进，为客服业务的智能化升级带来了新的机遇和挑战。团队紧跟技术前沿，逐步探索全流程服务线全方位大模型升级，通过一系列措施满足业务部门对新兴智能化服务的需求，以此提升公司在财富管理领域的整体服务能力及市场竞争力。全场景数智化客户综合服务平台整体系统框架如图 1 所示。全场景数智化客户综合服务平台具备如下技术特点和创新优势：一、项目背景及目标二、创新点1.“

38、大模型+专业小模型”打造智能客服 AI 底座112025 金融大模型应用与智能体建设案例集智能客服与营销该平台以大模型作为核心决策和任务调度模块，集成语音识别、意图提取、知识库、智能质检等多种智能化技术，构建了综合性智能化赋能平台。利用智能化手段，促进客服业务全流程的数字化改造，叠加传统大数据技术，为客服业务提供强大的数据底座。同时，深度融合文本、语音、视频等多模态交互方式，实现全渠道客户关系触达和金融服务的事前、事中、事后的全流程赋能，形成大模型赋能的智能化金融服务生态。图 1 平台架构图图 2 大模型系统架构图12在大模型系统架构方面，采用模块化、可扩展的整体架构设计，构建了自然语言解析、

39、提示词设计与管理等基础功能模块。通过与传统 NLP 算法、向量知识库的结合，适应不同业务场景的需要。同时，平台通过设计封装search代理、web代理等通用agent能力，实现了对于金融服务场景的优化适配。从而实现对于智能质检、智能投顾、多模态客服、智能检索等多个通用业务场景 Agent 构建的支持。此外，在大模型微调方面，重点完成了行业级微调语料库的构建，通过制定严格的数据标准，从多渠道收集海量数据，进行清洗和脱敏处理，确保数据高质量且安全合规。同时，对多种开源预训练模型进行评估，综合考虑其性能、适应性以及算力资源和成本投入。在技术层面，积累了全量微调以及 LoRA、提示调整、P-Tunin

40、g 等高效微调技术。目前，已针对智能客服场景构建了 10 万+数据集，完成通义千问、kimi、deepseek等多种底座模型选择和部署落地，并成功将智能客服场景微调准确率提升至90%以上，取得了显著的成果。知识图谱与自然语言处理技术构建知识中台。项目团队创新性地提出了一种结合知识图谱、大语言模型、Elastic Search优化、向量知识库和结果重排过滤的综合搜索方案。首先，通过知识图谱和LLM对用户查询进行泛化，生成相关子问题，提升搜索覆盖面和精确度。其次，对 Elastic Search 进行优化，引入多字段模糊查询、过滤器机制、字段权重控制等，增强关键词匹配灵活性和准确性，提升搜索结果质

41、量。接着，构建向量知识库，利用文本嵌入模型将口语化查询向量化，通过向量数据库实现高效存储和快速相似性检索。最后，对多源检索结果进行筛选、重排序，并结合用户上下文和反馈进行个性化调整，生成最终 Top-K 搜索结果，旨在为用户提供精准、高效且个性化的搜索体验。落地并研发多类智能数字化助手代替员工工作。将大模型等多种 AI 技术与客户服务全流程深度融合，实现降本增效的目标。1）智能外呼/电话客服系统代替人工呼叫/服务客户，涉及业务涵盖呼叫中心 3000+条常见问题以及2.多种 AI 技术融合构建智能知识中台3.基于大模型打造客服坐席智能数字化助手图 3 知识中台搜索总流程图132025 金融大模型

42、应用与智能体建设案例集智能客服与营销100+个复杂交互场景，并在必要时转人工进行服务；2）智能坐席辅助全程参与员工服务，提供数字化、智能化的技术支持；3）质检、分析系统对服务过程进行分析，帮助总结归纳经验。基于大模型自动生成服务会话小结和智能工单，并自动提取更新客户动态画像，为后续服务提供支持，全面提升员工的服务专业化水平和客户体验。4）搭建企微群大模型机器人实现自助问答。以企微群聊为信息通路，搭建 AI 大模型和日常业务场景的桥梁，拓展大模型在各类业务场景中的应用赋能。通过多格式文本解析、文档自动切片、大模型问句泛化、利用 Elastic Search 召回检索、索引知识重排、RAG+大模型

43、问答整合、大模型意图分类、实体抽取、SQL 补全等技术，实现 IT 电商台群智能助手、开户见证智能助手、两融券源问答助手、运营管理问答助手、两融直通车问答助手以及上市公司公告解析提取推送机器人等，赋能证金、财富委、运营管理部等多个业务部门。实现由“机器替代人工完成简单重复的工作”到“辅助人工完成复杂的任务”的跨越。1）实现 7x24 小时服务，提高了客服响应速度，公司客服能力得到极大地增强，面对极端行情变化情况下的应急能力更强。2）智能陪练、知识库、KYC 等系统使员工技能得到快速提升，新人员工到岗时间大大缩短。同时培训过程中对员工的能力有了全面掌握，便于管理人员对客服业务资源的合理配置。3）

44、大量智能化技术应用，实现了整个客服业务的全面数字化。由初始散装的数据埋点、人工小范围检索，到集成全链路数字化看板，管理员统筹规划。客户数据需求发生变化的第一时间，随之实现数据检测、服务场景和方案的个性化匹配，运营人员能够以数字化视角来对客服过程进行监控分析。利用大模型对数据进一步挖掘，方便管理人员掌握客户的诉求、员工服务的质量等信息，进而发掘客户的潜在需求、优秀员工优秀服务范式等。为响应公司“致力提升客户服务能力，更好服务国家战略与实体经济，实现自身与证券行业共同的高质量发展”战略导向，项目团队深入分析客户服务全生命周期，通过业务与技术深度融合，创新构建全场景数智化客户综合服务平台。建立 AI

45、+人工 协同矩阵，实现服务流程再造，针对标准化业务，部署智能客服集群，实现 724 小时即时响应，大幅提升服务产能。针对高净值客户与复杂业务，构建事前智“慧”，事中智“助”和事后智“学”的全流程数字化赋能体系。在客户服务的事前准备阶段，通过 AI 技术与生成式预训练大模型的深度融合，为客服业务提供了强大的支持。一方面，利用大模型整合公司海量的客户信息，对客户的历史交易记录、偏好数据以及咨询记录等多维度信息进行深度挖掘与分析，生成更为精准且全面的客户画像。辅助客服人员提前洞察客户需求，进而制定出更具针对性的个性化服务方案。另一方面，智能外呼系统在大模型的改造下，实现质的飞跃。利用大模型从优秀的人

46、工外呼服务记录中抽取优质话术与沟通技巧，提炼外呼模板。实际通话过程中，系统灵活运用生成话术，并实时分析客户反馈，动态调整外呼策略，从而显著提升客户体验与沟通效果，提高外呼的成功率与转化率，极大地节省人工时间，提升服务效率。在客户服务的过程中，多种人工智能技术的应用极大地提升了服务质量和效率。智能客服系统借助生成式预训4.数智化技术全面提升客服业务运营能力1.事前阶段：智慧赋能，精准洞察客户需求2.事中阶段：智能辅助，提升服务质量和效率三、项目技术方案14练大模型，抽取最新业务文档、行业公告等数据，实现常见问题解答（FAQ）的自动化扩充。模型通过深度学习海量业务知识，自动识别客户问题的核心意图，

47、并精准匹配FAQ库中的回答，提升智能客服问题解决率和拦截率。同时，利用大模型根据客户问题的热度和复杂程度，自动调整回答的优先级和详细程度，确保用户获得最优质的服务体验。坐席辅助系统则利用大模型对服务流程进行预判，根据配置模板进行意图匹配，辅助坐席实现多功能服务。当客户提出问题时，大模型能够快速分析问题的性质和类别，并预测客户可能的后续需求，为坐席提供精准的建议和解决方案。此外，基于大模型实时监测坐席的服务表现，根据服务流程和话术模板，对坐席的操作进行实时指导和提醒，帮助坐席更好地应对各种复杂情况，提升服务质量和客户满意度。在客户服务的后期阶段，对全服务流程进行回归分析和优化是提升服务质量的关键

48、环节。智能质检模块在大模型技术迭代下，全面分析通话内容、服务流程、话术规范等数据，精准识别服务质量问题，并提供详细的分析报告和改进建议，进一步推动客服业务的持续优化，增强客服系统应对突发情况和异常指标的快速响应能力。同时，利用大模型对服务记录进行深度分析，提取优秀话术、抽取热点问题，并对服务流程提出优化建议。这些数据不仅便于管理层进行数据统计和监控，还为员工提供了宝贵的学习资源，帮助他们不断提升服务技能和服务质量。通过近两年基于大语言模型技术的赋能，中信建投证券全场景数智化客户综合服务平台在事前、事中、事后三个阶段的服务能力得到了全面升级，为客户提供了更加高效、智能、贴心的财富管理和综合服务，

49、也为公司在激烈的市场竞争中赢得了更大的优势。回望过去的五年，智能客服与智能外呼两大呼叫中心核心业务齐头并进，实现了跨越式发展。公司 4008-888-108 客服热线客户接待量从 2019 年的日均 500 通增长至 2024 年的日均 2000 通，2024 年十月全面上涨行情中表现卓越，客户接待量单日曾到达 1.5 万通，显著提升了客服热线承载力，打破了传统呼叫中心人工生产力弹性差的困局。另一方面，公司 95587 客户回访量从 2019 年的日均 8500 通增长至 2024 年的日均 23000 通，单日最高外呼量高达5.5 万通。智能呼叫系统已成为呼叫中心不可或缺的核心生产力，犹如人

50、体心脏般，为整个呼叫中心的顺畅运转提供着持续而强劲的动力支持。前端智能呼叫系统的成功实施为后续发展奠定了坚实基础，进而推动了中后台智能化水平的全面提升。通过系统性总结与创新实践，现已形成一套契合我公司客户服务需求的智能化运营体系，智能质检、智能坐席辅助等关键模块相继落地。质检是呼叫中心质量管理体系的核心组成部分，智能质检系统的正式上线，显著提升了质检工作的整体效能，实现了质检模式的转型升级。具体而言，该系统将传统按比例抽样的质检方式升级为全量覆盖模式，使质检覆盖率从系统部署前的 3%全面提升至 100%。质检类别也从单一质检新开户回访，接入了私募回访、日常存量回访、咨询电话等服务渠道数据，构建

51、了更为完整的服务质量监控体系。从执行效能来看，智能质检系统每周可全量质检 6 万通会话，在保证质检质量的前提下，有效替代了原有质检流程中 95%的人工操作环节，显著提升了质检工作的整体3.事后阶段：智能学习，优化服务流程和策略1.突破呼叫中心生产力增长困局2.大力推动呼叫中心智慧建设四、运营情况152025 金融大模型应用与智能体建设案例集智能客服与营销效率与专业水平。在服务质量管控方面，除事后监督机制外，更为关键的是将风险防控贯穿于服务生产全流程。坐席辅助系统的实施为服务过程的精细化管理提供了坚实保障。该系统上线后，显著降低了坐席操作风险，优化整合了 13 项跨系统查询场景，部署辅助流程及智

52、能 FAQ 提醒功能共计 1000 余项。统计数据显示，系统已累计为人工客服提供 45.5 万次辅助支持，为回访人员提供391万次辅助服务。通过系统应用，单通电话平均处理时长由9.74分钟优化至8.51分钟，客户满意度指标从 97.62%提升至 98.81%，充分体现了系统在提升服务效率与质量方面的显著成效。经济价值：该平台自上线以来，项目团队构建了众多智能助手作为“虚拟员工”，由 AI 替换专职人员工作，赋能多个业务场景进而实现降本增效。智能外呼机器人平均每年可完成约 440W 通电话，按人工每人每工作日处理 160 件回访任务计算，约节省 103个人天工作量，有效减少了对人工客服的依赖。智

53、能客服机器人日常服务2000通来电，按人工每人每工作日处理60件呼入来电计算，约节省33个人天工作量。大模型人机会话总结助手实现全量智能电话客服服务记录复核，平均每个工作日可节省 20 个人天工作量。上市公司公告提取助手平均每天生产有效信息 50 条，较人工查询、分析和定位工作节约工时 5h/天。消息群推送智能助手实现定时股市日历推送、特定交易所公告推送、证券交易融资“公告”推送功能，替代人工时 7h/天。合计节省 1.5 个人天工作量。坐席辅助模块大模型做人人会话小节、工单总结流转、语音转文字、录音问题更便捷锁定与回听、信息整合查询等，全链路共节省 283h/天，约节省 35.375 个人天

54、工作量。智能质检模块实现质检量由人工抽检 3%提升到机器质检 100%，替代 95%的质检工作，合计人工替代工时990h/天，约节省 123.75 个人天工作量。社会价值：平台建设过程中，集成前沿智能化工具及多模态交互技术，是金融服务场景与科技深度融合的典型实践案例，实现了技术与业务协同助力的良好发展模式，有效推动数智化金融的建设。智能客服技术在行业中属于较为领先水平，先后跟申万宏源、国信等券商进行技术交流,无论是应用广度还是深度，均为行业提供了较好的典型实践经验。投入产出情况：1.金融科技融合五、项目成效16平台的实施应用，深度融合数字技术与金融服务，推动了数字金融的创新发展，为行业高质量发

55、展提供了有力支撑。该平台不仅提升了金融服务的效率和质量，还通过智能化手段扩大了金融服务的覆盖范围，降低了服务门槛，让更多客户尤其是小微企业和普通投资者能够享受到便捷、高效的金融服务，有力地促进了普惠金融发展，助力国家共同富裕目标的实现。特别是在“适老化”场景中，该平台通过提供个性化的智能服务，大幅优化了老年客户的金融服务体验，有效解决了传统金融服务对老年人使用的不友好问题，从而实现了更广泛的金融普惠，实现金融服务共享。系统在建设过程中，注重相关知识产权成果的积累，累计在 交易期刊前沿、金融电子化 等期刊发表论文12篇，获得国家发明专利授权3项，软件著作权9项，并荣获证券业协会优秀课题、深交所研

56、究课题三等奖等11项行业奖项。在数字化转型浪潮下，金融机构面临客户基数庞大与服务能力不足的双重挑战。中信建投证券以科技赋能为核心，构建全场景数智化客户综合服务平台，为财富管理服务注入新动力。目前平台已实现客服业务全流程智能化升级，显著提升服务效能。随着财富管理市场持续增长，客户需求日益复杂多元，对服务的及时性、精准性提出更高要求。未来，中信建投证券将紧跟业务需求，深入探索智能化场景化服务模式，优化客户体验。进一步拓展大语言模型在平台中的应用，挖掘其在更多业务场景的潜力，充分发挥智能知识中台的赋能作用，降低运营成本。同时，融合全渠道、多模态服务数据，深度挖掘非结构化文本价值，为获客、营销、合规等

57、多领域提供支持。以数据驱动业务优化，持续改进产品和服务，提高客户满意度，助力公司实现长期发展目标，推动金融行业的高质量发展。2.数字金融普惠服务六、经验总结172025 金融大模型应用与智能体建设案例集智能客服与营销中国大地保险：数字营销助理“智能小行”项目在数字化浪潮席卷全球的背景下，保险行业正经历从“传统服务模式”向“智能化生态”的深刻转型。作为这一变革的引领者，大地保险推出的智能小行，通过人工智能技术深度整合业务场景，为保险公司提供端到端的智能服务解决方案，重新定义了保险行业的效率与体验边界。近年来，保险行业面临多重挑战：客户需求日益个性化、人工服务成本居高不下、业务流程冗余低效。以车险

58、为例，传统报价环节依赖大量人工操作，不仅耗时耗力，还容易因信息误差导致客户不满。大地保险敏锐捕捉到这一痛点，依托 AI 大模型技术推出智能小行一款集语音交互、图像识别、自然语言处理（NLP）与大数据分析于一体的智能服务助手，旨在通过“技术替代人力”与“流程自动化”，实现效率质量的双重提升。为深入贯彻落实“AI 赋能”的核心理念，推动公司全面实现数字化转型，“智能小行”依托大模型平台，凭借强大语义理解能力，支持多轮对话和上下文理解的智能交互系统，实现更高效、更智能的沟通，为业务人员带来全新营销体验。多模态交互，无缝衔接用户需求智能小行支持语音、文字、图片等多种交互方式，业务员可通过直接与 AI

59、对话。系统可自动识别语音、文字、图片信息，并实时生成报价方案，无需人工介入。非标信息标准化处理传统保险服务中，用户提供的信息往往模糊或不完整。智能小行通过语义理解与图像识别技术，将非标准描述转化为结构化数据，精准匹配保险信息，大幅减少人工录入时间。多轮对话信息录入即在多个回合的对话交流过程中，逐步引导并最终促成交易的完成。通过这种方式，销售人员能够根据与客户的沟通，逐步与 AI 对话补充完整信息，并最终实现销售订单的生成。动态优化与个性化推荐基于用户对话，智能小行可动态调整方案。例如，在报价过程中，系统会根据信息推荐最优保障方案，并同步支持信息的调整，提升客户体验。车险报价：从“人工录入”到“

60、秒级响应”智能小行已实现“AI 即报价”的全流程自动化。通过各机构试点数据，使用智能小行后，单笔报价处理时间从平均 1 分钟缩短至 30 秒，报价效率提升 50%以上。一、项目背景及目标二、创新点1.技术驱动场景落地2.从效率到效益的全面升级18业务运营：从“被动响应”到“主动服务”智能小行通过接入多个智能体，聚合营销能力，主动提供包括问数，知识库等支持，提升业务人员能力，提供展业支持，为一线展业提供千人前面的业务支持。AI 中台（灵山界）：集成通义平台，支持大模型训练与部署，兼容多源数据（车辆信息等）。数据层：整合内外部数据源，建构底层信息。算法层：应用机器学习，不断对模型进行完善。应用层：

61、智能营销中枢，AI 报价。语意识别:采用大模型技术，精准解析语意，实现高效语义理解。图像处理:运用轻量化小模型，专注于图像信息的高效识别与分析。要素提取:自动化提取关键要素，确保信息提取的准确性和一致性。结果整合:将语意与图像要素智能组合，生成单一、清晰的报价结果输出。三、项目技术方案1.技术架构2.核心模块192025 金融大模型应用与智能体建设案例集智能客服与营销智能化报价：AI 引擎实时报价，加快营销人员展业效率。个性化营销：千人千面的营销管理与支持，提升业务人员展业能力。智能小行作为一款高效的 AI 辅助工具，目前已经在全司各机构中广泛推广和应用。该工具通过运用先进的语义识别技术，能够

62、精准理解和处理用户的自然语言输入，从而大幅简化了业务人员在信息录入过程中的繁琐操作。得益于此，业务人员的信息录入效率得到了显著提升，提高了约 50%。此外，智能小行还能在极短的时间内完成首次报价，将原本需要较长时间的报价过程缩短至半分钟以内，这一突破性进展极大地便利了业务人员的日常工作，使得他们能够更加高效地开展业务。智能小行通过对接多智能体的调度系统，实现了对市场营销活动的有力支撑。它能够根据不同的营销场景和需求，智能调度和协调多个 AI 智能体，从而提供更加精准和高效的营销服务，有效助力公司业绩的稳步增长。此外，智能小行所采用的先进业务模式，不仅在实践中取得了显著成效，也为司内其他 AI

63、应用的发展提供了宝贵的参考和借鉴。智能小行并非终点，而是迈向“保险智能生态”的起点。随着大模型技术的突破，智能小行将进一步进化为“保险超级助手”，在健财产险，健康险等更多领域拓展更多可能性。四、运营情况五、项目成效六、经验总结3.业务模式20浙江东方：AI Agent 营销智能体项目随着国家经济的发展，人民生活水平不断提高，客户的个性化程度也随之提高，不同的客户有不同的“特征”，不同的“痛点”，不同的“购买点”，千篇一律的营销话术、材料逐渐难以适配日益增大的客户个体差异。然而，为不同客户做不同方案，无异于让业务本已繁重的工作任务雪上加霜，使得业务人员陷入进退两难的境遇。浙江东方积极响应国家政策

64、，充分发挥金控集团多元化金融服务优势，抢抓数字化发展新机遇，引入前沿新兴技术，持续开展科技创新，以科技赋能金融业务发展。在当前经济趋势向缓的背景下，资源协同成为内生性第二增长曲线的推动力，而缺乏“金融+生活”应用场景及低效的营销工具是阻碍资源协同的重要因素，主要困难和问题是：一是缺乏“金融+生活”应用场景：“低频”的金融产品服务，缺少以客户为中心的“高频”生活场景；产品推荐缺乏自然联想和生活场景转化，缺乏多业态的产品组合和黏性高的增值服务。二是传统营销效率低、个性化程度弱、精准营销成本高：金融企业获客渠道单一，获客成本高、转化率低；千人千面的精准营销消耗大量企业资源；缺少整合多业态的客户营销平

65、台等。因此，针对行业业务营销难的问题，提出创新解决方案，打造 AI Agent 营销智能体，借助人工智能 AIGC 智能体实现高效、精准的营销。基本思路和核心优势：一是借助 AI Agent 营销智能体，通过自然联想图谱和生活情景转化，以客户为中心，结合客户的不同特征为客户精准推荐保险产品及增值服务，从低频的金融产品服务转向高频的生活+金融场景化服务，实现子公司间精准营销；二是利用科技的手段对客户的特征、痛点、购买点进行分析，使用人工智能大模型自动为目标客户匹配最合适的产品，同时自动生成适配的营销话术、材料。AI Agent 营销智能体助力构建现代化产业发展新动能，塑造企业新优势，帮助业务部门

66、提高客户黏性和营销效率，降低客户流失率，实现利润增长，助力公司第二增长曲线。AI Agent 营销智能体是助力企业进行产品和服务的整合营销的平台。该平台根据客户画像推荐匹配的产品和服务，并依托先进的 AIGC 多模态大模型，深度融合自然语言处理、图像识别与合成等前沿技术，生成个性化营销话术及海报，辅助销售团队的线上线下触客。一、项目背景及目标二、项目主要内容212025 金融大模型应用与智能体建设案例集智能客服与营销AI Agent 营销智能体的基础功能-精准营销：营销人员收集客户的基础信息、各方面特征、个性化需求，将这些信息数据输入 AI Agent 营销智能体，智能体根据客户信息，结合公司

67、自有的企业知识库内的数据，自动为该客户匹配最合适的产品，以及该产品的营销话术、宣传海报，且材料内容满足客户的特征及需求点，帮助营销人员实现高效精准营销。AI Agent 营销智能体的拓展功能-智能引流：智能体对接第三方平台，当汇聚平台、垂类平台、中介平台等第三方平台的用户登录平台时，平台会将用户的脱敏信息发送给智能体，智能体根据收到的用户信息自动匹配与该用户最契合的产品，生成该产品的广告海报，并将该广告海报传回给第三方平台，在平台上进行展示以吸引用户点击，在用户点击后跳转至产品的详情介绍页面，实现智能引流。1.借力人工智能 AIGC，实现高效精准营销传统的营销以产品特征及客户群体特征为基础，考

68、虑到时间成本、经济成本等因素，传统营销一般不会关注客户作为一个独立个体的个性化需求。借助人工智能 AIGC，智能体实现高效、精准的营销。（1）高效。智能体可以根据客户的信息自动生成营销策划材料，每10秒可以为一位客户生成一套包含推荐产品、营销话术、营销海报的完整的方案，将营销人员从单一、重复的工作流程中释放，降低人力成本的同时也提升了业务流程的流畅性和准确性，在运营成本与业务优化双方面实现技术与业务的提升；（2）精准。智能体推荐的产品高度适配客户的情况，营销话术、营销海报能够根据客户的信息展开自然联想，比如客户长期在户外的烈日下工作，智能体会意识到客户有罹患皮肤癌的风险，因此会为客户推荐医疗险

69、，并在营销话术中提示用户注意做好防晒措施。以下是智能体根据三位客户的不同特征为客户精准推荐产品，并生成高度匹配的营销话术及海报的案例。（从上述营销话术中可以看出，智能体为客户推荐了一款分红型的终身寿险，高度贴合客户的个性化需求，同时从客户的职业及收入信息入手，“作为一名医生，您的收入稳定且您可能想要一个稳健的投资计划”，以及从客户的家庭及婚姻信息入手，“作为一位母亲、妻子，您也能为您的家人提供额外的经济保障”，拉近与客户的心理距离，突出对客户需求的高度认识与理解。从上述营销海报中可以看出，智能体生成的海报中一家人坐在一起，完美贴合客户的子女情况“一女”。同时，副标题“医术高超，事业辉煌，财富增

70、长，终身保障”紧贴客户的医生职业与博士学位，肯定了客户高级知识分子的身份与事业上的成功，拉近了与客户的心理距离）三、项目创新亮点及实施方案项目创新亮点22（从上述营销话术中可以看出，智能体根据客户的年龄和爱好判断出客户对医美可能感兴趣，为客户推荐赴韩抗衰增值服务。同时从客户的职业信息和家庭信息入手，“作为一位事业有成、家庭幸福的企业高管，您不仅在职场上展现着非凡的领导力与智慧，生活中更是以优雅与健康的姿态引领风尚”，拉近与客户的心理距离，肯定客户的事业和个人生活状态，突出对客户需求的高度认识与理解。从上述营销海报中可以看出，宣传语“韩国抗衰，焕新容颜；护肤有道，岁月无痕”紧密贴合客户的年龄及需

71、求爱好，拉近了与客户的心理距离）（从上述营销话术中可以看出，客户经营企业，资产较多，能承受一定风险，但对资金灵活性有要求，因而给客户推荐私募基金，提高收益，保证资金灵活性。从上述营销海报中可以看出，智能体生成的海报硬币成阶梯式形状堆叠，暗示财富逐步增长。同时，宣传语“智投高远，钓金满载；基业长青，跑赢人生”与客户的兴趣爱好和执业紧密贴合，拉近了与客户的心理距离）2.对接各类平台，实现智能客户引流传统的广告投放是较为常见的获客渠道，但是其成本高，精准度差，转化率低。经调研，例如某保及某市民卡基本对所有客户都会推送同样的、无差异的保险广告，精准度相对较弱。为了弥补这些不足，扩大优质获客渠道，智能体

72、可扩展对接汇聚平台、垂类平台、中介平台，根据平台细分类型及平台用户信息分析塑造用户画像，为用户匹配最适合的金融产品，生成个性化营销广告，并将该营销广告实时传递到这些平台上，吸引用户点击，点击后将其引流至对应的金融产品详情页面，实现智能引流。相比于传统的广告投放，AI Agent 营销智能体的智能引流广告客户转化率提升近 30%。232025 金融大模型应用与智能体建设案例集智能客服与营销1.经济社会效益浙江东方金控集团 AI Agent 营销智能体项目通过 AIGC 大模型引擎和模型训练有机结合与实践，利用自然联想图谱和生活情景转化，从“低频”的金融产品服务转向“高频”的生活+金融场景化服务，

73、实现子公司间个性化销售精准营销，提高金融子公司营销效率和效果，在保险公司取得了显著成效，助力子公司实现收入 260 万元，通过低营销成本实现了较高收入，实现销售杠杆倍数 47 倍，协同销售收入贡献率 16.36%。通过该场景应用，促进员工高质量稳定就业，在提供发展平台、改善工作环境等取得了显著效果，在金融行业大环境收缩的趋势下，帮助遇到较大经营压力的子公司稳定员工就业率，提高销售人员提高服务质量，增加销售收入，增强员工稳定性。项目第一阶段东方金控集团子公司推广，目的是充分运用金融科技，在精准营销、场景金融、数字化营销等方面积极探索，赋能东方金融子公司的业务第二增长曲线，提升服务经济高质量发展能

74、力。项目第二阶段国资委体系内各级公司推广，目的是通过科技创新助力企业营销，推进业务发展，为提升商贸流通、金融服务、生命健康等板块产业的核心竞争力、实现高质量发展提供支撑。项目第三阶段外部推广，目的主要是承担起社会责任，为企业通过科技创新实现业务增长提供良好的学习经验和借鉴模板，同时通过释放企业数据的潜能，促进数据资源的高效利用与共享，推动数字经济和智能化升级，增强国家数据治理和数据经济建设，赋能中国经济社会的高质量发展，实现更广泛的社会效益。AI Agent 营销智能体采用 AIGC 多模态大模型，对接业内知名的多个大模型，基于自然语言处理（NLP）、图像识别与合成技术，实现文本、图像等多模态

75、内容的生成与交互，项目于 2024 年初在东方金控集团子公司推广试点。为后续进一步向外推广该项目，梳理项目价值主张、关键业务、客户关系、生态伙伴、成本结构、盈利模式、推广方案、社会效益 8 个关键要素。项目实施方案四、项目成效及推广应用项目成效2.经营质效和市场竞争力等方面产生的影响AI Agent 营销智能体作为金控集团的创新产物，在浙江东方金控集团及其子公司企业核心业务和市场竞争力等方面，提高了客户黏性，降低客户流失率，通过子公司间交叉销售协同，享受更加多样化的增值服务，通过多元化服务组合客户日益增长的个性化需求，提高了客户黏性，使客户对东方金控集团品牌产生更深层次的认同与依赖，降低子公司

76、客户流失率。3.赋能产业链生态建设和协同效果浙江东方金控作为一家金控集团，AI Agent 营销智能体在赋能产业链生态建设和协同方面，能更好地满足客户多元化金融服务需求，做好数字金融为财富管理、保险等多家金融服务子公司企业服务赋能新质生产力，以新质生产力点燃高质量发展的新引擎。通过 AI Agent 营销智能体，能够更准确地理解客户需求和偏好，提供个性化的产品和服务推荐，从而提升客户体验；可以减少传统营销方式中的资源浪费，如减少纸质宣传材料的使用，降低能源消耗和碳排放；AI Agent 营销智能体是金控集团在技术创新方面的积极探索，有助于提升企业的竞争力和影响力，有助于推动金融行业的数字化转型

77、和产业升级，为整个行业树立技术创新的典范；有助于提升企业的营销效率和客户转化率，进而促进企业的经24济增长和盈利能力提升，随着企业经济实力的增强，能够更多地投入到社会公益事业中，为社会提供更多的就业机会和公共服务，推动社会的可持续发展。4.知识产权及荣誉成果AI Agent 营销智能体项目于 2024 年荣获首届中国互联网创新大赛人工智能赛道优秀奖；荣获第五届长三角金融科技创新与应用全球大赛“金融机构最佳实践奖”；荣获第五届金融服务创新与客户经营峰会卓越金融科技场景应用创新奖；荣获省国贸集团创新大赛决赛三等奖，第二届省国贸集团青年创新创效大赛新风奖。同时，AI Agent 营销智能体需基于一系

78、列数据支撑，其智能数据分析平台已获国家计算机软件著作权登记证书。AI Agent 营销智能体作为大模型与营销场景结合的产物，其市场定位在于利用先进的人工智能技术，对客户的特征、痛点、购买点进行深入分析，并自动为目标客户匹配最合适的产品，同时生成适配的营销话术和材料。这一市场定位满足了当前企业对精准营销、高效营销的需求，特别是在大数据和人工智能技术日益成熟的背景下，AI 智能营销的市场需求持续增长。随着市场竞争的加剧和消费者需求的多样化，企业越来越需要一种能够快速响应市场变化、精准定位目标客户、并提供个性化营销方案的工具。AI Agent 营销智能体正是这样一种工具，它能够帮助企业实现营销流程的

79、自动化、智能化，提高营销效率和效果。AI Agent 营销智能体项目未来推广应用规划。一是向下子公司推广，项目可推广至下属各级金融子公司，子公司结合业务场景进行适配性改造。二是向国资委体系内各级公司推广，目的是通过科技创新助力企业营销，推进业务发展，为提升商贸流通、金融服务、生命健康等板块产业的核心竞争力、实现高质量发展提供支撑。三是向外推广，项目可进一步拓展至各类有产品营销需求的金融机构，整体市场存量中，结合现有 5000 家金融企业，市场规模可达约 2550 亿。作为国资委体系内数字化创新的积极实践产物，AI Agent 营销智能体将通过科技创新助力营销，推进业务发展，为提升国资委体系内商

80、贸流通、金融服务、生命健康等板块产业的竞争力、实现高质量发展提供支撑。同时，AI Agent 营销智能体将承担起社会责任，为企业通过科技创新实现业务增长提供良好的学习经验和借鉴模板；通过释放企业数据的潜能，促进数据资源的高效利用与共享，推动数字经济和智能化升级，增强国家数据治理和数据经济建设，赋能中国经济社会的高质量发展，实现更广泛的社会效益。市场定位与推广应用五、项目意义与价值252025 金融大模型应用与智能体建设案例集智能客服与营销招商银行济南分行：“营小助”智能作业平台随着金融科技的迅猛发展，银行业对公客户的函证业务、取现业务、转账业务、开户业务等虽已逐步实现线上化，但仍面临每年数以百

81、万计的柜面交易需求。同时，虽然 OCR 技术在运营作业中的应用已相当成熟，但 OCR 模型的性能更多依赖于训练数据的质量和数量，数据量不足或数据质量差可能导致模型泛化能力差。为突破这一瓶颈，济南和海口分行大胆尝试引入 AI 多模态识别技术，结合 OCR 与 AI 多模态两种先进算法进行双重验证，显著降低了识别错误率。通过与总行的密切沟通，各团队深入探讨并制定了基于字段重要性的风险评估机制，确保识别结果的安全性和可靠性。这一创新举措标志着总行、济南及海口分行在对公业务领域实现了 AI 智能录入的重大突破。该项目以“五维运营”为牵引，以“1671 工程”为方法，共同探索拓展 AI 智能作业新赛道，

82、打造“深度融合、人机协同、智能生态”为特征的 AI 智能录审“新质生产力”，打造数智驱动新模式、开启智慧运营新动能，实现了颠覆式的革新，为打造全行数智运营核动力贡献力量。1.OCR+AI 多模态技术融合应用实现精准审核：结合 OCR 与 AI 多模态两种先进算法进行双重验证，降低识别错误率。通过同一单据不同字段信息（如大小写金额等）之间的逻辑审核，不同单据同一字段信息的交叉审核，通过智能信息录入进化为智能信息审核，进一步赋能小桂圆高效、精准完成审核工作，实现了智能化技术与实际业务需求的紧密结合。这种模式的创新不仅为 AI 赋能业务开辟了新的路径，也为其他业务场景的智能化改造提供了借鉴。2.海螺

83、 RPA 助力业务流程自动化：通过 RPA 影像嵌入式应用，及最新的海螺智能作业 SDK 能力，该系统实现在不改变运营核心系统现有流程的情况下自动带入信息。通过录审数据的实时流转与处理，减少人工干预。一、项目背景及目标二、创新点3.系统扩展性和可维护性：该系统采用模块化设计，支持系统的扩展和维护，适应业务发展的需求；建立反馈机制，通过持续收集用户反馈和识别错误，不断优化模型和算法，提高系统的准确性和稳定性。打通模态：多团队深度融合，探索录入新模态。总、分行共同讨论分析运用 OCR、AI 多模态两种不同算法进行双重识别、交叉验证提升识别效率的可行性；研究探讨基于字段重要性的风险性，评估字段是否可

84、以实现科技替代录入，确保识别结果的安全性和可靠性。打通流程：多规则深度融合，开启智慧新流程。在确定录入新模态之后，如何成功落地应用成为摆在眼前的新专题。总行、济南、海口分行运用“PETSC”方法，选定函证业务作为 MVP 试点业务，横向从产品、事件、任务、步骤等分析确定智能录审的节点；纵向从业务种类、单据组合、凭证种类、字段信息确定识别应用规则。通过横向、纵向的规则综合推演，最终确定“先扫描、后识别、再应用”的方式，并通过业务和技术层面的双重评估，确保了流程的科学性和可行性。打通模式：多业务深度融合，开启智能新模式。在成功推演评估 MVP 业务流程的可行性后，总行、济南、海口进一步提炼 AI

85、智能录审的公共要素，打通跨业务种类运用 AI 智能录入的可行性评估方法，萃取总结形成可广泛适三、项目技术方案业务模式261.影像扫描，纸质信息实时数据化。经办人员扫描单据影像到运营核心系统，触发“营小助”智能作业平台（询证函模块）自动调用影像系统接口获取扫描上传的影像，随即展开“询证函智能录审之旅”。2.多技术融合，审核信息执行智能化。“营小助”智能作业平台（询证函模块）运用行内智能录审平台多模态大模型+视觉云平台OCR的技术融合手段，同时识别并提取询证函的关键录入要素，如询证函的函证范围、截止日期、联系人、联系电话、函证范围、会计师事务所等信息。同时，在识别页面支持人工勾选 AI 大模型识别

86、结果、OCR 识别结果或手工录入（不使用任一识别结果），便于后续根据不同字段使用识别信息、手工录入信息分析字段识别的准确率、错误率等，进一步评估字段自动化录入的可行性。3.多平台联动，业务信息录入自动化。“营小助”AI 智能数字运营平台（询证函模块）调用影像系统接口获取实时数据，通过 RPA 影像嵌入式应用、海螺智能作业 SDK 能力，将 OCR 及大模型智能录审结果通过运营核心系统接口自动填充至相应位置，实现在不改变运营核心系统现有流程的情况下自动带入信息。通过录审数据的实时流转与处理，减少人工干预，确保数据的准确性和一致性，提高了业务办理的效率，大大减少了人工录入的时间和错误率。“营小助”

87、智能作业平台（询证函模块）通过打通影像系统、运营核心系统、RPA、智能录审平台等联接，实现了AI 大模型能力与运营核心系统流程的无缝对接，全面提升了了 AI 技术在运营核心系统实际业务中的未来应用潜力，为未来的运营核心系统全面智能化打下了坚实的基础。流程介绍用的通用方法。形成通用方法后，根据业务量、单据标准化程度等要素，对全行柜面对公业务进行评估论证，最终确定在函证业务先行先试后，同步扩展至对公取现、转账等各类业务，持续扩展 AI 智能录审的业务种类，持续升级AI 智能录审的智能程度，推动银行业务向最加智能、更加高效的方向持续迈进。272025 金融大模型应用与智能体建设案例集智能客服与营销自

88、第一版本 5 月 8 日上线至今的函证试点应用阶段，AI 多模态技术与招行运营核心系统进行了深度整合，验证了 AI 技术在询证函处理中的卓越效果。“营小助”智能作业平台自上线以来，已在济南分行、海口分行函证业务场景中得到了广泛应用和推广，平台的自动化录入和审核功能显著缩短了业务处理时间，提升了整体业务效率。柜面人员和后台运营人员对平台的使用体验总体满意，认为其操作便捷，效率提升显著。随着版本迭代和功能优化，计划进一步扩大应用范围至其他分行和分支机构。“营小助”智能作业平台在系统运行方面表现稳定，但也仍存在一些需要优化的地方。运行稳定性：平台整体运行稳定，未出现重大故障或中断，确保了业务的连续性

89、和可靠性。偶发性故障较少，且能够快速恢复，对业务影响较小。性能表现：平台的OCR和大模型技术处理速度较快，能够满足高并发业务需求。系统响应时间较短，用户体验良好。安全性：平台采用数据加密和访问控制技术，确保敏感数据的安全性，符合金融行业的数据安全标准。合规性：平台的数据处理流程符合相关法律法规，未发生数据泄露或安全事件。1.减少人工成本、提高工作效率：通过多技术融合（如RPA、OCR、多模态大模型）实现询证函信息的自动录入，减少了人工操作的需求，降低了人力成本。传统询证函处理需要大量人工操作，每份询证函的录入和审核时间约四、运营情况五、项目成效1.推广应用情况2.系统运行情况经济效益为 10

90、分钟。通过智能录入系统，处理时间缩短至 5 分钟以内。基于目前每年约 50 万份的全行纸质询证函业务量估算，未来预计可在 60%-70%的询证函业务接单环节中，运用“营小助”智能作业平台（询证函模块）”的 AI智能录审能力实现人工录入替代。在运行效果良好后，预计可替代 30%-50%的人工操作，年节约 FTE 约 27（FTE计算：5min*500000/60/6/250 27.8），释放百万分钟的人工操作资源，显著提升业务处理效率和准确性。2.提升业务处理能力：系统可以同时处理大量询证函，提升了银行的业务处理能力，满足了高峰时段的业务需求。1.提升行业标准：通过引入先进的技术手段，该系统推动

91、了行业向更高标准的数字化、智能化方向发展。(1)推动行业数字化转型：传统询证函处理依赖人工操作，效率低且易出错。智能录入系统通过 RPA、OCR等技术实现了流程自动化，推动了行业从“人工操作”向“智能处理”的转变，提升了行业的整体数字化水平。(2)提高规范化水平:通过标准化的字段配置和流程管理，系统确保了询证函信息的准确性和一致性，减少了人为错误，提升了行业服务的规范化水平。2.改善用户体验：“营小助智能作业平台（询证函模块）”提供了友好的用户界面和实时预览功能，使社会效益281.需求分析与规划明确需求：在项目启动初期，分行进行了全面的需求分析，与用户深入沟通，明确了系统的核心功能需求，包括自

92、动化的询证函录入、数据校验、流程管理等。制定计划：根据需求分析结果，制定了详细的项目计划，包括时间表、资源分配和里程碑设定，确保项目有序推进。2.系统设计模块化设计：采用模块化设计，将系统分为数据采集、校验审核、自动录入、流程管理等模块，便于后期维护和扩展。技术选型：充分评估行内各技术平台及工具的优势特点，选择适合的 OCR、RPA 等技术，确保系统高效稳定运行。通过对比测试，选择了性能最优的技术方案。3.开发与测试敏捷开发：采用敏捷开发模式，分阶段开发和测试，及时发现问题并修复，确保系统质量。全面测试：在开发过程中，进行了单元测试、集成测试和用户验收测试，确保系统功能完善、运行稳定。4.上线

93、与部署平稳过渡，持续优化：优先济南、海口分行作为试点，试运行一段时间后，充分暴露系统问题、收集反馈意见，持续优化系统功能和性能，提升用户体验，再逐步推广至全行。用户培训与支持：该系统一经上线，便为用户提供详细的操作培训，帮助用户快速掌握系统功能和使用方法。同时建立了完善的售后服务体系，及时解决用户在使用过程中遇到的问题，提升用户满意度。通过“营小助”智能作业平台（询证函模块）的建设和推广，我们积累了丰富的经验，成功提升了行业的数字化水平和用户的工作效率。未来，我们将继续优化系统功能，拓展应用场景，根据业务量、单据标准化程度等要素，对全行柜面对公业务进行评估论证，在函证业务先行先试后，逐步扩展至

94、对公取现、转账等各类业务，持续扩展 AI 智能录审的业务种类，持续升级 AI 智能录审的智能程度，推动银行业务向最加智能、更加高效的方向持续迈进。项目建设经验总结推广经验总结总结与展望六、经验总结用户能够更便捷地完成询证函的录入和提交。用户通过系统提交询证函后，信息自动录入和审核，操作流程更加简便,处理时间从传统的数小时缩短至几分钟，极大提升了用户的满意度。292025 金融大模型应用与智能体建设案例集上海农商银行：零售数智化创新实验室项目一、项目背景及目标二、创新点AI 技术的兴起为银行业带来全新发展机遇。以大模型为代表的新一代 AI 技术，在自然语言处理、数据分析等领域展现强大潜力，可助力

95、银行实现智能客服、风险评估等业务的智能化升级，成为提升银行竞争力、驱动新质生产力的关键。同时，银行同业积极布局 AI，竞争压力持续升级，已有 20 余家银行部署应用 DeepSeek 大模型，在智能客服、风险管理等多领域取得成效，人工智能能力已成为银行竞争核心要素。此外，政策也明确指引银行深化 AI 技术融合应用，加快零售业务人工智能能力建设，是顺应政策、实现“弯道超车”的关键。目前，上海农商银行零售业务在人工智能应用上已取得一定成果。决策类模型应用初具规模，在产品推荐、信用评级等场景发挥重要作用，通过数据分析助力精准营销与风险管理，但传统决策模型在复杂场景和大规模数据处理上存在局限，难以满足

96、业务与客户期望。为此，行内建立零售数智化创新实验室探索 AI 应用，打造零售业务人工智能能力，实现业务转型升级与可持续发展，提升核心竞争力。1.提升零售金融业务智能化服务体验以客户为中心，利用 AI 技术深度洞察客户需求，提供个性化、智能化的金融产品与服务，提升客户体验与满意度；优化业务流程，提高运营效率与风险管控能力，提升对营销和管理人员的服务支撑体验，实现业务模式的创新与转型。2.助力零售业务价值创造和竞争力提升通过 AI 技术的应用，推动银行从传统金融服务向数字化、智能化金融服务转变，挖掘业务潜在价值，增强在金融市场中的竞争力与影响力，适应金融行业数字化发展趋势。3.构建零售智能化共享生

97、态圈通过 AI 技术的广泛应用与拓展，连接客户、合作伙伴、监管机构等各方，构建一个开放、共享、协同的智能化金融生态系统，实现金融服务与社会经济生活的深度融合，更好地服务实体经济，创造更大的社会价值。（1）敏捷创新机制：突破传统银行技术应用的线性流程，通过设立专门实验室，构建“探索试点快速采购”的敏捷闭环，压缩新技术从概念验证到业务落地的周期，快速响应市场变化与客户需求。（2）场景驱动式采购：改变传统以技术或供应商为中心的采购模式，围绕零售业务场景痛点（如智能营销、员工培训等）探索 AI 应用，以试点效果为采购决策核心依据，确保技术投入精准匹配业务价值。（3）数据验证决策：依托实验室试点阶段积累

98、的真实业务数据（如转化率提升、成本降低比例）量化评估项目成效，使采购决策从经验驱动转向数据驱动，提升资源投入的科学性和成功率。（4）生态协同创新：通过实验室试点筛选优质项目，吸引外部技术供应商、科技企业参与合作，构建银行主导、多方协同的 AI 创新生态，加速技术迭代与资源整合。背景目标30（5）风险可控的创新探索：以小规模试点验证技术可行性和业务适配性，降低大规模技术投入风险，同时为后续采购积累实践经验，形成可复制、可推广的数智化转型路径。实验室的技术方案围绕三大核心策略构建，形成“安全隔离、敏捷验证、生态协同”的创新体系。首先，在环境部署上，实验室采用测试环境与生产环境深度隔离的架构设计。通

99、过物理网络隔离与数据单向传输机制，将实验室测试环境与银行核心生产系统完全分隔，避免创新探索对现有业务的干扰。同时，配置独立的数据沙箱系统，对生产数据进行脱敏、加密及特征提取处理后同步至实验室，既保障数据可用性，又确保敏感信息安全。采用容器化技术与微服务架构，实现计算资源的动态分配与弹性扩展，支持多项目并行测试，配合版本控制对模型、代码及数据进行全生命周期管理，为技术验证提供稳定、安全的运行空间。其次，在项目推进机制上，实验室推行免费试点与效果驱动的采购模式。与科技公司合作初期，采用免费试用的方式引入 AI 技术方案，在零售业务的具体场景中开展小规模试点。试点过程中，通过多维度指标体系量化评估项

100、目成效，如 AI 外呼的客户接通率、营销转化率，AI 客服的问题解决率、客户满意度等。对于试点效果显著、能够切实提升业务效率、优化客户体验或降低运营成本的项目，实验室考虑采购，推动技术成果向生产环境迁移。这种“先验证、后投入”的模式，既能降低技术应用风险，又能确保资源精准投向高价值项目。最后，在生态合作层面，实验室秉持联合共创的开放理念。银行依托自身在零售业务领域的深厚积累，提供真实业务场景、历史数据资源及行业经验，为技术研发明确方向；科技公司则发挥其在大模型开发、算法优化、系统搭建等方面的专业优势，双方通过成立联合创新小组、定期技术研讨会等形式，共同探索 AI 技术与银行零售业务的深度融合。

101、这种资源互补、协同创新的模式，不仅加速了技术成果的转化效率，更有助于打造符合银行业务特性的定制化 AI 解决方案，为零售业务数智化转型注入持续动力。零售数智化创新实验室自成立以来，构建起“技术探索-场景验证-成果转化”的全链条运营体系。在技术合作层面，实验室与商汤、蚂蚁数科等头部科技企业建立深度合作，围绕 AI 问数、客户洞察等前沿领域开展联合攻关，目前已储备 4 项创新技术方案，形成差异化竞争优势。场景探索方面，通过跨部门协作机制，联动零售业务、金融科技等部门挖掘潜在应用场景，累计完成 12 个业务场景的可行性评估，其中 4 个创新项目选入试点，创新项目中 AI 教练已完成试点，且由于分支行

102、参与度高，目前已正式合同采购；AI 外呼项目自 3 月中旬开始对客使用，截止 5 月底已触达 13 万客户；AI 客服项目和 AI 问数仍处于部署中。系统运行方面，实验室采用“双环境隔离”架构，将测试环境与生产系统完全分离，依托容器化部署与微服务架构，实现资源动态调度与弹性扩展。同时，建立标准化项目管理流程，通过子项目小组责任制与双周汇报机制，确保项目进度可控、风险可管。零售数智化实验室的高效运营为银行带来显著的经济效益与社会效益。经济效益上，通过技术试点与成果转化，成功优化 2 项核心业务流程，推动运营成本降低和业务处理效率提升。在社会效益方面，显著提升了银行的品牌形象和社会影响力。通过引入

103、先进的数智化技术，银行的服务质量和客户体验得到大幅改善。同时，实验室的运营也为金融科技领域培养和储备了一批专业人才，通过项目实践和技术交流，员工的创新能力和技术水平得到显著提升，为银行的可持续发展奠定了人才基础。三、项目技术方案四、运营情况五、项目成效312025 金融大模型应用与智能体建设案例集智能客服与营销零售数智化创新实验室不同子项目的具体赋能方向各有侧重，下面分子项目分别说明：（1）AI 教练项目，由 AI 扮演不同场景下的各类客户与员工进行情景对练，超级教练即刻指导建议，以“学”、“练”、“战”相结合的方式，滚动培养条线员工专业素养和实战能力，试点 2 个月期间，全行参与项目培训人次

104、达 3070 次，覆盖 524 位理财经理。分支行培训参与率达 100%，理财经理线上考试通过率超 90%，试点效果显著，分支行参与度较高，故已签署采购协议。（2）AI 外呼项目，打造行内暂缺的人机协呼模式，通过 AI 主动对客户进行个性化的外呼营销，帮助直营经理扩大连接客户能力，提升长尾客户的触达率和转化率。项目 3 月初开始对客，根据试运行数据，人机协呼模式为客户经理初筛了意向客户，企微转化率由纯人工外呼的 14.47%提升至人机协呼的 21.49%，后续行内考虑采用人机协呼模式，节约人力成本。（3）AI 客服项目，客户点击手机银行 PUSH，直接跳转微信与 AI 客服对话，AI 客服识别

105、客户的语音或文字后，解析客户需求，并自动作答，对意向客户可无感转接人工坐席。项目结合信用卡账单分期场景目前处于项目测试中。（4）AI 问数项目，革新银行零售业务数据应用模式，用户无需掌握复杂的数据处理技能，仅以自然语言提问，系统就能依托大语言模型与业务数据，快速输出精准答案。面对业务数据波动，深度剖析业务涨跌根源，并结合历史数据与行业趋势，从产品优化、渠道调整、精准营销等方向，提供切实可行的业务发展建议，为银行高效决策、提升竞争力提供有力支撑。项目目前处于场景讨论和数据治理中。零售数智化创新实验室项目在建设与推广过程中积累了丰富经验。在项目建设方面，首先构建了跨部门协同机制，由零售、科技等多部

106、门组建联合团队，打破信息壁垒，确保业务需求与技术方案深度融合。其次，采用“双环境隔离”架构，将测试环境与生产系统严格分离，依托容器化与微服务技术实现资源灵活调度，保障实验安全稳定运行。同时，建立标准化项目管理流程，通过子项目小组责任制和定期汇报机制，对项目进度、风险进行动态管控。在推广经验上，坚持“试点先行、以点带面”原则，优先选择业务痛点突出、技术可行性高的场景开展试点，通过小规模验证降低推广风险。注重与头部科技企业建立战略合作，引入前沿技术的同时，结合银行实际需求进行本地化改造。此外，强化知识沉淀与经验复用，将试点过程中的技术文档、业务案例等进行系统化整理，形成可复制的标准化方案，加速创新

107、成果向全行推广，有效推动零售业务数智化转型进程。六、经验总结32宁夏银行：“宁银小智”大模型在信贷风险管理中的数智化应用建设项目一、项目背景及目标二、创新点近年来，随着生成算法、预训练模型、多模态数据分析等 AI 技术的聚集融合，AIGC 的实践效用迎来了行业级大爆发。通用大模型技术的成熟推动了新一轮行业生产力变革，在投入提升与政策扶植的双重作用下，以大模型技术为底座、结合专业化金融能力的金融大模型产品应运而生。大模型技术在金融领域的发展呈现出蓬勃之势，为金融机构的数智化转型带来了前所未有的机遇。金融领域也凭借海量数据资源、复杂业务场景及高数字化基础，成为了大模型技术落地的先行者。尤其是随着

108、2025 年初国产大模型 DeepSeek 的爆火，使得当前大模型行业发展已真正进入深水区。DeepSeek 在显著提升大模型训练效率的同时，极大程度的降低了推理成本，在提升用户体验的基础上为辅助分析及决策场景打开了空间，使得大模型产品在推进金融产业升级和在金融场景中落地变得更加容易且有效。为加速实现宁夏银行数智化转型需求，构建基于信贷业务风控场景的大模型深度应用能力，宁夏银行建设了专属信贷管理领域的首个 AI 智能助手“宁银小智”。“宁银小智”大模型是将 DeepSeek R1 满血版大模型作为底座，引入安硕信息自主研发的金融垂直领域大模型“千寻”，深度适配宁夏银行信贷业务场景及信贷系统应用

109、功能量身打造而成。“宁银小智”大模型在信贷系统中的集成部署，不仅能够支持业务人员在信贷系统中灵活调用对话页面，快速获取企业信用信息、生成企业全景画像，还能够通过深度逻辑思考进行股权结构、科创能力、财务情况、风险归因、行业风险等深度专项分析，实现客情全方位挖掘，繁杂信息高效处理，报告撰写效率全面提升。“宁银小智”大模型已与宁夏银行行内信贷管理系统无缝融合，信贷用户可在信贷系统主页直接唤醒“宁银小智”获得服务支持。通过“通用问答、灵感、历史记录”等功能，实现对话页面快捷调用、关联问题智能联想、复杂问题一问即答。“宁银小智”大模型以宁夏银行行内信贷系统现有“智胜大数据”为基础，内置“风险归因、财务分

110、析、科创分析、涉诉分析”等智能组件，实现企业经营、历史沿革、重大事项等多维度的企业信用信息基础问答，可一键生成客户立体全景画像，帮助信贷用户快速洞察客情。“宁银小智”大模型依托自身强大的深度思考及逻辑推理能力，基于企业经营、信用、财务及行业等 12 大灵活调用、智能答疑企业画像、一键生成深度分析、智能求索332025 金融大模型应用与智能体建设案例集智能风控与合规管理三、项目技术方案本项目于 2024 年 10 月启动后，历经了 6 个月的需求分析、开发实施、联调部署和充分测试，最终于 2025年 4 月成功在宁夏银行信贷管理系统中集成部署并成功上线，并面向全行客户经理、授信审批人员等信贷系统

111、用户开展功能普及、推广及具体应用。同时，为了使“宁银小智”的功能更加“易用”且贴合真实用户体验，项目团队不断接受用户使用反馈，不断开展大模型功能调优，截止 2025 年 5 月末，已完成了 2 个版本的功能迭代。项目关键技术如下图所示：技术架构图采用 Spring Boot(Spring Cloud 微服务方式部署)实现+Vue 实现，完全容器化部署。服务端利用 Spring Boot 简化了分布式系统基础设施的开发，如服务发现注册、配置中心、消息总线、负载均衡、断路器、数据监控等，都可以用 Spring Boot 的开发风格做到一键启动和采用 jar 包直接运行部署。领域的模型化问答知识库，

112、实现金融信息解读、行业政策研判、风险因子挖掘等多方面的分析能力输出并智能生成专业分析内容，辅助业务人员高效处理繁杂信息，提升报告撰写效率。主要赋能内容包括：1.企业信用问答“宁银小智”大模型的知识范围涵盖企业概况、经营行为、监管负面等维度，通过与企业风险归因分析模型、科创分析模型结合，“宁银小智”大模型不仅可以通过逻辑思考，回答企业工商、诉讼、舆情、经营等方面问题，还能够对企业风险态势、科创能力进行量化分析和可视化呈现，深度刻画企业信用全景画像。2.行业产业问答“宁银小智”大模型将行业前沿研究与产业集群数据纳入底层知识库，用户可以针对目标行业的发展概况、竞争格局等内容展开提问，“宁银小智”大模

113、型能够提供可溯源的分析文本及相关图表，同时，还能够实现目标区域的产业深度分析，智能生成产业集群图谱，精准推荐产业重点企业，协助信贷人员快速洞察行业、产业发展脉搏，把握商业先机。3.财务分析问答“宁银小智”大模型学习了公开市场企业和行业财务行为表现相关知识，内容涵盖企业财报、指标、绩效标准值等价值化信息，能够帮助信贷用户解答企业偿债能力水平、盈利能力分析、尽调审计要点、整体财务评价等相关问题。1.产品应用层34采用基于主流基座大模型+RAG 架构，搭建企业级问答服务框架，包括知识库管理、Agent 管理、Memory 管理、Action 管理等模块，支撑意图对齐、上下文理解、文案生成等对话服务；

114、接口应用服务通过 Flask 框架实现，任务规划服务编排各个接口服务，调用不同 Agent 服务获取检索知识库，结合专家知识，输出问答结果。RAG 前沿技术（如向量检索、文档检索、知识切片等），结合金融领域专家知识，支撑结构化、非结构化、多模态各类型数据的知识召回；数据分析、统计类 Agent 高度集成我行及实施厂商的模型资产和场景大模型（如归因分析、财务分析等），产出垂直领域业务数据特征描述、专家分析意见等结果。通过分析海量企业外部数据，实现企业分析、商机挖掘、圈脉触达、科创评价、政策解读、话术推荐等能力，支持快速生成企业多维营销画像，不仅能够帮助客户经理挖掘潜在客户，还能够根据实际场景生成

115、个性化营销指引，大幅提升客户触达效率。“宁银小智”大模型通过逻辑思考及推理能力，分析输出企业概况、经营行为、财务分析、运营能力、监管负面等维度问题分析结果，并以文字、表格、图形等方式全方位展示，尽显尽调场景智能化，辅助提升尽调效率及质量。“宁银小智”大模型基于深度理解企业行政、司法、税务、舆情等风险数据以及监管制度、违约案例等内容，在风险筛查模块，实现了企业名单批量风险扫描及分值排名，辅助信贷人员清晰观测企业风险指数及风险动态变化，综合评估企业风险及波动情况，深度赋能信贷风控全流程。“宁银小智”大模型将行业前沿研究与产业集群数据纳入底层知识库，信贷用户可以针对目标行业的发展概“宁银小智”大模型

116、目前已全面推广应用至宁夏银行所有信贷业务场景中，为近千位客户经理及授信审批、风险管理等部门人员提供了“客情问题智能联想、复杂问题一问即答、金融信息深度求索及风险因子深度挖掘”等智能化分析能力输出，辅助业务人员快速洞察客情，高效处理繁杂信息，提升报告撰写效率，实现了信贷业务全流程管理的数字化、智能化。2.服务层中的模型服务3.大模型 RAG 服务1.助力智能营销2.辅助智能尽调3.驱动领域风控4.深化市场洞察四、运营情况五、项目成效352025 金融大模型应用与智能体建设案例集智能风控与合规管理“宁银小智”大模型目前已无缝集成至宁夏银行行内信贷管理系统中，并在全行所有信贷业务场景中全面推广应用。

117、为近千位客户经理及授信审批、风险管理等部门人员提供了“客情问题智能联想、复杂问题一问即答、金融信息深度求索及风险因子深度挖掘”等智能化分析能力输出，辅助业务人员快速洞察客情，高效处理繁杂信息，提升报告撰写效率，实现了信贷业务全流程管理的数字化、智能化。中小银行的业务场景具有“小而散”的特点。聚焦中小客群，客户需求差异大，传统管理模式高度依赖人力经验。但当前，外部竞争压力与内部效率瓶颈已不容回避，大型银行下沉区域县域、净息差收窄、客户对数字化服务期待攀升，这些挑战倒逼中小银行必须将智能化提升至战略高度。AI 技术的平民化，为中小银行提供了“以小搏大”的可能。DeepSeek 出现后，中小银行可以

118、在组织架构和应用推广重视的基础上考虑爆点应用场景，持续以点带面推动大模型智能化应用，但要避开“伪智能化”陷阱，因为效果导向比技术堆砌更加重要。中小银行的智能化绝非单纯的技术采购，而是一场“顶层主导、全员参与”的变革。大模型能发挥预期作用，离不开“实质落地”：一是要避免“重展示轻实用”。大模型若无法嵌入实际业务应用场景，反而浪费资源；二是要避免“重采购轻运营”。引入智能工具并实施部署后，要不断开展大模型运营监测，深度结合应用场景，持续开展参数调优及模型训练，否则大模型将沦为“空壳”。基于项目实践经验，宁夏银行深耕信贷管理业务场景，并紧密结合用户需求持续开展系统功能优化。未来，宁夏银行将紧跟人工智

119、能技术发展，不断挖掘“宁银小智”大模型应用能力，深度赋能信贷全流程、多场景领域。将在“调查报告智能撰写、客户风险智能筛查、审查审批智能辅助、行业产业智能洞察”等业务场景中不断深化应用，并联动行内信贷系统、押品系统以及营销类系统等，高效响应多场景需求，实现大模型的高效部署、创新应用。况、竞争格局等内容展开提问获取可溯源的分析文本及相关图表，辅助市场研判。5.提高工作效率六、经验总结36重庆银行：基于大模型与知识图谱技术融合的数智尽调平台一、项目背景及目标二、项目创新点随着信息技术的飞速发展，金融行业正经历着深刻的变革，银行传统的业务模式面临着前所未有的挑战。银行授信业务的尽职调查作为信贷业务开展

120、的核心环节，对于评估企业风险、保障资金安全以及制定合理的金融服务策略起着至关重要的作用。然而，传统的人工尽调方式在数据获取、处理效率、风险识别等方面存在着诸多不足，已难以满足现代银行业务快速发展的需求。近年来，生成式人工智能的迅速发展正在重塑银行未来业态，银行业已开启数字化转型“加速跑”。重庆银行将人工智能技术作为核心驱动力，全面深化战略布局，以“技术筑基-场景破局-生态共赢”为战略框架，从场景、业务、数据、算力、安全五个维度进行能力提升，全方位推进“技术创新+场景赋能”双轮驱动模式。我行数智尽调平台以公司业务尽职调查作为大模型应用“小切口”，构建“数据整合 智能分析 决策支持”三层能力体系，

121、实现尽调流程数字化升级，为一线提效减负，旨在促进金融产品和服务创新，提升服务实体经济质效，以金融创新驱动高质量发展。集成来自政府公开渠道、信用评级机构、行业协会和社会公众媒体等多个外部数据源，主要为税务信息、发票数据、征信数据等授权数据，工商信息、司法信息、知识产权、招中标信息、舆情信息等公开数据；充分与行内数据进行整合，主要为信贷业务数据、行为数据、交易数据、财务数据等；确保信息的全面性和实时性。在数据整合过程中，对不同来源的数据进行清洗、标准化处理，消除数据冗余、重复和错误，确保数据质量。通过高性能的数据处理引擎，支持并行计算和分布式数据处理，能够同时分析多条数据流，显著提升数据处理的速度

122、，使得客户经理可以在最短时间内获得分析结果。在信息整合和加工共享的基础上，对客户信息和数据进行结构化处理与特征指标加工等深度挖掘与处理，依据行内风险偏好，设置百余个风险指标，对客户数据进行全面细致的扫描，用于负面事件筛查。一旦发现潜在风险点，系统会迅速输出详细的筛查结果，包括风险类型、风险程度以及可能产生的影响等信息。同时，基于专业的风险评估模型和丰富的业务经验，系统还会给出针对性的行动建议，如进一步核实某项信息、调整授信额度或采取相应的风险防范措施等，真正实现了风险管理的前置。在风险筛查的同时，借助大数据技术，系统将为客户生成全方位 360 画像。这一画像不仅仅局限于客户的基本信息，如企业名

123、称、注册地址、法定代表人等，还深入挖掘客户的关联信息，包括股权关系、上下游供应链关系、担保关系等，清晰呈现企业在市场网络中的位置和影响力。对于财务风险，通过对财务数据的深度分析和模型预测，评估企业的财务健康状况，预测潜在的财务危机。在经营模式方面，结合企业的业务流程、市场定位、销售渠道等信息，剖析其经营模式的优势与潜在风险。此外，1.多渠道数据整合2.数据分析与客户画像372025 金融大模型应用与智能体建设案例集智能风控与合规管理三、项目技术方案探索以“数据+算法”驱动，结合大数据、机器学习和决策引擎等前沿技术，应用于精准营销和风控决策等场景。为了更精准地衡量各因素对企业风险的影响程度，系统

124、借助数据分析技术，基于行内风险偏好，结合企业财务指标、经营绩效评估、信用历史与行为分析、行业与市场环境分析等多维画像，将各个指标的权重和影响力进行量化。在此基础上，系统精心构建了四大决策模型，分别为产业分析模型、客群挖掘模型、量化评估模型和企业综合评分模型。产业分析模型通过对大量行业数据的深度挖掘和分析，把握不同产业的发展脉络、周期特点以及竞争态势。它能够预测产业的未来走向，帮助银行提前布局，优化信贷资源在不同产业间的配置，避免因产业系统性风险导致的信贷损失。客群挖掘模型利用机器学习算法，对海量客户数据进行聚类分析和特征提取，它能够发现不同客户群体的潜在需求、行为模式和风险特征，帮助银行精准定

125、位目标客户群体，实现差异化营销策略。量化评估模型运用复杂的数学模型和统计方法，对企业的各项风险因素进行量化计算，它综合考虑企业的财务风险、经营风险、市场风险等多个方面，为企业的风险状况提供一个精确的量化评估结果。企业综合评分模型则是在前述三个模型的基础上，对企业的综合实力和信用状况进行全面评价。它将各个维度的评估结果进行整合，通过历史数据的训练，不断优化模型的参数和算法，提高模型的精准度和业务可解释性。经过反复训练和验证，该模型能够精准地计算出企业的综合能力评分，这一评分全面反映了企业的综合实力和信用状况。客户经理可以依据这一评分，快速、准确地了解企业的基本情况，为其提供精准的企业能力评价，从

126、而在信贷业务中做出更明智的决策，如确定合理的授信额度、贷款期限和利率等。通过梳理行内不同行业、不同产品的业务尽职调查模板，形成预设的报告模板，基于自然语言处理技术，将尽调报告自动生成结构清晰、逻辑连贯的报告框架和内容。报告涵盖了企业经营分析、行业分析、财务分析、风险缓释措施等多个方面，支持将报告输出为 Word 格式，方便用户进行保存和编辑。此外，还可以根据数据情况实现报告的实时更新，确保数据的时效性和准确性，满足银行对于尽调报告的全面要求。为提升信贷报告撰写质效，拟在银行尽调场景中应用大模型技术，实现报告模版理解、自动化文档解析、信贷报告生成等功能。需建立以下大模型能力：一是模版理解，解析各

127、产品、各行业尽调模版样式，理解模版填写要求；二是信息提取，多模态识别原始资料，对多种信息源进行识别、清洗、提取；三是数据分析，根据已有数据进行风险分析、进行数据分析及对比、趋势预测等；四是报告生成，将各类信息结构化，并填写到模版对应部分；五是报告复核，对报告内容进行审核及溯源。基于以上功能要求，构建了“数据-模型-应用-安全”四层协同架构体系。底层数据层，整合财务数据、交易数据等行内数据和工商、司法、舆情等外部数据以及非结构化文档，通过ETL管道实现多源异构数据的清洗和标准化。模型层，运用 DeepSeek-V3-0324 满血版和 Qwen-QwQ-32B 等开源大模型，并基于 vLLM 分

128、布式部署，在开源大利用自然语言处理技术对海量的行业舆情数据进行分析，及时掌握行业动态、竞争对手情况以及企业自身的口碑评价，为银行提供全面、立体的客户视角。3.量化模型支撑智能决策4.基于 AI 自动生成尽调报告系统架构38模型应用平台进行场景开发。融合规则引擎和知识图谱构建“生成+推理”双驱动架构，支撑文档解析、风险关联分析等核心能力。应用层，通过 API 接口调用，在数智尽调平台集成大模型应用平台功能，将大模型能力具像化为自动化报告生成、风险可视化分析等模块，嵌入现有尽调工作流程，实现人机协同。安全层贯穿全域，采用动态脱敏、联邦学习技术保障数据隐私，实现全流程风险可控，形成从数据治理到业务价

129、值转化的闭环技术支撑体系。1.分布式数据湖结构：数据融合与价值挖掘的基石分布式数据湖架构在数智尽调平台中处于关键地位，它搭建起跨平台、多模态的数据治理中枢，为全域数据融合与价值挖掘创造了条件。通过引入 CDC（Change Data Capture）技术和高可用部署体系，平台能够实时同步行内业务数据，确保数据的时效性与准确性，让银行在尽调时获取的信息始终贴近企业运营实际情况。从数据存储层面看，分布式数据湖采用混合存储策略。对于结构化数据，如企业交易流水，平台运用列式压缩存储和增量更新技术，既减少了存储空间占用，又能快速处理新增数据，提升数据查询和分析效率。对于非结构化数据，像抵押物扫描件、尽调

130、录音等，平台实施对象存储并进行元数据标签化处理，借助 NLP 技术将尽调笔记转化为可检索的知识节点，便于后续深度挖掘和利用。凭借统一的数据目录服务和细粒度权限控制机制，分布式数据湖不仅满足了银行合规审计的要求，还为智能信贷决策提供了坚实的数据支撑。在实时风险预警场景中，系统能依据整合后的数据，迅速发现企业异常交易行为；在关联交易穿透分析时，可清晰呈现复杂的企业关联关系，助力银行全面把控风险。2.NLP 技术：从文本到洞察的桥梁自然语言处理（NLP）技术赋予数智尽调平台理解和处理自然语言的能力，实现从形式化文本分析到语义深层次理解的跨越。在词法分析环节，平台借助 jieba 工具进行分词、词性标

131、注和命名实体识别，精准提取文本中的关键信息。例如，从企业新闻报道中识别出企业名称、相关人物、事件等实体。句法解析阶段，利用隐马尔可夫 HMM 模型等传统算法和 CKY 算法，平台对句子结构进行拆解分析，理解文本的语法结构和语义关系，为后续的语义理解和逻辑推理奠定了基础。通过预训练语言模型 Masked Language Modeling 和逻辑推理框架算法 Neural Theorem Prover，平台实现动态语义理解和篇章结构推理，能够深入解读文本背后的含义和意图。在数智尽调中，NLP 技术与语音识别、语音合成、视觉问答等多模态技术协同工作，对企业司法、舆情等非结构化数据进行情感解析时，N

132、LP 技术可判断出文本的情感倾向，帮助银行发现潜在风险点。若大量舆情信息对企业持负面评价，可能暗示企业存在声誉风险，提醒银行在尽调时重点关注。3.知识图谱技术：构建企业关系全景图知识图谱以图形化的方式呈现企业实体、事件及其之间的关系，为数智尽调平台提供了一种全新的数据分析和理解方式。我行建立的图分析平台，当前采用 ArangoDB 数据库，兼有 key/value 键/值对、graph 图和 document 文档数据模型，基于其本地集成的多模型特性，搭建高性能程序，支持灵活的可视化效果配置，包括实体、边的可视化效果展示，可支持 K 层展开、最短路径、全路径，也可通过自定义图查询语句进行图查询

133、的 GQL 功能。借助图分析平台的标准化、自动化、灵活化，搭建风控应用场景，充分发挥知识图谱的价值。基于知识图谱技术，平台深度挖掘企业全方位的关联关系，包括股权、人事、担保、资金交易等多种关系类型，并穿透式地分析实际控制人、一致行动人等关键关系。有助于全面了解企业的背景和潜在风险。在评估企业信用风险时，若发现企业与高风险企业存在紧密的股权关联或频繁的资金往来，可提前做好风险防范措施。通过聚类、分类等手段，平台对全量企业客户进行分群和群体特征分析，挖掘企业客户群体风险形态，包括技术实现特点392025 金融大模型应用与智能体建设案例集智能风控与合规管理集团派系识别及风险洞察、担保圈链识别及风险洞

134、察、黑名单关联族谱挖掘及风险洞察、信贷资金用途监测、企业风险传导监测等。在担保圈链识别及风险洞察场景中，平台能清晰展示担保圈内企业的相互关系，预测风险在圈内的传导路径，辅助评估关联授信整体风险，提前制定风险应对策略。4.人工智能技术：智能决策与风险预判的引擎人工智能技术贯穿于数智尽调平台的各个环节，为智能决策和风险预判提供了强大动力。基于多线性回归算法和半监督机器学习等技术，平台综合分析企业财务状况、宏观经济指标、行业舆情等多维数据，结合业务专家经验，量化不同行业景气度指数，推导产业链上下游行业风险传导的相关性。这使银行能够提前预判行业风险，调整信贷策略，优化资源配置。在财务分析方面，人工智能

135、技术通过分析企业财务报表勾稽关系、数据变化情况，并与大量行外财务数据样本交叉验证。并创新性地采用动机分析识别方法，在基于财报完整性、平衡性及波动性分析等自下向上的传统方法基础上，从企业造假动机出发自上向下建立指标联动，构建财务分析模型。该模型能有效识别企业财务造假行为，提高风险评估的准确性。数智尽调平台上线以来，取得了显著的成效。已覆盖全行最高额授信、普惠科企贷等多个对公产品，服务全行多家分支机构，助力对公业务实现上亿元的信贷投放。在优化信贷业务流程方面，数智尽调功能通过同步业务流程、线上智能生成尽调报告，解决了以往尽职调查靠手工耗时费力等痛点。智能生成尽调报告上百份，平均报告自动化完成率高达

136、 60%，为客户经理提效减负，为评审与贷后管理提质增效，同时大幅提升了企业融资效率和客户体验。在提升尽调质量方面，通过对企业所在行业的发展情况、企业资质、财务情况的智能分析，辅助客户经理提供更加全面和准确的企业尽调报告，为后续的审批决策打下坚实的基础，提升评审人员贷中审核效率，提升信贷风险管理质量。在支持新兴产业发展方面，数智尽调平台辅助我行将信贷资金投向新兴产业，从金融供给侧有效助力地方重点产业高质量发展。例如，在支持某新兴科技企业的过程中，平台通过对企业的技术创新能力、市场竞争力、财务状况等进行全面评估，为银行提供了准确的风险评估和授信建议，帮助企业获得了所需的信贷资金，推动了企业的快速发

137、展。一是减少数据处理时间。传统尽调模式下，数据处理工作繁琐且耗时，业务人员需要花费大量时间收集、整理和分析数据。数智尽调平台通过高性能的数据处理引擎，实现了数据的自动化采集、清洗和分析，大大缩短了数据处理时间。平台能够同时分析多条数据流，快速生成数据分析结果，使业务人员能够在最短时间内获取全面、准确的企业信息，为决策提供有力支持。例如，在进行一笔大额信贷业务的尽职调查时，传统方式可能需要数天甚至数周的时间来收集和分析数据，而数智尽调平台可以在几个小时内完成数据处理工作，大大提高了工作效率。二是提高风险识别能力。数智尽调平台借助先进的技术手段，能够从海量数据中精准识别风险点，为业务人员提供全面、

138、深入的风险分析报告。知识图谱技术和人工智能技术的应用，使平台能够挖掘出企业之间隐藏的关联关系和潜在风险，提高风险识别的准确性和及时性。业务人员可以根据平台提供的风险提示，提前制定风险防范措施，1.经济效益四、运营情况五、项目成效40降低信贷风险。例如，在识别企业的欺诈风险时，平台可以通过分析企业的交易流水、关联方关系、财务数据等多维度信息，利用机器学习算法构建欺诈风险模型，及时发现异常交易和潜在欺诈行为，为银行资金安全提供保障。三是简化报告撰写流程。传统的尽调报告撰写工作需要业务人员耗费大量时间和精力，且报告质量容易受到个人经验和能力的影响。数智尽调平台通过自然语言处理技术，自动生成结构清晰、

139、逻辑连贯的尽调报告。平台根据预设的报告模板，将分析结果转化为规范的报告内容，涵盖企业经营情况分析、所在行业分析、财务分析、风险缓释措施等多个方面，并支持将报告输出为 Word 格式，方便用户进行保存和编辑。业务人员只需对报告进行审核和补充，即可完成报告撰写工作，大大简化了报告撰写流程，提高了工作效率和报告质量。一是推动实体经济发展，通过构建本平台，促使银行不断创新金融产品和服务模式，开发出更符合市场需求的个性化产品使得金融服务精准支持实体经济发展的重要领域和薄弱环节，为实体经济发展提质增效。二是提高社会资源分配效率，通过海量数据分析，精准评估企业价值和风险，使银行的资金能够更精准地流向优质企业

140、和项目。有助于提高社会资金的使用效率，避免资金错配，促进资源向更有潜力和价值的领域流动。从项目建设流程来看，可在需求顶层设计、技术架构选型、数据治理三个方面总结经验。在需求设计时，应当重点关注痛点精准识别，通过深度调研一线业务人员需求，明确尽调场景核心痛点，包括多元数据整合困难、报告撰写耗时、风险识别遗漏等问题。在项目管理方面，应注意分阶段规划目标，形成“短期试点-中期扩展-长期深化”的实施路径。在技术架构和选型方面，可采用“大模型+小模型”的组合方案，根据尽调模块特征，选择能力适配的模型。在数据治理及安全保障方面，根据调查报告撰写要素构建结构化知识库，同时通过联邦学习、动态脱敏等技术确保数据

141、不出行，保障数据安全。在应用推广方面，可构建场景验证和敏捷迭代的推广策略。场景化试点方面，在产品选择上，可优先选择标准化程度高的业务场景进行试点，如小微企业贷款。在试点机构选择上，可优先选择业务量大、具有一定数字化转型思维的机构展开试点，收集足量样本，为后续优化迭代做准备。在敏捷迭代方面，构建快速反馈优化机制。以两周为周期收集用户反馈，持续迭代系统功能，保证系统正常运行。2.社会效益1.项目建设经验2.推广经验六、经验总结412025 金融大模型应用与智能体建设案例集智能风控与合规管理首创“智能生态+大模型”协同模式。突破传统风控技术工具化局限，首次将 AI 大模型与风险监测、预警、评估等系统

142、深度融合，构建覆盖预警、评级、偿付能力管理等全场景智能生态体系，实现风险管理从“被动响应”向“多维前置管控”跃迁。研发保险风控领域专用生成式 AI 技术，搭建风险管理知识库，实现全量数据秒级精准查询，突破传统人工查询效率瓶颈，显著提升数据应用价值。T+1 动态风控网与五级监测体系。创新构建覆盖“总-省-地市-市县-网点”五级监测网络，实现 36 个 KRI指标 T+1 时效预警全国覆盖，结合数据标签化与可视化技术，为基层提供实时风险画像，将监管“早识别、早预警”要求转化为量化操作标准，推动风险治理颗粒度下沉至业务末梢。通过构建 RCSA-KRI-LDC 立体化联动模型，通过预设阈值与事件关联规

143、则，实现数据交叉验证与风险信号智能1.技术创新2.管理机制创新3.应用效能提升中邮保险：基于“智能生态+大模型”体系下的操作风险智能联防生态搭建一、项目背景及目标二、创新点近年来，国家金融监管总局持续强化操作风险管理要求，明确提出金融机构需深化风险工具联动应用，实现“风险识别-评估-监测-整改”全链条闭环管理。银行保险机构操作风险管理办法强调，应通过整合 RCSA（风险与控制自评估）、KRI（关键风险指标）、LDC（损失数据收集）三大工具，构建多维风险视图，提升风险防控的协同性与前瞻性。中邮保险基于监管导向与行业趋势，针对传统风险管理中存在的数据孤岛、基层触达弱、响应滞后等痛点，启动“智能生态

144、+大模型”数字化闭环体系建设。以智能风险管理（IRC）系统为核心载体，响应监管对“工具联动、穿透管理”的要求，率先探索“AI 大模型+风险工具联动”模式，着力解决三大核心问题。一是风险工具割裂，RCSA、KRI、LDC 独立运行，数据无法交叉验证，风险信号碎片化；二是基层风险盲区，总省两级监控难以覆盖地市、县区及网点末梢，风险识别颗粒度不足；三是处置效率低下，人工依赖度高，风险预警与整改脱节，难以满足监管“T+1”时效要求。本成果通过“技术重构+管理革新”双轮驱动，攻克保险业数据孤岛、基层触达滞后、动态响应薄弱三大痛点，以“大模型+智能生态”为核心，构建 RCSA-KRI-LDC 立体化联动模

145、型，实现风险防控能力跃升与行业范式升级，兼具创新性、实用性和可推广性。42推送，满足监管对工具协同的要求；依托动态风险指标体系，将 KRI 监测延伸至网点层级，确保五级机构风险偏好一致性。集成 AI 大模型与专用知识库，实现风险数据秒级定位、归因解析及处置建议生成，推动风险处置从“人工研判”向“智能决策”升级；搭建“总-省-地市-市县-网点”五级穿透式监测网络，风险识别颗粒度细化至末梢流程，提前拦截潜在风险。通过联动看板实时展示工具交叉验证结果，支持风险点分类管理与流程地图一键生成，实现可视化穿透分析；建立“识别-评估-预警-整改-报告”全流程闭环，整改响应时效压缩至 24 小时内，推动风险管

146、理从“分散式事后处置”向“集约化前置管控”转型，对标行业领先实践。智能风险管理（IRC）系统采用分层解耦架构设计理念，构建起功能架构-技术架构-部署架构的三维协同体系。在功能架构层面，通过业务模块化设计与标准化接口封装，实现风险识别-评估-监测-整改的全流程闭环管理；技术架构依托微服务框架与分布式计算引擎，保障实时决策引擎的高并发处理能力；部署架构采用容器化编排与自动化运维平台，支持混合云环境下的弹性伸缩与灰度发布。通过架构间的分层治理与松耦合集成，最终达成应用层人机交互敏捷高效、服务层业务逻辑精准执行、基础设施层资源调度稳健可靠的立体化建设目标，为金融机构实现风险防控数字化转型提供全栈式技术

147、底座。三、项目技术方案1.功能架构2.技术架构432025 金融大模型应用与智能体建设案例集智能风控与合规管理系统已推广面向中邮保险总省两级近 3000 人使用，并进行系统功能使用培训。对用户权限进行分级管理，不同管理层级用户对应不同查看与使用权限，在确保系统数据安全前提下，实现风险管理信息精准推送与分级赋能，使得各层级能够迅速、有效的接收到最全面的风险信息并及时处置/缓释风险。构建五级监测体系，KRI 指标 T+1 预警覆盖全国网点，风险识别效率提升 200%；LDC 事件全流程线上化，智能表单替代人工填报，数据收集效率提升 150%；RCSA 评估自动关联风险点与责任部门，整改任务一键生成

148、，操作风险评估效率提升 120%。通过标签化、可视化与自动化联动，实现“监测-处置-优化”闭环提速，推动管理下沉与业务高效运转。通过数据穿透、智能预警与动态决策，推动风险管理从“被动响应”向“主动防控”转型。通过自主研发深度融合风险管理工作需求，打造了覆盖风险识别、评估、预警、处置、整改的完整数字化闭环。该体系突破性地解决了保险业长期存在的“线下手工操作-线上碎片化管理”割裂问题，实现风险事件上报时效从72 小时压缩至 12 小时。特别是在操作风险应对领域，系统通过规则模型的实时查询，填补了系统性线上风控的空白。完成风险管理“大模型+智能生态”的协同模式落地，实现对企业发展过程中面临的风险隐患

149、进行多维前置管控。构建了行业“总-省-地市-市县-网点”五级穿透式监测网络，突破传统机构层级的平面化监控模式，将风险定位精度提升至网点级颗粒度。配套开发的“机构风险全景图”等可视化看板，运用动态流数据处理技术，实现各机构层级、上万个个网点的的实时风险态势投射，支持管理者在短时间内完成区域性风险点的有效定位，推动行业四、运营情况五、项目成效3.部署架构1.全流程数字化闭环：系统性重塑行业风控标准2.数据穿透可视化：重构风险管理空间维度44风险治理进入“细胞级”管理时代，进一步提升风险管理智能支撑水平。监测数据时效实现 T+1，网点级别 KRI 指标达 36 个，赋能省分机构实现风险“早识别、早干

150、预”。成功实现与整合风险预警（KRI）、操作风险与控制自评估（RCSA）、操作风险管控（LDC）等 12 个核心子系统的深度整合，构建了日均处理量达百万条的智能风控中枢。率先探索 AI 生成式大模型在风险垂直领域的应用，突破传统风控数据孤岛的瓶颈，该项技术在行业处于先进水平，以“数据直达、智能直达”的实践成果，研发的“风控认知智能引擎”实现语义解析准确率达 90%以上，风险决策响应速度提升至秒级，标志着保险业正式进入风险认知智能决策阶段。中邮保险“智能生态+大模型”操作风险联防项目的成功实践，为金融业风险管理数字化转型提供了可复用的方法论：一是以“监管导向+痛点攻坚”双轮驱动，精准定位数据孤岛

151、、基层触达弱、响应滞后三大行业痛点，通过技术重构与管理革新协同发力，构建覆盖“总-省-地市-市县-网点”五级穿透式风控网络，将监管要求转化为量化操作标准；二是“分阶段+模块化”实施策略，采用瀑布模型与敏捷开发融合的交付模式，通过需求优先级矩阵与 DevOps 持续集成，严控技术债务的同时实现核心功能快速上线；三是“用户中心+生态协同”设计理念，以基层需求为导向，通过 AI 大模型与 RCSA-KRI-LDC 联动模型，实现风险数据秒级定位，推动风险处置从人工研判向智能决策升级；四是“数据直达+分级赋能”运营机制，构建五级权限管理体系与可视化穿透看板，通过标签化、自动化技术实现风险信息精准推送，

152、保障总省至末梢机构风险偏好一致性。项目验证了“技术+管理+生态”三位一体的风控范式升级路径，为行业提供了从工具协同、流程重塑到智能跃迁的完整解决方案。3.生态化平台集成：打造智能风控超级枢纽六、经验总结452025 金融大模型应用与智能体建设案例集智能风控与合规管理1.全栈支持信创，架构先进、可拓展性、兼容性好、适用性、稳定性、安全性强；2.国内首个基于 DeepSeek 等大模型技术的创新合规管理工具，助力天津银行实现合规管理效率的大幅提升；3.方案对齐监管规则和要求，稀缺性价值高，以数智驱动管理思路，形成超越流程管理的领先数智化监管合规管理；4.用户交互体验更友好，利用智能化技术手段大幅降

153、低了用户使用的困难度，让系统更好用，用户愿意用；5.为一线用户减负赋能，提供系列 AI 合规助手和工具，实现智能化辅助支持高效工作。“AI 合规官”的设计和规划与天津银行战略重点、技术升级和合规管理流程紧密联系，通过以 DeepSeek 大模型一体机为核心底座、软硬件的深度融合与优化，旨在打造以“监管法规”为核心，以“数智化”为手段、以畅通“制天津银行：“AI 合规官”数智化项目一、项目背景及目标二、创新点三、项目技术方案十八届三中全会以来，党中央在以习近平同志为核心的党中央团结带领全党全军全国各族人民，持续从社会主义市场经济体制、经济高质量发展体制、创新体制机制、经济治理体系等多方面通过建立

154、和健全制度体系、进一步深化各项改革措施。为此，针对金融行业，党中央和国家监管机构也在各类管理措施中，明确加强了银行金融机构对内控合规制度管理体系的要求：“及时、动态地将监管规定转化为内部规章制度”、“要把合规性审核作为制定或修订内部重要制度的必经程序”、“要强化管理制度化、制度流程化、流程信息化的内控理念，将各项业务制度的合规管理要求嵌入业务流程中”。2024 年的政府工作报告中也明确提出“深化大数据、人工智能等研发应用，开展人工智能+行动”。国家金融监督管理总局令 2024 年第 7 号公布了金融机构合规管理办法，将于 2025 年 3 月 1 日正式实施。此举标志着我国金融业合规管理迈入了

155、一个新的阶段，具有里程碑意义。面对党中央、监管机构持续加强针对金融机构的风险整治和管理力度，银行机构在合规管理方面面临巨大挑战，合规成本投入不断增加。当前信息时代正在加快进入银行合规内控的发展阶段，伴随着以大数据、人工智能(AI)、ChatGPT 等为代表的信息技术的高速发展，为合规内控管理提供了新的手段与方法，人工智能技术上的突破层出不穷，逐渐深入地赋能千行百业，推动人工智能要素已成为新质生产力的典型代表。在此背景下，天津银行通过引入和合信诺“AI 合规官”领先解决方案，打造横向到边、纵向到底的数智化监管合规管理体系，将合规基因注入天津银行发展决策、业务经营的全过程、全领域。例如，在外规监管

156、制度跟踪过程中，通过“AI 合规官”可以实现监管法规政策条款的自动化拆解，完成对制度层级以及条款层级的自动化打标签，从而实现监管政策解读以及要求从文本内容向条款化、结构化转化的过程。此外，可按照最新的监管法规政策要求，自动化沉淀一套监管的红线合规要求，突破了以前需要人工整理监管要求的做法，为后续开展监管检查提供了精准的相关检查线索，大幅提升了监管合规管理效率。此外，天津银行“AI 合规官”解决方案，搭载了全球领先 copilot 智能合规 AI 助手，可提供智能合规问答、法规政策智能问答、制度规范性和一致性智能审查、多知识库智能问答、长报告/法规政策快速解读等诸多实用和创新功能，大幅提升合规管

157、理工作的效率、降低运营成本，真正达成降本增效的业务目标和数智化监管合规的高质量发展目标。46度传导”为主要目的“合规内控生态圈”，通过引入大语言模型及 AI 技术，对接内外部知识库、数据库，实现自然语言交互实时问答及回复监管合规领域相关问题等，具备高效性、准确性、个性化、安全性以及低成本特点。该项目上线后在我行得到全面推广应用，覆盖天津银行各相关业务部门。运行期间系统稳定，未出现重大故障，为用户提供高效、可靠的监管政策法规咨询和分析服务，有效支持业务开展，得到了全行用户广泛认可。对于银行业内其他正在寻求转型或准备转型的机构具有很大的启发和借鉴意义。这一创新举措体现了数智化合规管理对业务发展的全

158、面支持，通过迭代传统合规管理手段和做法，构建科学、智能、有效的合规管理架构和 AI 工具，实时跟踪监管政策变化，并赋能一线业务，有效提升数智化水平及工作效率、提升合规风险监测、预警及治理能力，确保天津银行合规管理始终符合最新监管要求，加快实现从“被动监管遵循”向“主动合规治理”的转变，推动天津银行法治建设和高质量发展。通过对天津银行“AI 合规官”项目的跟踪、复盘和总结，有如下经验在后续建设中为同业机构建议参考借鉴：1.加强企业合规管理，提高依法合规经营水平不是单一搭建数字化、智能化信息系统和工具这么简单。它是一项企业级工作，需要整体布局规划，包括业务流程的优化、业务系统的管控改造、全面的数据

159、治理。高层真正的重视是成功关键。2.数智化合规管理项目不能烟囱式建设，一定要打通底层数据，这样才能够做到口径统一，数出一致，也为未来灵活扩展和进一步深化在 AI+法律、AI+合规、AI+内控、AI+风险、AI+审计等高价值及复杂场景的应用奠定基础。3.合规治理数智化不是一蹴而就的，它是个持续工程，需要长期坚持不懈。坚持以用提质，数据的质量是在高频的使用中得到提升的。在数智化金融监管趋势下，天津银行将持续加强合规管理体系和能力建设，不断提升监管合规管理质量和效率，深化锻造数智化能力，赋能公司业务稳定、健康和高质量发展，为金融强国建设贡献天津力量。四、运营情况五、项目成效六、经验总结472025

160、金融大模型应用与智能体建设案例集智能风控与合规管理在本次基于大模型和 RAG 驱动的智慧合规助手建设中，我们通过创新的方式实现了合规服务的智能化升级。以下为具体创新点描述：潍坊银行：基于大模型和 RAG 驱动的智慧合规助手一、项目背景及目标二、创新点在金融监管政策持续加码、合规要求日益精细化的背景下，监管机构明确将数字化转型作为提升合规管理质效的核心路径。国家金融监督管理总局 2025 年 3 月施行的金融机构合规管理办法强调“充分运用数字化、智能化手段提升合规管理的实时性与精准性”，人民银行金融科技发展规划（2022-2025 年）明确提出“探索人工智能、大数据、区块链等技术在风险防控、合规

161、管理中的深度应用，构建智能化风控模型与动态合规监测体系”。面对银行业制度库中海量制度条文，传统检索因效率低、时效性差、解读碎片化等问题，已难以满足“实时响应、精准识别”的要求。在此政策框架下，建设智能化合规工具成为金融机构应对监管趋严与业务敏捷发展双重挑战的必然选择。随着潍坊银行数字化业务场景的持续拓展，高频次的监管政策迭代与复杂化的业务合规需求，对传统合规服务模式形成显著挑战。业务部门对制度查询的实时性、多维度关联解读需求日益迫切，而传统查询模式效率、人力瓶颈逐步凸显。在此背景下，潍坊银行聚焦合规管理数字化升级，依托大模型技术的语义理解能力与 RAG 技术的知识检索优势，打造“智慧合规助手”

162、，构建“检索-生成-校验”一体化智能引擎。通过精准匹配制度条文与智能化解读输出，在提升合规响应效率的同时强化风险管控能力，推动合规服务向精准化、标准化、可溯化的新模式升级。基于行内大模型，深度融合 RAG 技术实现制度库的动态检索与智能问答，有效突破传统检索模式效率瓶颈。通过自建政策知识库的动态维护机制，实时整合最新制度文本，采用“向量检索+语义增强”双引擎技术，将非结构化制度文本转化为高精度语义向量，在问答过程中实时注入最新制度内容，既保留了大模型的自然语言理解优势，又通过结构化知识锚定有效抑制模型幻觉问题。系统特别强化了多轮对话与上下文关联分析能力，可精准解析复杂业务场景中的隐含合规诉求，

163、例如跨章节制度关联、模糊条款解释等场景，确保输出的每个合规结论都严格遵循现行有效制度规范。系统提供多维度交互分析看板，支持实时查看问答日志、标注关键会话案例，并内置性能监测模块统计日活用户量、平均响应时长等核心指标。管理人员可通过可视化界面分析高频咨询话题分布，识别政策盲区或表述模糊条款，手动调整模型检索权重或补充标注数据。通过会话日志记录高频咨询要点，为人工优化模型提供数据支撑。针对复杂政策咨询场景，系统提供人工标注工具，支持对模型输出的条款匹配度进行分级标记，沉淀的标注数据集将用于定向优化检索模型效果。1.技术融合创新2.交互优化与效能监测48系统创新设计政策关联推荐功能，在回答用户提问时

164、自动呈现相关度较高的关联条款，推荐依据来源于历史会话的共现分析和政策文本的语义关联。对于高频咨询的共性政策问题，支持管理人员手动配置标准解读模板，当检测到同类问题时优先调用预设解读方案，提升响应一致性与准确性。通过分析用户历史咨询记录和岗位特征，主动推送关联度高的制度条款和典型案例，实现合规服务从“人找知识”向“知识找人”的范式转变。智慧合规助手建设遵循“技术筑基-流程优化-服务升级”的推进路径，分阶段完善合规智能服务能力。一阶段完成基础能力搭建，自建政策知识库，部署 RAG 引擎实现政策文本向量化存储与基础问答功能，开发会话日志记录系统与基础性能看板（日活用户、响应时长等指标），在业务部门开

165、展试点并建立人工标注优化流程。二阶段重点优化服务流程，扩展多轮对话理解能力，开发高频问题统计模块与人工标注工具，支持管理人员根据日志分析调整检索权重，在试点部门实现制度匹配准确率量化评估，建立人工标注数据反哺模型优化的标准流程。三阶段推进服务闭环建设，基于历史会话日志构建常见问题知识沉淀库，开发简单版条款关联推荐功能，完善覆盖检索准确性、响应速度、人工干预率的多维度评估体系，形成“问题记录-标注优化-模型迭代”的可持续改进机制。2.1 平台业务架构潍坊银行智慧合规助手是以大模型与 RAG 技术为核心，结合银行业合规管理需求构建的智能问答服务平台。平台集成制度动态检索、多轮对话理解、人工标注优化

166、、效能监测等核心模块，自建知识库精准检索关联制度条文，支持政策文本向量化存储与语义检索，确保合规回答的准确性与时效性。基于“大模型+人工校验”的双重机制，建立覆盖问答全流程的闭环管理，包括会话日志记录、高频问题分析、人工标注反馈等环节，形成“检索-响应-优化”的可持续改进体系，助力合规服务从传统人工查询向智能辅助决策转型，提升合规响应效率与风险防控能力。2.2 平台技术架构智慧合规助手采用轻量化微服务架构，实现大模型推理与 RAG 引擎的融合部署，集成政策文本向量化引擎、多轮对话管理模块、人工标注工具及效能分析看板。内置会话日志系统记录用户咨询详情与模型响应数据，支持人工标注关键案例并反哺检索

167、模型优化。质量管理方面，构建覆盖制度匹配准确率、响应时效、人工干预率的多维度评估指标，结合可视化看板动态监测日活用户量、会话峰值等运行状态。同时，与行内日志管理系统、用户权限管理体系无缝集成，确保服务合规性与数据安全性，为全行提供高效、可控的智能合规支持。3.智能辅助与精准推荐1.项目规划2.建设方案该项目上线后在我行得到全面推广应用，覆盖天津银行各相关业务部门。运行期间系统稳定，未出现重大故障，为用户提供高效、可靠的监管政策法规咨询和分析服务，有效支持业务开展，得到了全行用户广泛认可。对于银行业内其他正在寻求转型或准备转型的机构具有很大的启发和借鉴意义。三、项目技术方案492025 金融大模

168、型应用与智能体建设案例集智能风控与合规管理1.经济效益通过建设智慧合规助手，将制度检索、智能问答与服务优化流程深度融合，实现合规咨询服务的标准化管理与智能化升级。目前，该平台已覆盖多个主要业务条线的日常合规需求，支持复杂场景下的多轮对话交互与政策精准匹配，显著缩短人工查询制度的时间成本。通过持续优化语义理解算法与人工标注反馈机制，有效降低条款误读风险，提升合规应答的准确性与权威性。系统运行期间积累的对话日志与用户行为数据，为识别制度盲区、优化服务流程提供实证依据，逐步形成“智能响应-人工校验-知识迭代”的良性循环机制，为全行合规管理数字化转型奠定实践基础。(1)提升合规服务效率。通过智能问答与

169、精准检索技术，显著缩短人工查询制度的时间成本，减少重复性工作投入，加速业务决策流程。(2)优化人力资源配置。自动化问答服务与高频问题沉淀功能，释放合规人员基础查询压力，使其聚焦于复杂场景分析与风险研判，提升专业价值产出。(3)增强业务敏捷性。通过快速响应制度咨询需求，支持业务部门及时把握合规边界，缩短新产品、新业务的合规评估周期，助力业务创新落地。四、运营情况五、项目成效图 1.平台应用架构502.社会效益(1)推动合规管理数字化转型。构建智能化合规服务模式，为银行业探索人机协同的合规管理体系提供实践范例，促进行业合规服务标准化进程。(2)强化风险防控能力。通过精准解读与动态更新的制度服务，提

170、升全行合规执行力，增强金融业务规范性，助力维护区域金融稳定。(3)培养“业务+技术”复合人才。系统建设与优化过程中，推动合规团队掌握智能工具应用与数据分析能力，培育兼具制度解读与技术思维的复合型人才梯队。1.制度为本 2.渐进拓展 3.数据驱动 项目启动阶段需立足合规管理本质，优先建立“制度解读标准化”体系。通过全面梳理行内制度库结构与业务场景关联性，明确智能问答服务边界与责任归属，制定标注标准、响应分级、人工校验等全流程规范。重点固化制度检索优先级规则与模糊条款处置机制，确保智能应答既符合技术逻辑，又严格遵循行内合规管理要求，为服务可控性奠定基础。推广策略需兼顾服务价值与实施可行性，分层次推

171、进能力覆盖：优先选择业务影响面广、技术实现复杂度低的场景建立服务标杆，通过标杆案例沉淀标准化实施模板；随后延伸至低频但规则明确的场景，依托既有经验加速复制；对跨系统协同、高复杂度场景，采用“业务专家+技术团队”联合攻坚模式，逐步突破技术瓶颈；针对投入产出比低的边缘场景，建立动态评估机制，聚焦资源优先保障核心服务能力迭代。构建覆盖问答全链路的量化评估体系，持续追踪制度匹配准确率、响应时效、人工干预率等核心指标，结合满意度反馈与标注数据分析服务短板。通过高频问题聚类识别制度盲区，利用误判案例逆向优化语义检索模型，形成“数据采集-问题归因-策略优化”的闭环管理。定期输出服务效能报告，为制度库更新、功

172、能迭代提供决策依据，推动智能合规服务从经验驱动向数据驱动的精细化运营转型。六、经验总结512025 金融大模型应用与智能体建设案例集智能风控与合规管理风控模式革新：建立“法眼洞察”实时异常监测机制，覆盖 40 余类异常场景，724 小时实时监测系统运行与业务流程，精准识别异常情况并主动预警，借助短信、系统通知等多渠道,确保风险信息第一时间触达责任人，大幅提升应急响应效率，推动风控模式向“主动干预”转变。审核技术突破：“智脑会审”依托“智能 OCR+DeepSeek”双引擎，实现从精准文书识别、智能信息提取、深度内容分析到报文自动校验的全链条闭环处理，全面革新文书审核模式，审核效率提升 97%，

173、人工干预需求大幅降低。质检体系升级：全面整合多源数据，借助自动化质检程序对业务进行“全控严检”，将传统人工抽检模式升级为 100%全量自动化检测，结合“机审+人核”双轨机制，质检效率提升 93%，升级重构了网络司法查控业务处理的事后监督模式。青岛银行：“法眼智控”网络司法查控 AI 管理体系一、项目背景及目标二、创新点三、项目技术方案近年来，网络查控业务量迅猛增长，传统人工审核模式在处理效率与操作风险防控方面已难以满足实际需求。同时，业务的快速发展也对事后质检覆盖度和实时风险干预能力提出了更高要求。为应对挑战，青岛银行立足“数智化运营”体系建设，依托人工智能技术，打造集实时监测、智能审核、精准

174、质检于一体的网络司法查控AI管理体系。项目旨在通过科技赋能，全面提升司法查控业务的处理效能与风险防控水平，构建“覆盖全流程、管控全链条、响应全时段”的新型业务模式，为有权机关高效、合规开展司法查控工作提供坚实服务支撑。“法眼洞察”智能监控机制：为全面提升网络司法查控业务的安全性与稳定性，搭建“系统+业务”双维度监控网络。系统层面，“法眼洞察”对各接入渠道的服务状态、接口响应及数据传输等关键环节进行实时监测，精准识别异常，保障平台稳定运行；业务层面，深度融合司法查控业务处理流程，动态追踪关键节点，如账户冻结失败、报文反馈失败等异常情况，实现自动识别、智能预警，并通过短信、系统通知等多渠道高效传递

175、风险信息，显著提升应急响应效率，实现风险“自动识别 主动预警-快速处置”闭环，全面筑牢司法查控业务安全防线。“智脑会审”AI 审核功能：司法文书审核是金融机构协助有权机关开展司法查控业务处理流程中的关键环节，青岛银行依托“智能 OCR+DeepSeek”双引擎，构建起一套高效、精准、智能的司法文书自动审核体系。借助智能 OCR 技术实现对各类司法文书进行精准识别和内容提取，并利用 Deepseek 自然语言处理和深度语义分析能力，智能校验文书信息的准确性与合规性，形成从精准文书识别、智能信息提取、深度内容分析到报文自动校验的全链条闭环处理机制，提升司法文书处理的智能化水平与风控能力。“全控严检

176、”业务质检机制：青岛银行全面整合有权查控平台、企业知识平台及核心业务系统等多源异构数据，依托自主研发自动化质检程序，构建“全控严检”高效智能的校验机制。通过深度融合业务规则与监管要求，实现对全量网络司法控制类业务处置结果与反馈信息的自动核验，针对程序标记的异常数据，采用“机器初筛+人工复核”机制，全面重构网络司法查控业务的质检体系，提升质检覆盖面与效率，强化业务数据的完整性、准确性与合规性管理。52“法眼智控”网络司法查控 AI 管理体系上线以来已取得显著成效。在异常检测方面，已覆盖接口异常、控制处理报错等 40 余类场景，贯穿业务接收、解析、处理及上报各环节，全面嵌入系统运行与业务处理全流程

177、；在 AI 文书审核方面，月均处理量超 2 万笔，审核准确率达 97.8%，人工审核量下降 85%。在智能质检方面，质检覆盖率由原 10%提升至 100%，质检效率提升 93%，大幅提升了业务处理的高效性与合规性，为网络司法查控业务稳健运行提供了有力保障。项目实施后，青岛银行在网络司法查控领域的经济效益与社会效益显著。在经济效益方面，通过构建实时异常检测机制，系统响应与处置能力显著提升，有效防范因处理滞后带来的经济损失；同时，依托智能化体系建设，业务运营效率持续优化，月均处理量突破万笔，审核准确率达 97.8%，节约人力成本约 35 人。在社会效益方面，“三位一体”智能支撑体系的建立，显著缩短

178、了业务响应周期，全面提升了服务专业度与业务响应效能。项目打造了智能、高效、专业的新型业务模式，为有权机关开展司法查控工作提供了坚实保障，树立了金融科技赋能司法实践的标杆，彰显了青岛银行在金融科技创新方面的示范引领作用。当前，金融科技已成为驱动金融创新的核心引擎。本项目是青岛银行首次将DeepSeek大模型应用于业务流程中，通过深入调研智能化应用场景，精准识别业务痛点，依托 AI 技术与业务规则的深度融合，成功构建了“事前事中事后”全周期风控闭环。项目建设过程中，“业技术”敏捷小组高效协同，在场景梳理、规则制定及系统优化等关键环节发挥了重要作用，显著提升了我行在网络司法查控业务领域的处理能力与响

179、应效率。项目的成功落地，标志着人工智能技术在金融业务流程中的深度应用，充分体现了技术赋能业务的战略价值。同时，跨部门协作机制凝聚了集体智慧，形成了可复制、可推广的“青岛银行方案”，为行业智能化转型提供了有益借鉴。四、运营情况五、项目成效六、经验总结532025 金融大模型应用与智能体建设案例集知识管理与智能问答1.采用“大模型分布式推理+知识管理流水线”融合架构，通过 vLLM 框架实现百亿参数模型在国产化硬件环境的高效集群部署，推理资源利用率达 78%。2.研发面向金融文档的动态分块算法，通过对 RagFlow 二次开发改造，使之深度融合 MinerU 智能解析引擎与动态分块策略，构建了面向

180、复杂文档的智能分块体系。针对非常规复杂格式文档的特点，引入 LlamaIndex 框架实现定制化的文档分析和分块，提升分块的合理性及效率。3.构建基于多阶段重排序的混合检索体系，通过混合检索双路召回与深度精排模型组合，实现金融领域查询MRR 指标行业领先。4.构建幻觉抑制体系。一方面，为控制生成答案的质量，配置拒绝回答阈值。当生成答案的可信度低于设定阈值时，系统拒绝输出答案，避免生成低质量或不准确的内容。另一方面，采用检索置信度评分、LLM 事实核查双重验证、提词器控制等机制，相较于传统 RAG 方案，幻觉率降低了 42%，有效提升了生成内容的质量。1.打造 知识即服务 新模式，通过 API

181、网关将各类知识库能力注入 OA、ITIL 等多个业务系统，统一接入与标准化接口，降低平台集成复杂度。2.建设智能监控告警系统，基于故障事件智能关联处理方案，提升 ECC 故障排查处置效率。3.构建批量作业调度事件智能化发现与处置能力，提升批量作业调度任务故障排查处置效率。4.实现了文档数据的统一管理，该平台对文档的整个生命周期进行了系统化管理，不仅提升了文档的组织性和可访问性，还确保了信息的时效性和准确性，提升各类文档在存储、检索方面的便利性。系统拒绝输出答案，避免生成低质量或不准确的内容。另一方面，采用检索置信度评分、LLM 事实核查双重验证、提词器控制等机制，相较于传统 RAG 方案，幻觉

182、率降低了 42%，有效提升了生成内容的质量。哈尔滨银行：基于大模型金融机构数智化知识管理系统创新实践一、项目背景及目标二、创新点随着金融行业数字化转型加速，各机构面临海量非结构化文档治理难题。据行业调研显示，头部金融机构年均产生技术文档超 50 万份，但知识利用率不足 35%。传统基于关键词检索方式的知识管理系统存在如下痛点，语义理解能力薄弱导致召回率低下，知识更新滞后造成维护成本高企，敏感数据外泄风险制约智能化进程。本项目创新性地提出“分布式大模型+智能知识管理”双轮驱动方案，通过本地化部署满足金融级安全要求，采用RAG 技术实现动态知识更新，结合深度语义理解突破复杂场景应用瓶颈。技术架构设

183、计重点攻克多源异构文档处理、检索性能优化、基础环境性能及稳定性等核心问题，为行业知识管理范式转型提供可复用的解决方案。技术创新维度 应用创新维度 54三、项目技术方案系统采用分层解耦的微服务架构，构建 数据层-算法层-服务层 三级技术栈。底层基于国产华为昇腾910B 的模型推理服务集群，依托 vLLM 框架实现 Qwen2.5-32B 大模型的分布式部署，通过张量并行与流水线并行技术，将模型推理延迟控制在 800ms 以内。中台层集成经过二次开发后的 RagFlow 知识库引擎，强化了文档解析能力，可支持超过 20 种格式的文件，涵盖 PDF、Word、Excel、PPT、图片以及影印件等金融

184、文档的自动化处理，日均处理量达 2000+文档。服务层通过 Dify 平台实现业务流程可视化编排，构建查询理解-向量检索-重排序-结果生成的完整服务链路。经实际测试表明，RagFlow 自带的原生 DeepDoc 智能解析引擎在处理多层级嵌套的图文排版及复杂表格结构的 PDF 文档时，存在解析精度不足的问题，难以满足金融行业对非结构化数据的深度语义识别需求，基于此，亟需一种更优质的文档解析算法进行替代。经过对市面上常见开源文档解析引擎调研、分析、论证，最终确定了RagFlow 集成 MinerU 的文档解析管理方案。RagFlow 通过深度融合 MinerU 智能解析引擎与动态分块策略，构建了

185、面向复杂文档的智能分块体系，在提升知识处理效率的同时保障了语义完整性。系统依托 MinerU 组件的多模态解析能力，结合 OCR 光学识别与版面分析技术，精准解构 PDF、扫描件等非结构化文档的图文布局，实现对表格、公式、多栏排版等复杂元素的上下文感知。在此基础上的动态分块机制采用双层驱动架构，预设模板库内置学术论文、法律合同、财务报表等 20 余种垂直领域的分块规则，通过语义边界检测自动匹配文档类型。用户自定义模块则支持块大小、重叠比例、特殊标记保留等参数灵活配置，辅以基于 Transformer 的语义完整性评估模型，动态优化分块颗粒度。检索通过运用多路召回技术，结合关键词、语义以及知识图

186、谱检索，实现全方位检索优化。同时，引入 Raptor1.系统架构设计 2.文档解析技术 3.检索优化体系 552025 金融大模型应用与智能体建设案例集知识管理与智能问答四、运营情况五、项目成效六、经验总结分层摘要技术，采用树状分层摘要架构，从块级总结逐步构建到全局索引，显著提升检索效率与准确性。此外，通过调整 Rerank 模型权重，对检索结果的排序进行优化，从而提高检索结果的准确性和相关性。最终由Qwen2.5 大模型进行生成式结果优化，采用指令微调模板确保输出符合金融文本规范。在知识批量加载能力方面，RagFlow 通过 RESTful API 体系提供了工业级数据管道支持。其核心知识摄

187、取接口采用分布式任务队列架构，支持 JSON/XML 标准格式的多模态数据流式上传，单次 API 调用可承载百万级文档片段的批量注入。在知识库动态挂载层面，RagFlow 基于 API Token 的弹性知识路由体系。每个知识库在创建时自动生成具有细粒度权限控制的访问令牌，支持通过 HTTP Header 进行动态绑定。这种设计使得单个推理接口可以实时切换多个知识源，为多租户和各类切换测试场景提供了原生支持。数智化知识管理系统严格遵循业务场景需求导向原则，在需求调研、方案设计、系统开发及测试验证等全生命周期阶段与业务部门保持深度协同，通过精准对接业务流程痛点与知识应用场景实现技术方案的精准落地

188、。自今年 4 月正式上线以来，系统运行稳定，日均知识检索及调用量约 1200 笔次，业务连续性保障有效，获得了行内用户对知识获取效率提升的积极评价，同时通过建立常态化需求反馈机制持续收集具有建设性的功能优化建议，为后续敏捷迭代及服务能力升级提供了重要支撑。项目实施后，行内知识管理效能实现质的飞跃。在运营层面，技术文档处理效率提升 4 倍，知识库更新周期从周级压缩至小时级。ECC 故障及批量作业调度任务故障排查处置效率显著提升，处置准确率从 85%提升至95%，人为操作失误导致的事故减少 80%。业务端数据显示，通过集中管理和快速检索各类知识文档，员工可以快速获取所需信息，减少了资料收集时间；通

189、过对内部经验和知识的有效管理，避免信息孤岛，提升行内的知识管理能力，促进知识共享，推动了全行业务效率的显著提升和管理水平的全面升级。此外，系统建设过程中培养多名复合型 AI 人才，也为金融行业智能化转型树立标杆。项目的成功实施，使每个员工，都能生产知识，获取经验；每个管理者，都能统计知识水平，掌握组织成长；每个组织，都能沉淀知识资产，提升协作效率。本项目成功验证了“大模型+RAG”技术在金融领域的落地可行性，尽管大模型参数规模不断增长，但 RAG 在成本、速度和准确性上仍具优势，尤其适用于海量数据和垂直领域，具有不可替代性。三个核心经验值得借鉴：第一，知识管理体系建设需遵循“数据治理先行，智能

190、应用渐进”原则，建立完善的文档质量管理体系；第二，检索效果优化需要构建 召回-排序-生成 的全链路评测机制，特别是在金融专业术语处理上需设计领域适配方案；第三，大模型落地需与实际业务场景结合，确保技术能更好的为业务服务。未来规划沿着三个方向深化，首先扩展多模态处理能力，实现图表、录音、视频等非文本知识的统一管理；其次探索小样本持续学习机制，构建自演进的知识服务体系；最后在推动国产化生态建设方面，完成从芯片层到应用层的全栈技术验证。4.支持批量知识加载与知识库灵活挂载56智能营销助手系统在技术体系建设方面，由传统业务驱动的定制建设模式转变为 AI 平台化的服务能力建设模式。建立从开发到运行、到运

191、维监控的软件全生命周期管理和治理能力，实现技术+管理双驱动，并广泛应用分布式数据库、缓存、消息中间件等技术，满足多种营销场景，同时具备弹性部署，快速扩容的能力，实现对未来业务高增长下的持续性能保障。另外，研发管理上实现了迭代升级可控的项目实施过程。该平台的建设为我司营销活动开展及业务增长注入新动力，向智能化发展迈出坚实一步。使用 Kubernetes 作为容器编排平台，用于管理和运行应用程序的容器化实例。在 Kubernetes 集群上配置自动伸缩、高可用性、负载均衡和服务发现等功能。使用 Spring Cloud 提供的组件，如 Ribbon（客户端负载均衡）、Hystrix（熔断器）、Fe

192、ign（声明式 REST客户端）等来构建微服务架构。将应用程序拆分成独立的微服务单元，每个服务单元具有特定的业务功能，并运行在独立的容器中。使用 Nacos 来管理应用程序的配置信息，实现配置的统一管理和动态更新。使用 git 工具进行代码的持续迭代和管理，使用发布脚本进行分发部署。中邮保险：基于传统 NLP 以及大模型“双模式”的知识循环体系一、项目背景及目标二、创新点三、项目技术方案传统保险营销人员常面临专业知识更新快、客户咨询量大且多样化、个性化推荐难度大等困境，智能营销助手系统，采用前沿人工智能技术进行搭建，具备 7*24 小时智能问答、保险知识管理和智能推荐的能力，能有效减轻营销人员

193、负担，同时也能帮助营销人员更更精准地触达目标客户，助力营销人员拓展业务提升服务质量和效率，增强市场竞争力，实现业务的持续增长，为保险营销和企业发展注入新的活力。销售人员获取知识需要层层问询相关人员，耗时长、效率低且信息损耗较大，无法及时向销售人员反馈正确的信息。在销售人员面对面与客户销售时，无法第一时间给与支持，仅能依赖销售人员个人知识与技能。系统上线后，销售人员可随时随地自行询问，大幅提高知识获取效率，成为展业出单的得力助手。1.基础设施层2.微服务架构3.持续集成与持续部署572025 金融大模型应用与智能体建设案例集知识管理与智能问答自上线以来用户覆盖 4000 余人，完成超 40 余万

194、次的问答交互。智能营销助手是为公司和渠道营销人员打造的学知识、提能力的专属智能展业工具，在其现有全面产品信息、专业智能问答的基础上，本次通过引入并应用 DeepSeek 模型以及通义千问模型，并创新性地使用“双引擎”模式，使用传统 NLP 模型与大模型相结合，实现公司级知识库内循环，完成整体知识闭环流程，在节约算力、提升效能等方面将得到进一步增强。智能营销助手深度融合 DeepSeek、Qwen 等大模型，通过多模态数据处理与多任务协同技术，显著提升分析精度与运行效能。该系统具备三大核心能力：一是智能推理引擎，突破传统数据分析边界，实现用户画像、消费行为轨迹、风险偏好多维度数据的融合解析，深度

195、洞察用户需求，实现 一人一策 的精准保障方案定制，推动营销人员的服务从标准化向个性化跃迁。二是内置智能知识库，集成动态进化的企业级知识图谱，构建包含产品特色、公司内产品分析的立体化知识矩阵。通过自然语言处理技术实现复杂业务场景的智能解析，为营销人员提供实时决策支持，赋能从业人员实现从经验驱动向数据驱动的专业提升。三是依托大模型的算力优化技术，系统在保持低资源消耗的同时，处理复杂需求的响应速度大幅提升，缩减人工处理问题时间，提供更流畅的交互体验，进一步提升用户体验和满意度，使其聚焦高价值客户深度解析，实现营销能力和服务质效双升级。使用 ELK+Skywalking+Elasticsearch 收

196、集和分析应用程序的日志。使用天牛平台（基于 Kubernetes）对服务和组件进行管理和监控。使用 Kubernetes 的角色 based 访问控制（RBAC）功能，对集群和资源进行访问控制和权限管理。在应用程序层面，使用 Spring Security 来实现身份验证和授权，保护微服务的安全性。使用天牛平台（基于 Kubernetes），对集群和容器的运行状况进行监控和警报。实施自动扩展，根据应用程序的负载和指标进行动态伸缩。除了开放实践中描述的底层技术栈外，还是使用了 ASR、TTS、NLP、RAG 等技术组件和方案。相关技术与项目业务目标完成智能问答相吻合。本次是创新性使用人工智能技术

197、为业务赋能。四、运营情况五、项目成效六、经验总结4.日志与监控5.安全与权限管理6.基础设施监控和故障恢复58此次实践，目标是在国产的海光 DCU 上，建设基于 AI 大语言模型的知识问答系统。借助大语言模型本身的学习能力，在对运维文档进行学习后，回答运维人员提出的问题，从而辅助运维人员快速找到相关的运维信息。让大语言模型从大量未标记的文档中学习知识，通过理解这些文档，大语言模型可以捕捉到其中的关键信息、模型和规律。一旦模型学习到了足够的知识，它就能够对运维人员提出的问题进行理解和回答。这样，运维小助手作为一个强大的辅助工具，能够帮助运维人员便捷得获取所需的运维信息，而无需手动查阅文档，从而提

198、高运维人员的工作效率。江苏农信：基于大语言模型的运维知识管理平台一、项目背景及目标二、实践目标和方案江苏农信历来注重科技创新，积极采用分布式、大数据、人工智能、云计算、AIOps（智能运维）等新兴技术，推动IT运维数字化转型，实现系统运维自动化和智能化，提升运维产能和效率，从而更好地保障金融科技系统安全、稳定、持续运行，为客户提供高质量的金融业务服务。随着 ChatGPT 4.0 的发布与流行，AI 大模型技术呈现快速发展趋势，国家宏观政策也鼓励金融机构进一步投入科技创新，以数智化转型增加金融服务的科技含量。面对新一轮人工智能规模化应用浪潮，江苏农信积极开展生成式 AI 大模型技术的钻研和探索

199、，以其作为新质生产力建设的发力点之一。其中，信息科技部系统运维团队聚焦研发基于 AI 大模型技术的运维知识管理平台“运维小助手”，结合实际工作经验，将传统知识库与AI 大模型技术有机融合，实现不同角色的运维人员在多场景中对运维知识、信息的快速查询与运用，辅助运维人员高效利用相关运维知识，使其能够快速作出精准的运维决策，进一步提升运维工作效能。江苏农信科技系统承载全省农商行万亿级金融资产规模的系统运转，日均处理近亿笔日交易，保障业务的安全性、稳定性与可靠性是一项艰巨而复杂的任务。面对日益增长的海量复杂交易，运维人员缺少快速定位问题、智能辅助分析、自动化归纳总结并形成可复制经验的管理工具，运维管理

200、工作具体面临以下几方面挑战：1.数据分析与理解能力：随着技术的不断迭代更新和 IT 架构的日益复杂化，IT 运维人员每日需处理的信息量呈指数级增长。他们需要不断学习和适应新技术、新架构，以应对这一挑战。如何快速而高效地分析海量的文本和数据，准确理解并妥善处理这些信息，成为了运维人员面临的一大难题。2.系统故障问题定位：针对复杂的 IT 系统，故障预测和诊断工作尤为关键且艰巨。运维人员需深度分析系统日志、性能数据等，以提前洞察潜在故障，迅速定位问题所在，并及时采取解决措施。这一过程中，他们需要凭借丰富的经验和敏锐的洞察力，快速思考，面临的压力巨大。3.自动化分析与总结：运维工作涉及大量重复性任务

201、，如监控系统状态、记录异常事件、分析性能指标等。因此，撰写事件报告、日周报等文档也是运维工作的重要组成部分。运维人员渴望拥有一个智能工具，能够协助他们完成文档和报告的撰写工作，减少手动输入和整理数据的时间，从而加快工作进度，提升整体工作效率。4.知识与流程标准化：在 IT 运维领域，经验和知识的积累与传承至关重要。将各个运维人员的宝贵经验和知识转化为标准化的流程和最佳实践，不仅有助于减轻运维人员的日常工作负担，还能帮助新入职的员工更快地融入团队，掌握工作技能。通过有效的知识管理，可以确保运维团队的知识体系得以持续更新和完善，为银行业务的稳健发展提供有力支持。1.总体架构592025 金融大模型

202、应用与智能体建设案例集知识管理与智能问答“运维小助手”的逻辑架构如上图，包括文档预处理、文档向量化、问题解析、问答知识段落解析、答案生成、前端界面等功能模块。为了兼顾系统在专业性知识的准确性和模型的训练效率，采用将知识外挂作为大语言模型的记忆体的策略，将知识通过 BGE-M3 这一 Embedding 模型向量化后存储在可修改的向量数据库中。我们选用 LangChain 作为基础开发框架来搭建和管理知识库问答系统，不仅为用户提供了便捷的对话交互方式，也为后续的功能扩展和优化提供了良好的基础。而集成的大语言模型 BAICHUAN-13B，则承担了系统的核心功能，负责理解用户提出的问题和知识库中的

203、内容，并重新组织语言生成相应的答案返回给用户。运维文档的切分是构建知识库问答系统中至关重要的一环。我们需要将文档切分成意思完整且独立的知识段落，作为知识库中的最小单位，用于与用户的问题进行匹配。文档的切分直接影响到问答助手对知识的理解和系统的命中率。在切分器的选择上，考虑到运维文档中一个章节内上下文的强关联以及对顺序的要求，我们发现 LangChain 中的通用的切分器如 Recursive Character Text Splitter 等，所使用的切分依据并不适合运维小助手知识库。在这种情况下，我们自开发了切分器，根据文档中自身的章节结构进行切分，保留了文档内部的逻辑关系和语义连贯性。在拆

204、分后，我们引入了每个知识段落所在文档的标题作为额外信息，这一策略能在检索过程中能够更加准确地定位到与用户查询相关的知识点，提升命中率，帮助系统更好的捕捉文档的语义信息，使得系统在进行答案检索时能够更加准确地匹配用户的查询。在使用自开发的拆分器并引入标题作为辅助信息后，测试集问题在知识库中的命中率从 60.5%提升到了77.3%。在切分文档后，章节内容会被通过 Embedding 模型向量化，将它们编码为一个统一的向量空间中的向量。我们在对 Embedding 模型选型时首先尝试了 BGE-LARGE-ZH-V1.5，但由于其支持的 token 数量较低，无法支撑部分较长的运维文档的章节，因此我

205、们最后选用了 BGE-M3。其有能力处理较多的 token，token 数最多可达 8192，这足以覆盖主要运维文档的章节长度，从而确保在知识库中，每个知识点都能包括更为详尽和完整的信息。2.知识库的建立3.文档内容向量化60为了提升模型的表现，我们收集了运维专家针对知识库中的运维文档内容提出的问题，以及在文档中对应的答案。这些问答对作为小样本被用于微调 Embedding 模型，以确保模型能够更好地理解和捕捉到关键信息，并能够在向量空间中更准确地匹配相应的知识点，从而成功提高了模型在运维文档知识库中的命中率和检索性能。同时，我们将微调后的模型和基础模型进行了合并。通常对基础 BGE 模型微调

206、可以提高其在特定目标任务上的性能，但这可能会导致模型在目标领域意外的通用能力严重退化。通过合并微调后的模型和基础模型，可以显著增强特定任务的性能，同时保持其在其他任务中的有效性，为未来拓展其他运维场景铺平道路。我们采用 Prompt Engineering 来改善大语言模型的表现。Prompt Engineering 的核心是在提供尽可能多的上下文信息的同时，通过提供少量示例来更好地让大模型了解当前的任务。大语言模型本身具备一定的关键词提取能力和语义理解能力，可以根据向量化知识库中的内容进行重新理解、提取内容，并组织语言进行回答，但对 prompt的用词比较敏感，有时候改变一个词甚至动词都会导

207、致完全 不同的回应。通过多轮 prompt 的迭代,我们发现大语言模型可以更准确地根据知识库中提取的相关内容生成相应的回答。考虑到运维工作的严谨性，为了保证运维小助手的可靠性和安全性，我们也特别调整了 prompt 的设计，加入例如“根据已知信息”、“不允许在答案中添加编造成分”等限制，以确保大语言模型严格遵循文档所包含的信息来回答用户的问答，避免模型产生 hallucinate（虚假的信息）。同时，在回答问题时，运维小助手会明确告诉用户答案出自哪个文档的哪个章节，并展示该章节的内容。这样既保证了答案的真实有效性，又方便用户快速了解答案的上下文。如果用户提出的问题无法在现有文档中找到答案，运维

208、小助手会明确回答用户无法找到该问题的答案，不会虚构或杜撰任何内容，防止了因为误导而可能导致的运维事故的发生。从技术角度来看，江苏农信运维小助手已经端到端走通，在业务专家准备问答测试集中，回答的命中率超过了85%，完成了基于国产 GPU 的大语言模型知识库问答系统的概念验证，但后续仍需要进一步迭代，持续更新和完善知识库内容，并不断优化模型的表现。一方面，文档质量是运维小助手系统性能的关键因素。为了确保信息的及时性、准确性和全面性，知识库需要根据行内的运维工作要求持续完善和更新，以提高知识库的质量和覆盖范围，这可能涉及到自动化的文档更新和生产数据读取的机制的引入。另一方面，模型本身的能力也至关重要

209、，因此建立健康的模型生命周期是必不可少的。在用户使用过程中，不断收集用户反馈，并依据反馈数据定期对模型进行微调和性能评估，以确保模型始终能够保持高效、准确和可靠。4.大语言模型的微调5.总结612025 金融大模型应用与智能体建设案例集知识管理与智能问答项目目标需求分析项目范围整个项目策划包括以下几点：项目目标、需求分析、项目范围。1.建立一套完备的银行制度知识库，提供便捷的检索服务；2.实现高效的信息管理与知识共享，支持银行内部及外部的政策法规合规。1.用户需求：明确用户(合规部门、审计部门、其他工作人员等)的检索需求和使用场景；2.数据源分析：确认知识库所需的数据源，包括法规条款文件、外部

210、政策文件、行业指南以及操作手册等。包括知识库的构建、数据处理与管理、检索系统和管理平台的开发、用户界面的设计等。杭州银行：基于金融垂直大模型的商业银行制度知识库检索平台一、项目背景及目标二、项目/策略方案银行规章制度是银行正常运作的重要基础。随着金融科技的迅猛发展，银行业务日益复杂，法律法规、内部政策、合规要求也在不断更新。银行及金融机构的合规部门、审计部门等，都需要快速检索和获取相关的制度和政策信息，同时也面临来自监管机构的严格合规要求，对于能够实时更新法规和政策信息，确保合规性、高效的信息检索，提高工作效率，降低人为错误的制度管理和检索系统的需求日益增加。在整个金融监管加强、金融合规严控的

211、政策背景下，银行需要建立健全合规管理体系，确保遵循相关法律法规。随着信息技术的发展，尤其是大数据和人工智能应用如大语言模型的出现，为银行制度知识库检索系统的建设提供了技术支持。越来越多的金融机构开始重视信息化建设，尤其是在合规和风险管理领域，推动了市场对制度管理和检索系统的需求。在这个大背景下，杭州银行围绕“二二五五”战略和“数智赋能”建设，银行制度知识库检索项目开始受到重视并立项。对于我行的制度知识库检索项目，有四大项目目标：1.系统目标：建立一个高效、智能、可扩展的银行制度检索系统，提升信息检索效率；2.业务目标：降低各大业务机构及部门在日常运营中对于制度知识的检索成本，减少因信息不对称、

212、不全面带来的合规风险；3.技术目标：实现高可用性、高安全性和高扩展性的检索系统和文档管理中台，满足不断变化的政策及用户需求；4.用户目标：提升用户的工作效率和决策能力，提供优质的用户体验。62整个项目实施包括以下几个阶段：数据处理与整合、系统设计、开发与测试、上线与培训。数据处理与整合系统设计开发与测试上线与培训1.根据各部门提供的行内制度、法规、政策及相关文档，进行分部门分类别(excel/doc/pdf/markdown/html/ofd 等)的标准化及定制化处理；2.建立数据更新机制，确保知识库信息的时效性。1.确定系统的整体架构，包括前端用户界面、后端数据存储与处理模块；2.设计端到端

213、的算法模型，建立向量存储知识库，支持语义搜索，实体硬过滤，大模型生成式对话以及其他多模态识别等功能。1.前后端开发：用户友好的文档中台界面开发，确保易用性。建立数据库，实现数据存储和文档管理模块；2.算法模型开发：包括知识图谱的构建、图谱链路的检索、query 拓展、文档 OCR 标注与上下文语义的切分、多重检索链路召回逻辑、重排模型优化、多模态大小模型协同优化等；3.测试：进行功能性测试、性能测试和安全性测试。1.系统上线，通过行内微课进行线上+线下的初步推广；2.针对业务运营管理员进行培训，确保用户能够有效使用系统。该项目的创新点主要体现在以下四个方面：采用大模型+RAG 技术：本项目引入

214、了先进的垂直金融零售领域基座模型金磐大模型与 RAG(Retrieval-Augmented Generation 检索增强生成)框架，实现了端到端的模型开发与优化，包括文档切分、query 改写、搜索匹配、向量库存储等，有效缓解了大模型在生成过程中可能出现的幻觉现象，确保生成内容的准确性和相关性，从而大大提高了模型的可靠性。采用知识图谱技术：银行制度知识需要跨部门跨知识库的解决方案，现有的 RAG 方法往往依赖简单的数据结构，限制了它们理解基于实体间复杂关系信息的能力。并且这些系统往往缺乏必要的上下文知识，无法在不同实体及其相互关系之间保持回答的连贯性。我们基于 GraphRag 的思想构建

215、了杭银制度图谱，将图结构纳入文本索引和信息检索中，并在图构建上做了剪枝优化，以及图问答的意图识别和多实体路径搜索，保证了对多跳复杂问题更有效的推理和召回。采用多模态大小模型协同技术：银行业的制度文档类型不光格式多样，内容也很复杂，通常将文本、表格和图片组合在一起，以传达丰富的想法和见解。虽然 RAG 擅长理解长文本，但难以有效的集成和理解多模态内容。我们将主流的多模态大模型和小模型（包括 Clip、Sam 等）相结合，能够更高效准确的分类和理解流程图、扫描发票、大型表格等模态，实现精准问答。三、创新点632025 金融大模型应用与智能体建设案例集知识管理与智能问答文档数据管理中台：本项目开发了

216、一款专为开发与运维人员设计的文档数据管理中台，该平台对文档的整个生命周期进行了系统化管理，不仅提升了文档的组织性和可访问性，还确保了信息的及时更新和准确性。此外，中台还可以为各个部门和业务条线量身定制专属的多层次文档集群，以满足不同部门个性化需求，根据自身的业务特点和操作流程，快速获取所需信息，提升各类文档在存储、检索方面的便利性。在推广方面，采取了多种策略以确保制度知识库检索系统的广泛应用。首先，线上录制系统使用的视频课程通过公司的内部渠道推广至全行，使用户能够便利的学习相关知识。此外，我们还组织线下培训合成，以便于面对面的交流和互动，帮助用户更好的理解和应用系统。为了增强使用文档的可见性，

217、我们在工作沟通 APP 中发布公告，鼓励用户积极查阅和使用相关文档，从而提高整体使用效率。在用户反馈方面，为了及时收集用户的意见和建议，我们设置了“点踩”按钮，方便用户对内容进行快速反馈，这一功能不仅能帮助我们了解哪些部分存在问题，还能引导我们进行改进。同时，我们对用户的 query 进行算法建模分析，以识别常见需求和潜在问题，从中提取有价值的信息，帮助我们更好的理解用户需求。在系统运行方面，将用户活跃量作为重要指标进行分析，评估系统的使用效果和用户参与度。同时，我们还开发了一套问题回溯机制，确保能够快速的定为问题，保证系统稳定运行。银行制度知识库检索系统为银行内部各部门(如合规部门、审计部门

218、等)以及行内其他人员提供服务，带来的成效具体体现在以下几个方面：1.提升工作效率：通过集中管理和快速检索各类制度和政策文件，员工可以迅速获取所需信息，减少了查找资料所耗费的时间。这种效率的提升将直接影响工作进度，使得各部门能够更快的完成任务，提高整体生产力。2.促进知识共享与传承：制度知识库能够有效记录和分享内部经验和知识，避免信息孤岛现象，提升行内的知识管理能力。这不仅促进了部门间的协作，也能帮助新员工快速上手，从而节省培训成。3.降低合规风险：合规部门能够更有效的访问最新的法律法规和内部政策，从而降低因信息滞后导致的合规风险。及时了解和遵循相关规定，可以减少因违规操作而造成的潜在罚款和法律

219、责任。项目经验总结主要体现在以下几个方面：首先，深入了解项目需求相当重要。在项目启动阶段，与相关方进行充分沟通，明确期望和需求，制定科学合理的开发计划。这一过程可以有效减少重复开发或废弃功能的发生，从而避免开发资源的浪费，提高项目的整体效率。其次，在技术调研方面，对开源产品进行全面测试，充分了解这些产品的适用性和稳定性，避免后期出现不适用的情况，导致额外的迁移成本和资源浪费。最后，在推广方面，将项目嵌入用户最常见的应用程序中，能够有效降低用户的使用门槛。这种策略不仅能够提高用户的接受度，还能促进更广泛的使用，从而提升项目的价值。通过优化用户体验，确保用户能够无缝的访问新功能，可以最大限度的发挥

220、项目的潜力，实现预期目标。四、运营情况五、项目成效六、经验总结64业务模式项目充分利用生成式大模型及大模型写作工具的能力，基于银行对写作数据需求、模板需求、审核需求，在通用写作产品的基础上，增加多源数据对接、数据理解分析、模板写作、溯源审核等功能，形成银行可信写作平台。围绕贷款审查业务和日常办公两个场景，开发了信贷报告生成和办公文稿两大系列十余种文档写作功能。包括：对公初审报告：基于支行尽调报告、行内系统数据，通过大模型分析和智能生成能力，提炼企业信息、贷款申请信息、股东信息、财务数据、抵押信息等关键数据，按照分行对公初审报告模板，一键生成分行对公初审报告。个贷初审报告：基于支行尽调报告数据，

221、通过大模型分析和智能生成能力，提炼借款人基本情况、用款企业情况、抵押房产情况等关键数据，按照分行个贷初审报告模板，一键生成分行个贷初审报告。初审报告摘要：基于总行初审报告，通过大模型能力，提炼企业信息、报审方案、财务数据、抵押信息等关键数据，按照总行摘要模版，一键生成初审报告摘要。总行通知：通过内置提示模板对用户输入进行引导，通过更改标题、时间、对象等信息，快速生成对应类型的通知内容，提高工作效率和内容质量。PPT 大纲：利用大模型来组织和整理信息，明确展示的重点和逻辑流程，为后续的内容创作提供清晰的框架。提高制作效率、确保内容完整性和逻辑性。心得体会：基于预设的框架，心得体会可以在短时间内自

222、动生成，有效节约时间成本。通过变换模版中的关键词可生成多样化的内容，以增加文本的丰富性。新闻稿：通过大模型生成的新闻稿可以保证品牌信息的一致性、降低语言错误的可能性。有助于提升品牌稳定性。工作汇报：快速和高效的工作汇报生成可以更频繁地更新项目状态和业务洞察，为管理层提供及时的信息，帮助他们做出更为数据驱动的决策。工作进展汇报：利用先进的大模型技术，生成高质量、风格一致的工作进展汇报文档。有效减少人工编辑时间，确保信息的准确性和时效性，同时强化品牌形象的稳定性与专业性。工作计划撰写：基于大模型技术的智能工具，帮助用户快速、准确地制定符合要求、结构清晰、目标明确的工作计划。提升工作效率与规划质量。

223、北京银行：“京信妙笔”智慧创作平台一、项目背景及目标二、项目/策略方案银行内部工作涉及大量的文书报告写作工作，既包括通知公告、述职报告、心得体会等较为通用的行政和个人文书，也包括贷款报告、内审报告、合规文件等业务性很强的专用文书，利用人工智能技术，尤其是大模型技术，进行大规模资料阅读分析和写作，可以支撑银行内各个部门各个岗位的员工，具有较高的业务价值。京信妙笔智能报告平台利用大模型、文档解析、文档检索等人工智能技术，能够自动化处理信审过程中的数据，快速生成高质量的信审报告。平台不仅支持多源数据接入，还具备强大的分析能力和可视化展示功能，为北京银行的信审业务提供了强有力支持。652025 金融大

224、模型应用与智能体建设案例集知识管理与智能问答技术架构1.项目基于大模型的可信公文创作技术，以 Transformer 为核心的生成式人工智能技术始终面临幻觉问题，这给 aigc 技术在工业界（尤其是看重准确性、可信性的金融领域）的应用带来了限制。本项目研发了可信公文创作技术，通过将智能生成、检索生成、模型自省、专家框架、智能溯源等技术的落地实现和综合运用，解决了 aigc 模型在具体应用中不可解释、不可追溯的黑箱问题，为大模型在金融创作场景的落地开辟了一条道路。2.基于大模型的文档解析技术实现 PDF、WORD、TXT 等多种格式，尽调报告、初审报告等多种类型的文档解析能力，针对不同格式、不同

225、类型的文件，采用不同的文档解析模块，构造对应知识树，满足公文创作场景下的文档处理需求。本项目采用基于大模型的文档解析技术，WPS 文档解析模块基于文档解析引擎提取文字内容。PDF 解析模块将结合文档版面分析、表格识别、段落文字块合并等多项技术，以准确划分标题、文本段落、图片、表格等内容信息，从而实现对文档段落结构的精确恢复，最大程度地保留文档的语义信息；并针对不同类型构造对应知识体系，最大程度保留了文档的知识信息。3.兼容适配多模板报告创作，大模型根据不同的报告模板自动解析报告目录，拆解问题,基于知识体系明确各部分内容的取数来源及撰写要求，依据撰写要求及取数来源，从知识库中查询数据。基于大模型

226、 prompt 工程，利于大模型生成对应的输出内容。并基于索引服务，明确生成内容的数据来源，从而实现结果溯源和数据稽核。这样一套完善的报告生成流程可以帮助系统更加高效地生成各类报告，确保报告内容的准确性和可靠性。目前京信妙笔智能报告平台已在北京银行全面上线，支持总行初审、分行初审岗位业务人员进行信贷初审报告的编辑审核工作，相关岗位人员涉及 10000 人左右，帮助业务人员从原先最快 3 天完成一份完整报告到 5分钟生成、半天审核完成一份初审报告，提升初审效率 80%以上。京信妙笔智能报告平台可轻松解决信贷审批过程中，海量非标数据处理难、数据信源不统一的问题。贷前审核过程中涉及到大量企业信息，完

227、全依靠人工进行核实和梳理需要耗费大量时间和精力，效率较低，且容易发生人为错误和疏漏。且信贷报告中使用的大量企业信息源自访谈、底稿、研究报告甚至互联网信息，各个信息源的可信度不尽相同，根据不同信息得出的观点也大相径庭，审核者难以一一查证来源，确认可靠性。项目主要实现四项经济效益：1.基于 yayi 大模型以及多种类型报告模板，通过客户经理文档上传、多源数据库接入进行数据汇聚；构建文档解析、向量化等模型对数据处理；根据不同报告模板构建知识体系，分解子问题并生成报告；最后，利用大模型润色初稿，生成定制化报告，支持在线编辑与 Word 导出，实现高效、精准、自动化的报告生成流程。2.数据库采用的是 M

228、ysql，虚拟机部署，一主一从；Redis 采用哨兵的架构模式，测试环境采用虚拟机部署，生产环境采用业务系统使用虚拟机部署，大模型使用实体机部署。3.后端应用基于标准的 J2EE 架构、MVC 模式，服务层依赖 SpringBoot、Mybatis 实现核心组件的支撑；前端WEB 应用采用 Vue 框架进行系统搭建，使用 Element-UI 组件进行页面组件的设计。4.算法服务基于 Python 语言开发，采用 Flask 框架搭建 RESTful API 服务，算法模块依赖 transformers、PyTorch 等库实现核心功能。三、创新点四、运营情况五、项目成效66自动化生成：京信妙

229、笔智能报告平台能够自动化完成报告的生成过程，减少了人工编写报告的时间和精力。传统报告编写需要人工收集数据、分析数据、撰写报告等多个步骤，而平台则可以在短时间内完成这些工作，大大提高了工作效率。快速响应：在需要快速生成报告的场景下，如总行通知、工作进展汇报等，京信妙笔智能报告平台能够迅速生成报告，确保信息的及时传递和决策的快速制定。精准分析：京信妙笔智能报告平台通过大模型及文档解析、向量化等技术，能够对数据进行深度挖掘和分析，生成更加精准、科学的报告内容。丰富多样：京信妙笔智能报告平台能够生成包括文本、表格、图像等多种形式的报告内容，使报告更加直观、易懂。减少人力成本：京信妙笔智能报告平台的自动

230、化生成功能减少了人工编写报告的需求，从而降低了行内的人力成本。行员可以将更多的人力资源投入到其他更有价值的工作中去。降低错误率：人工编写报告容易出现错误和疏漏，而京信妙笔智能报告平台则能够通过算法和模型来减少这些错误和疏漏的发生，提高报告的准确性和可靠性。新模式探索：京信妙笔智能报告平台为北京银行提供了全新的报告生成模式，有助于北京银行探索新的工作方式和管理模式。激发创意：京信妙笔智能报告平台通过自动化生成报告，使行内员工能够有更多的时间和精力去关注创新工作，激发创意和灵感。1.提高工作效率2.提升报告质量3.降低成本4.促进创新京信妙笔智慧创作平台基于北京银行实际业务需求，利用大模型技术开发

231、了贷款审查和日常办公的智能写作工具，打通了银行内部的信贷、风控系统与外部数据库，实现了报告生成的自动化和溯源功能。通过配置不同业务模板，项目有效提高了信审报告生成和审核的效率，简化了人工修改与审核流程，显著提升了审批质效。在推广过程中，项目结合银行业务场景不断优化，得到了广泛好评，成功推动了银行数字化转型和智能风控体系的建设。六、经验总结672025 金融大模型应用与智能体建设案例集知识管理与智能问答1.技术融合创新2.业务模式重构3.管理模式升级1.数据层本项目在技术创新与业务模式重构上实现双重突破：太平洋寿险：银保销售复盘会萃取工作台一、项目背景及目标二、项目/策略方案三、项目技术方案随着

232、保险行业竞争加剧，银保渠道作为核心业务增长点，亟需通过精细化运营提升销售效率。中国太保寿险银保渠道每周需召开 600 余场销售复盘会议，传统管理模式面临多重挑战：一是会议录音转写错误率高，非结构化内容导致管理层难以快速获取有效信息；二是人工回听录音耗时耗力，单次会议分析需消耗管理人员 1 小时以上；三是优秀销售经验依赖业务专家主观筛选，案例覆盖范围有限；四是总部对一线经营动态感知滞后，难以及时响应市场变化。在此背景下，公司启动会经智能化改造工程，明确三大核心目标：一是通过自动化质检与摘要生成，实现会议内容结构化分析；二是构建多维度数据分析模型，精准洞察一线共性问题和市场动态；三是建立动态知识库

233、，推动优秀案例全域共享，赋能销售队伍能力提升。自主研发的行业专有大模型融合保险专业词库与历史业务数据，通过切片预处理、多轮微调和后置校验机制，攻克保险术语识别、多角色发言区分等技术难点。例如，针对会议中常见的“增额终身寿”“个养产品”等专业词汇，优化 ASR 模型后识别准确率提升至 95%；通过长文本切片技术，将单次会议 1 小时的录音分割为 15 个逻辑段落，显著提升大模型上下文理解能力。首创“质检-萃取-复制”三位一体管理体系。质检模块从流程合规性、内容深度、情绪识别等维度量化会议质量，自动生成评分报告；萃取模块通过双重分析机制，先提取单场会议热词与客户案例，再聚合全域数据形成共性洞见；沉

234、淀模块构建动态知识库，将优秀案例直接推送至外勤展业 APP，形成“分析-改进-复制”的业务闭环。引入恶意行为识别与互动性分析技术，量化评估会议内容与参与度。例如，结合语义分析判断讨论焦点，帮助管理层识别会议异常行为，及时过程管理，确保总部要求贯彻落实。构建多源数据处理平台，整合语音、文本及业务系统数据。通过优化 ASR 模型，保险专业术语识别准确率68从 82%提升至 95%；建立噪声过滤机制，有效消除会议背景音干扰。2.模型层3.应用层针对长文本处理难题，开发上下文关联算法，确保跨段落语义连贯性。设计可视化管理看板，支持多维度数据钻取。管理人员可通过热词词云、趋势图谱等工具快速定位问题；一线

235、销售通过外勤 APP 查看标杆案例，平均学习时长从 30 分钟缩短至 8 分钟。技术实施中攻克三大难点：一是通过角色分离算法，准确区分保险顾问、银行客户经理等发言主体；二是设计异常结果自动重试机制，当模型输出偏离阈值时，系统自动触发二次分析；三是建立人工复核通道，每月抽样5%的会议结果进行校验，持续优化模型参数。效率提升1.直接成本节约知识沉淀四、运营情况五、项目成效管理人员日均处理会议数量从 8 场增至 20 场，信息提取效率提升 60%；人工回听工作量减少 80%，每年释放 4000 人天用于高价值分析。会议流程合规率从 73%提升至 96%，恶意踩点行为减少 82%。自项目创立以来，人工

236、质检复核的工作量大幅减少。据统计，每位经营管理人员的日均成本约为 3000 元，通过优化流程，每年可节省超过 1200 万元的人力成本，极大提升了管理效能。1.萃取热点话题，判断政策是否直达。例如，银保业务首季红期间紧盯“重客储备”进度，紧跟“分红险产品及个养产品”推动，从萃取平台可以看到当期开会的热议话题与总部策略方针方向一致，说明政策层层宣贯，落地执行情况较好。2.萃取热议问题，推动赋能问题解决。萃取平台还专设热议问题模块，将银保业务专家的经营理念借助大模型技术结构化呈现，实时识别提炼开会中提及的网点经营、客户经营的难点与痛点，比如队伍在“识客户”环节提及较多的问题是客户邀约存在困难、客户

237、对保险产品有疑虑等，业务专家或各级管理人员就可以根据现存问题，有针对性地提出解决方案，赋能一线经营。3.萃取经营标杆，看见优秀，学习优秀。萃取平台还能提炼出在开会过程中提及的成交客户案例进行总结分析，比如企业家客群主要通过购买增额终身寿产品，实现家企资产的隔离；而购买个人养老金产品鑫福享的客户主要担心利率下行，看重长期锁定利率。对于萃取的成交案例，银保全员可见，方便队伍看见优秀，学习优秀。692025 金融大模型应用与智能体建设案例集知识管理与智能问答2.业务增长贡献通过大模型技术聚合销售话题和客户经营案例，形成标杆案例库，促进优秀经验的复制和共享。这不仅提高了质检模型的智能化水平，优化了语音

238、转文本的准确性，还实现了会议流程的自动化判断。此外，平台通过结构化提炼会议内容，快速捕捉关键信息，洞察共性话题，并提炼优秀案例，为其他会议提供参考。1.业科深度融合2.敏捷迭代体系3.知识资产化运营六、经验总结建立“业务需求池-技术开发池”双轨机制，业务专家全程参与模型训练与结果校验，确保功能贴合实际场景。构建“数据采集-模型训练-人工校验”闭环，通过每两周优化会议持续提升系统性能。将萃取成果系统化编入公司级知识图谱，支持多场景复用。701.技术融合创新2.业务模式重构3.管理模式升级太平洋寿险：智能金牌教练一、项目背景及目标二、创新点三、项目技术方案太保寿险已有的训练系统已实现基础的学练考评

239、和基础管理内容建设。但仍存在能力评估粗放，缺乏数据化评估工具，难以精准定位代理人能力短板；训练效率低下：标准化课程无法满足个性化需求，难实现因材施教；管理穿透不足：总部机构难以快速知晓一线实际培训情况，无法做到过程和行为管控。在此背景下，进行该项目建设，明确项目三大核心目标：一、构建代理人能力评估体系，实现从“经验驱动”到“数据驱动”的转型；二、打造智能化训战闭环，缩短培训周期并提升实战转化率；三、建立总部到一线的全流程穿透式管理，推动业务策略精准落地。能力画像引擎：基于 Transformer 架构的大模型，融合知识图谱与历史业务数据，构建代理人多维能力标签（如产品知识、客户洞察、异议处理）

240、；虚拟陪练引擎：基于通义千问大模型与语音交互技术，模拟 20+实战场景（如客户异议处理、产品讲解），根据场景进行多类角色扮演，角色扮演一致率达到 80%+；动态推荐算法：自动化采集学习行为数据，结合当前代理人所处销售阶段，优化个性化学习路径。训战一体闭环：首创“测-学-练-考-评-管”六阶段模型，将传统单向培训升级为“诊断-训练-验证”动态循环；知识资产化运营：通过 AI 萃取优秀代理人销售话术案例，构建动态知识库。全链路穿透式管理：总部可实时追踪 38 家机构训练计划执行情况、全国 10 万+代理人的训练进度与效果，通过数据看板识别低效机构并定向干预，确保要求落实到位。1.数据层：构建多源数

241、据处理平台。融合代理人客经、培训、授课等多维度数据。2.模型层：针对角色扮演、智能点评，打造大模型能力+小模型能力，确保模型评价时准确理解文本内容。3.应用层：设计智能金牌教练队伍端和管理端应用，实现训练场景管理角色和用户角色即时联动。技术实施中攻克三大难点：一是通过角色扮演算法，确保模型扮演的角色能根据代理人描述内容进行灵活响应及答复，同时当代理人描述内容偏离主题时，进行及时的场景拉回和提示；二是设计内容生成复核机制，从原712025 金融大模型应用与智能体建设案例集知识管理与智能问答1.经济效益1.业科深度融合2.数智化训战 SOP 体系3.知识资产化运营2.社会价值四、运营情况五、项目成

242、效六、经验总结通过智能金牌教练，将原本需要逐层级反馈的机构训练情况由周级缩短为小时级，同时实现对代理人能力情况的实时观测和分析。月均节约主管辅导时长约 5 小时，内容准备效率提升 50%以上。智能金牌教练不仅提升了内勤训练人员准备训练素材的效能，也为公司训练管理工作注入智能动力。同时，其成功应用也为其他业务场景提供了宝贵借鉴，推动公司整体决策的科学化进程。自项目创立以来，根据测算，通过逐步线上化训练，每年预计可节省超过 2000 万元的人力成本，极大提升了训练效能。管理效能提升 30%+。建立“业务需求池-技术开发池”双轨协同机制，由业务专家主导提炼代理人能力评估标准、实战场景库等核心需求，技

243、术团队同步构建大模型训练框架与评估算法。业务专家全程参与模型训练与结果校验，确保能力画像与真实展业场景高度契合。构建“数据采集-模型训练-人工校验”闭环，后续可以复制到内勤培训、讲师培训等多类场景。将萃取成果系统化编入公司级知识中心，支持多场景复用。响应监管关于推动深化人身保险行业个人营销体制改革要求，提升保险销售人员专业化水平。做好队伍的全流程数字化管理，增强保险销售人员的合规意识、专业水平和服务能力,提升客户满意度。始素材到培训素材的生产过程中，支持生成后人工复核校验；三是建立人工复核通道，每月抽样对练内容及评价结果进行校验，持续优化模型参数。721.智慧制度2.智慧财务 华福证券：企业智

244、慧问答系统一、项目背景及目标二、创新点在当今数字化浪潮席卷各行业的背景下，金融领域正面临着前所未有的变革机遇与挑战。中央及福建省委金融工作会议明确提出，要加快建设金融强国，充分把握数字技术革命带来的契机，大力推动金融与数字技术的深度融合与创新，全方位加快监管数字化智能化转型进程。在此政策引领下，我司积极响应，致力于深入挖掘数字化转型的多元场景，从规章制度的建设以及日常运用实践为切入点，依托大模型技术开展深入研究探索，旨在打造一个能够显著提升业务知识和规章制度使用效率与传导效果的企业智慧问答系统。企业智慧问答系统共分为智慧制度与智慧财务两大模块，为全司员工营造便捷获取财务费控报销相关信息和规章制

245、度知识的环境，精准识别员工提问意图并高效匹配相应规章条款，赋能一线员工专业素质提升。长期以来公司业务知识和制度规章繁多、分布零散、难以查找，同样的，企业内部的财务板块也面临着亟待解决的难题。财务人员每日深陷大量与费用报销相关的咨询工作泥潭，各类问题高度相似且重复性极强，致使人力成本不断攀升，工作效率却受限难以提升。尽管企业内部积累了海量的业务和管理数据，并且已配套建设多个功能模块助力数据应用，但由于不同系统间存在差异，业务流程复杂度高，用户在准确获取所需数据时困难重重，往往需要对系统和业务有深入且全面的了解才能完成数据提取任务，这无疑进一步抬高了数据利用的门槛与难度，严重制约了企业运营效率的提

246、升。鉴于上述复杂严峻的形势，本企业智慧问答系统项目应运而生。项目旨在凭借先进的人工智能技术，充分挖掘大语言模型的强大潜能，对企业内部的财务咨询与数据获取流程进行全面优化升级，从而提升整体运营效率与服务质量，为企业在数字经济时代的持续稳健发展提供坚实有力的支撑。企业智慧问答系统共分为智慧制度与智慧财务两大模块：“数据驱动”：创新性提出多维度评估规章制度和业务知识，对制度和知识按公司治理要求进行科学分类，开展存量制度数据治理、建立增量制度管理机制，标本兼治，有效归集知识库。智能知识梳理，按照一定规则帮助业务人员高效梳理规章制度和业务知识，快速形成知识库。大模型人机交互，利用大模型技术优化人机交互体

247、验，降低业务人员获取规章制度和业务知识时的个人知识积累门槛。（1）极简架构设计 摒弃冗余组件：完全舍弃向量数据库、向量模型、多路召回策略等复杂技术栈，无需混合检索（如全文检索+向量召回）和资源隔离运维。732025 金融大模型应用与智能体建设案例集知识管理与智能问答智慧制度三、项目技术方案（2）数据处理与算力优化 动态信息处理：通过动态文件过滤和窗口分区（而非固定 chunk 切割），避免数据切片导致的信息丢失和排序干扰。上下文完整性：利用大模型直接处理原始文件（非碎片化文本），保留完整语义关联，消除chunk同质化问题。暴力美学计算：基于大模型支持超长上下文（百 K token 输入），通过

248、窗口分区管理（文件区、片段区、系统缓冲区），最大化利用 GPU 算力。性能与成本优化：极限缓存命中（缓存与 miss token 比例 2:1）降低推理成本；仅需个位数 token 输出，规避解码瓶颈，扩展性极强。（3）工程创新与优化 全流程大模型驱动：从文件筛选到答案生成，全程依赖 LLM 自主决策（非人工规则），减少人为干预导致的性能天花板。实时性与灵活性：动态响应query需求，无需全量更新向量库（对比一代RAG依赖批量更新），适应实时场景。LLM-Native 设计：完全围绕大模型能力构建（非依赖传统 NLP 组件），通过算法创新（如 128k 窗口分区）实现效果跃升。无预处理的端到端

249、流程：无需复杂数据预加工，直接处理原始代码/文档，避免预处理导致的信息扭曲。去人工化设计：无需人工定制数据切片策略、存储加工策略或召回策略，避免因复杂系统带来的开发维护成本。1.文档预处理阶段文档筛选：对华福内规库文件进行全面梳理，依据业务相关性、法规效力等标准，剔除过期、失效及与核心业务关联度低的非必要文件，筛选出有效的内规文件集合。文本切分：将筛选后的有效内规文件进行切分，按照合理的语义单元（如按章节、条款等）将其分解为多个文本片段，便于后续处理和检索。向量编码与存储：调用文本向量化模型，将切分后的文本片段编码为高维语义向量，捕捉文本深层次的语义信息，并将这些语义向量存储于高性能的向量数据

250、库中，为后续的语义匹配奠定基础。2.大模型微调阶段模型选择：在众多预训练大模型中，经过充分评估和对比，选定与华福业务领域契合度高、具备较强语言理解和生成能力的基础大模型作为初始模型。数据准备：收集整理华福内规文档以及相关的高质量问答对，问答对涵盖内规的核心内容、常见业务场景中的合规问题及解答等，作为模型微调的数据集。微调训练：利用准备好的数据集对选定的大模型进行监督微调，通过调整模型参数，使模型学习到华福内规领域的专业语言风格、知识要点和问答逻辑，从而提高模型对内规相关问题的回答准确性和专业性。3.在线问答阶段问题处理与语义匹配：当用户提出内规相关问题时，系统首先利用语义模型将问题文本转换为语

251、义向量。同时，74结合经典的 BM25 算法，综合计算问题语义向量与内规文本片段语义向量的相似度，快速、精准地从向量数据库中检索出若干个与问题语义最接近的内规文本片段。提示词构建与回答生成：将匹配到的相关内规章节文本片段与用户问题进行整合，精心构建为适合大模型输入的提示词。将该提示词输入微调后的大模型，大模型依据其强大的语言生成能力，基于提示词中的信息和已学习到的内规知识，生成针对用户问题的详细、准确、专业的回答内容，并将回答反馈给用户。4.持续优化阶段Agent 服务架构：系统内置 Agent 服务，负责统筹协调用户请求中涉及的各项具体任务。Agent 服务可灵活调用多种专业工具，包括语义理

252、解工具用于精准解析用户问题语义；数据召回工具高效检索内规知识库；数据重排工具对检索结果进行优化排序；API 调用工具整合公司内部其他相关系统数据；以及复杂计算工具处理涉及合规指标等的复杂计算任务。幻觉问题解决与优化：借助 Agent 的精准召回能力，能够在大模型生成回答前，对相关信息进行严格筛选和验证，有效减少大模型可能出现的幻觉问题，确保回答内容的准确性和可靠性。同时，基于用户与系统的交互数据，包括用户反馈、新出现的内规问题及解答等，Agent 不断对系统进行自我优化和迭代，持续提升系统性能和回答质量。用户请求触发检索流程，系统智能调用三个模型实现高效筛选。1.初始阶段简单检索模型依据段落特

253、征快速初步筛选，初步定位关键信息；2.小参数量大模型(Qwen-2.5-14B-Instruct，参数量 140 亿)对全文进行初筛，凭借其轻量级优势快速过滤无关内容；3.同类型小参数量大模型接力进行全文二筛，进一步优化筛选结果，精准定位关键信息；4.将筛选后的文档传递给大参数量大模型(Qwen-2.5-72B-Instruct，参数量 720 亿)，由其深度处理并生成精准回答，整个流程智能高效，确保高质量的检索与回答生成。自智慧问答系统上线至 2025 年 5 月底，访问人数达 1400+，使用次数达 6300 人次。同期团队针对 AI 技术进行推广，同时推进企业内部智慧问答系统的宣讲。20

254、24 年 11 月，AI 内训团队组织开展分公司应用技巧线上培训，培训覆盖 27 家分公司。2025 年 3 月，AI 内训团队在全国 27 家分公司，总部 21 个部门开启轮回培训宣讲。内部建立答疑群，及时在群内推送应用更新优化情况。1.大幅降低人工工作量：AI 机器人可替代部分基础咨询工作，减轻人工处理工作量，可更好的服务业务。2.提高处理效率：机器人可 24/7 实时响应，缩短用户等待时间，提升整体效率。3.减少错误率：自动化回答可避免人工解答的疏漏，降低因错误信息导致的重复沟通和标准出入。智慧财务 直接经济效益间接经济效益四、运营情况五、项目成效752025 金融大模型应用与智能体建设

255、案例集知识管理与智能问答1.提升员工满意度：快速、准确的解答能提高内部用户（员工）的体验，减少因报销问题导致的负面情绪。2.优化财务团队工作重心：释放员工精力，使其专注于高价值任务（如数据分析、流程优化），提升整体财务效率。3.增强数据洞察能力：通过机器人收集的高频问题，为后续流程优化提供数据支持。1.推动企业智能化转型：落地 AI 技术应用，积累经验，为未来更多场景的 AI 部署奠定基础。2.提升系统集成能力：机器人可与现有系统（如 ERP、OA）对接，强化企业技术生态的协同性。1.支持规模化发展：随着公司扩张，机器人可无缝应对咨询量增长，避免人力资源的线性增加。2.前瞻性布局：抢占 AI

256、在财务领域的应用先机，为未来智慧财务（如自动化审核、预测分析）积累经验。1.对接业务需求：深入剖析企业知识管理与财务咨询等业务流程中的痛点与难点，将其拆解为多个具体的应用场景。通过打造智能问答核心引擎、多源知识整合、精准答案推送等关键模块，确保系统功能紧密贴合业务实际需求。2.分步推进项目实施：运用“需求调研模型选型系统开发测试优化推广应用”的逐步推进模式，加速项目从概念设计到全面落地的进程，确保各阶段成果都能有效承接并推动后续工作开展。1.智能问答性能优化：建立系统性能监测体系，实时追踪问答准确率、响应时长、用户满意度等关键指标，依据数据反馈对模型参数、知识库结构、问答逻辑进行持续优化，实现

257、问答质量与效率的螺旋式提升。2.全员赋能知识共享：公司内部成立跨部门项目推广小组，采用线上线下联动的方式，为 27 家分公司及总部 21 个部门提供培训，着重讲解智能问答系统的应用场景拓展、知识更新维护以及复杂问题处理技巧，打造企业内部知识共享与智能协作的良性生态。技术效益战略效益技术架构与业务需求深度融合，保障项目实效性智能技术优化提升，构建长效运营机制六、经验总结761.全栈信创生态体系的突破性构建2.AI 能力场景化多覆盖3.研发效能革命性提升的工程实践4.融合跨模态协同训练的多模态 OCR 大模型5.强语义理解能力驱动的智能文本机器人江南农村商业银行：“小江智脑”大模型应用平台一、项目

258、背景及目标二、创新点随着人工智能技术的快速发展，发展数字经济和数字金融已成为推动银行业数字化转型、拥抱新一轮科技革命的重要途径。利用大模型技术可以提升银行服务的智能化水平，降低人力成本，增强客户体验，提高内部运营效率。因此，江南农村商业银行持续开展新技术研究，跟进大模型发展趋势，立足本行自主研发大模型应用平台，以实现技术自主可控，并推动金融服务的创新，加快数字化转型步伐，提升竞争力。主要实现目标有：提升数据知识利用率、提升办公效率、降低运营成本、提升客户满意度。江南农村商业银行信创大模型应用平台，依托千亿级开源大模型，深度整合国产软硬件资源，包括向量数据库、麒麟操作系统、达梦数据库及信创 GP

259、U、CPU 等，实现技术自主可控与安全，为金融信息安全提供坚实后盾。平台打造“1+3+N 大模型应用体系”，采用了国产化显卡 DCU 与英伟达 GPU 的异构算力架构，构建了稳定的基础计算能力。在此基础上应用场景集中在办公、营销、运营管理、信贷及研发等五大关键业务领域，建立一套全面的员工办公辅助系统，紧密契合一线员工的具体工作需求，达到了成本优化与效率提升的双重目的。内置辅助代码插件，支持多种编程语言、多种编辑器，具备多项提升开发效率的创新能力。支持基于上下文的实时代码续写，显著提升编码速度；可将自然语言需求转换为可执行代码，降低开发门槛；并能自动生成高质量的单元测试案例，提升代码可靠性。通过

260、智能分析代码结构，提供优化建议与注释生成，增强代码可读性与维护性。同时，其具备强大的代码解释与智能问答能力，能够快速解答复杂问题，并在出现异常报错时，实现快速定位与修复建议推送，全面提升软件研发效率与质量。江南农村商业银行利用多模态大模型应用技术，集成了文本、图像等多源数据，实现了高效的信息提取，大幅提升了 OCR 识别的效率和准确性。江南农村商业银行在构建智能问答过程，通过构建合理的提示词 prompt 不断生成和修正答案，并利用外挂知772025 金融大模型应用与智能体建设案例集知识管理与智能问答系统架构项目技术三、项目技术方案“小江智脑”大模型应用平台可以划分为多个层次，每个层次都承担着

261、不同的功能和任务，共同协作以实现高效大模型功能应用。采用分层架构设计，可作为大模型架构参考，遵循分层架构的设计原则：1.基础资源层：提供通用大模型应用平台运行时候的资源支持，包括各种CPU、GPU、内存、硬盘和操作系统资源。2.基座模型层：提供主流开源大模型支持，包括Qwen2.0-72B、Qwen2.0-7B、Stable Diffusion3、GLM-4V-9B等。这些组件共同构成了应用平台的核心引擎。3.AI 能力层：AI 涵盖了大模型平台的核心能力部分，为应用场景提供大模型能力。4.应用层：使用 AI 能力赋能各种业务场景。大模型的应用主要集中在办公、营销、运营管理、信贷及研发等关键业

262、务领域，其目标是建立一套全面的员工办公辅助系统，紧密契合一线员工的具体工作需求，从而达到成本优化与效率提升的双重目的。1.基于 RAG 技术的智能办公助手研发与应用江南农村商业银行在 AI 办公助手研发中，创新性采用检索增强生成（RAG）技术架构，构建 知识检索+内容生成 双引擎驱动模式。通过将行内业务知识库、制度文件、操作流程等结构化数据与大模型能力深度融合，实现三大突破：业务知识调用：系统可从外挂知识库中检索政策、业务规则及历史案例，突破传统大模型知识固化局限，确保生成内容紧跟业务需求；可信决策支持：所有生成答案均附带知识来源标注，形成可追溯的决策链路，有效降低信息偏差风险，助力打造 可解

263、释、可审计 的智能办公体系；该实践不仅解决了传统 AI 在金融场景中知识滞后、领域泛化能力弱等痛点，更通过 RAG 技术实现了大模型通用能力与银行业务专精能力的有机融合，为金融机构智能化转型提供了可复用的技术范式。2.构建场景化 Prompt 工程体系江南农村商业银行系统性构建了面向金融场景的 Prompt 工程体系，通过多维度技术手段提升大模型对银行业务的理解与执行能力。具体包括：场景化提示词设计：基于财务支出等高频业务场景，设计包含业务规则的结构化提示模板，引导大模型生成详细的符合要求的输出；上下文增强机制：在客服问答中注入历史交互记录等上下文信息，提升应答个性化水平；领域知识注入：将银行

264、热词等专有知识嵌入 Prompt，强化大模型对专业概念的精准理解；动态策略优化：持续迭代提示词模板，结合用户反馈数据动态调整，使大模型输出与业务需求保持同步演进。该实践显著提升了大模型在行内知识库检索等任务中的准确率，这一工程体系为金融领域大模型场景化落地提供了可复用的方法论支撑。识库的方式，将大模型与本行特色业务逻辑相结合，提高了答案生成的准确性。这体现了 RAG 技术的核心思想，即结合外部知识库来增强大模型的生成能力。文本机器人展现了出色的语义理解和上下文捕捉能力。783.AI Agent 智能体矩阵江南农村商业银行基于大模型 AI Agent 技术，深度融合自然语言处理、机器学习与多模态

265、交互能力：多模态交互引擎：通过语音语义一体化建模，支持自然语言、语音、图像、等跨模态输入解析，构建日程助手、AI 识图助手、AI 绘图助手等场景化智能体，实现 语音指令+视觉反馈 的沉浸式交互体验；智能协同进化：通过用户反馈数据持续优化任务执行策略；AI Agent 智能体场景化应用成效包括：领导日程助手实现会议安排、语音发布工作日志等事务的自动化处理，节省了业务人员事务性工作时间；AI 识图助手、AI 绘图助手支持图片理解、生成图片等任务，应用于客户经理上门打卡照片审核、绘制宣传海报等多模态场景；语音转文字助手可识别语音内容，转换成文字，应用于客户经理上门拜访客户记录，客户画像生成等场景。该

266、技术体系不仅突破了传统单点 AI 工具的功能局限，更通过智能体间的协同联动，为金融领域智能化交互提供了可拓展的技术底座。提升内部知识管理效率：通过智能办公 AI 助手，快速检索内部知识资产，提高决策质量；优化客户服务体验：利用文本机器人提供 24 小时智能客服，提高问题回复率和准确性；提高软件开发效率：通过辅助代码编程工具，提升编码效率和代码质量；增强业务系统智能化：通过多模态大模型和专用小模型，优化业务办理流程。江南农村商业银行自主研发的“小江智脑”大模型应用平台自上线以来运行稳定，已成功应用于智能客服、信贷审批、风险控制等多个业务场景。整体运营效果良好，为银行数字化转型提供了有力支撑。智能

267、办公 AI 助手：服务超过 36.3 万人次，显著提升了员工的工作效率；文本机器人：工作效率提高 16 倍，客户问题的有效回复率提升约 30%；辅助代码编程工具：采纳行数超过 24.6 万行，开发人员工作效率平均提升 15%；业务系统智能化：预估单笔交易节省 2 分钟，全年节约工时高达 40 万小时。江南农村商业银行的“小江智脑”大模型应用平台展示了如何通过技术创新来提升金融服务的智能化水平。通过自主研发的“小江智脑”平台，江南农村商业银行不仅实现了技术的自主可控，还成功地将大模型技术应用于多个业务场景，显著提高了工作效率和客户服务体验。未来仍需不断探索新技术融合，秉持创新精神，不断探索尝试新

268、技术，持续进行模型的优化和更新，采用迁移学习等技术，以适应不同业务场景的需求。持续升级优化平台，以更好地满足客户日益多样化、个性化的需求。重点解决问题四、运营情况五、项目成效六、经验总结792025 金融大模型应用与智能体建设案例集知识管理与智能问答1.项目背景 2.项目目标 四川农商联合银行：大模型驱动的智能问数应用一、项目背景及目标随着国家数字经济战略的深入推进和人工智能技术的飞速发展，金融行业的数字化转型已进入深水区。在这一浪潮中，数据被提升到前所未有的战略高度，成为驱动业务创新和精细化运营的核心生产要素。我行积极响应国家关于强化科技创新、推动金融高质量发展的号召，深刻认识到数据资产化、

269、知识化、智慧化的重要性。正如新一代数据架构所倡导的，数据架构需向以知识和智慧为方向的更高价值密度演进。在数字经济战略驱动下，金融业正加速向智能化转型。数据作为核心生产要素的战略地位日益凸显，但传统数据服务模式面临多重结构性挑战：一是系统架构之困经多年信息化建设，银行普遍存在多套异构业务系统，数据整合效率低下，需求交付周期难以匹配业务敏捷化要求；二是人机协同之困业务人员普遍受限于数据库等专业技术，长期依赖 IT 部门支持，导致数据价值释放滞后于业务创新节奏；三是安全发展之困多数 AI 技术链依赖外部厂商，存在核心技术受制于人和数据安全隐患。正如新一代数据架构所指出，数据服务需向知识化、智慧化方向

270、演进，方能实现价值密度跃升。作为地方性金融机构，我行已完成数据治理体系的基础建设，构建了统一数据仓库、实时计算平台、数据中台等核心能力。然而，实践中仍存在四大痛点：数据“可用”与“易用”的鸿沟：尽管我行已建成强大的数据中台和各类数据服务，但业务人员在实际用数过程中，仍高度依赖 IT 部门进行数据提取、报表开发，响应周期长，难以满足日益敏捷化、场景化的业务需求。业务需求与技术实现的错配：业务人员难以用精确的技术语言描述其数据需求，而 IT 人员对业务场景的理解深度有限，导致沟通成本高，数据成果与实际业务目标可能存在偏差。数据价值释放不充分：海量数据中蕴藏的洞察和知识未能得到充分、高效的挖掘和利用

271、，业务决策的智能化水平有待提升。一线业务人员渴望更直接、更便捷的方式洞察数据，赋能日常工作。对自主可控技术的要求：在核心技术领域，特别是人工智能和大数据处理方面，积极采用并发展国产化技术，确保金融系统的安全稳定与长远发展。在此背景下，大语言模型（LLM）技术的突破为解决上述痛点提供了革命性的路径。本项目通过构建基于大模型的智能问数，将复杂数据分析能力赋予业务人员，旨在打通数据服务的“最后一公里”，实现“人人用数据、时时用数据、处处用数据”的愿景，真正做到“用数赋智赋能业务发展”。本项目以我行现有成熟的数据服务体系为坚实底座，通过引入先进的大语言模型技术，构建“大模型驱动的智能问数应用”。其核心

272、目标在于通过技术革新，重塑我行业务人员与数据交互的方式，全面提升数据要素的价值创造能力，为我行高质量发展注入强劲的数智动能。具体目标归纳如下：一是实现业务用数的范式革新与极致提效。本应用旨在赋予业务人员通过自然语言便捷、高效地进行自主数据查询与即时分析的能力。这将极大降低用数门槛，使一线人员能够独立、快速地响应业务变化，显著缩短数据获取与分析周期，支持敏捷决策。长远来看，便捷的用数工具将积极培养业务人员的数据思维和分析能力，营造“人人80用数据、时时用数据、处处用数据”的浓厚数字化氛围，从而加速我行整体数字化转型进程，全面提升全行数字化作业水平与运营效能。二是深化数据智慧洞察与知识赋能决策。该

273、应用致力于推动数据从原始记录向结构化信息、业务知识乃至决策智慧的逐级转化与价值沉淀。通过大模型的理解与分析能力，辅助业务人员更深层次、更精准地洞察数据背后隐藏的规律、市场趋势与潜在业务机遇，从而显著提升业务决策的科学性、前瞻性与精准度。本项目在深入研判金融行业数字化转型趋势、充分借鉴业界先进经验的基础上，紧密结合我行多年信息化建设所积累的坚实成果与独特优势，进行了一系列具有实践性的关键创新。主要体现在以下三个方面：（一）架构创新与自主可控 构建基于“Text2API”的国产化智能问数新范式，兼顾敏捷与稳健。本项目在自然语言到数据的转换路径选择上，独辟蹊径。业界虽有直接“Text-to-SQL”

274、的技术方案，但该方案在处理涉及复杂多表关联、深层嵌套查询以及特定业务逻辑封装时，大模型往往难以生成完全准确且高效的 SQL，尤其在我行业务系统繁多、数据模型关联复杂的背景下，错误 SQL 的风险与后期维护成本极高。为此，我行创新性地确立了以成熟、稳定、安全的数据服务 API 作为大模型统一调用“后端”的核心架构。这一“Text2API”模式，既充分复用了我行多年数据中台建设在数据标准化、服务化封装、业务逻辑沉淀及统一出口管控等方面的宝贵成果，又通过大模型赋予了这些既有服务自然语言交互的“前端”智慧能力。此举大幅降低了业务人员直接操作底层数据库的潜在风险，巧妙规避了复杂 SQL 自动生成的业界难

275、题，显著简化了大模型理解和处理复杂业务逻辑的难度，实现了“前沿 AI 技术”与“稳健企业级架构”的完美融合与高效协同。（二）融合赋能与安全保障 深度践行“数据智理”与“用数赋智”，并以金融级安全体系保驾护航。在“数据智理”层面，规划通过结合大模型强大的自然语言理解与上下文感知能力，帮助业务用户更透彻地理解数据来源、加工过程与业务内涵，从而建立对数据的信任感，提升数据应用质量。在“用数赋智”层面，该应用直接赋能各级业务人员进行自助式、探索式的数据获取与即时洞察，使其能更便捷地将数据转化为驱动日常工作、优化业务流程、创新产品服务的智慧与动能，有力推动全行数据驱动型业务模式的构建与深化。（三）敏捷迭

276、代与前瞻进化 坚持业务价值驱动的敏捷开发。本项目自始至终秉持以业务价值为导向的敏捷开发与迭代理念。从项目启动初期，便请核心业务部门深度参与需求梳理、场景共创和原型验证。通过“快速上线、小步快跑、持续反馈”的迭代模式，项目团队能够迅速捕捉用户在实际使用中的痛点与期望，并据此不断调优模型交互策略、完善应用功能设计、拓展高价值应用场景。这种紧密围绕业务需求、快速形成“应用-反馈-优化-再应用”的闭环机制，确保了技术创新与业务价值实现的紧密贴合和持续交付。我行大模型应用自 2024 年 1 月正式启动，为确保“大模型驱动的智能问数应用”的高效构建与成功落地，已系统性地规划了清晰的建设路径。整体建设将遵

277、循“夯实基座、敏捷迭代、场景牵引、价值驱动”的核心策略，通过分阶段、递进式的方式稳步推进，确保每一阶段成果可验证、风险可管控，并能快速响应业务需求变化，持续创造并交付业务价值。第一阶段核心目标在于奠定坚实的技术与应用基础，并初步验证应用核心价值。将全面完成超百卡国产算力集二、创新点三、项目技术方案项目规划 812025 金融大模型应用与智能体建设案例集知识管理与智能问答1.自然语言驱动的智能查询与深度交互该应用的核心革新在于赋予业务人员通过自然语言进行复杂数据查询的强大能力。用户无需掌握专业技术背景，仅需输入日常业务用语，系统内置的“Text2API”引擎便能凭借强大的语义理解和意图识别能力，

278、自动将自然语言精准转换为对后台数据服务 API 的调用。该应用支持流畅的多轮对话，用户可进行追问、筛选或维度深化，模型能智能保持上下文关联，无需用户重复前提，使得数据分析如自然沟通般高效。针对用户表述可能存在的不精确或歧义，模型具备模糊查询处理与智能容错能力，能通过引导式反问或提供候选选项辅助用户明确意图。“大模型驱动的智能问数应用”其业务功能设计深度聚焦于解决一线业务人员在日常工作中面临的数据获取难、理解难、应用难的痛点，致力于通过前沿的人工智能技术，构建一个围绕“便捷交互赋能、智能洞察驱动、安全可控保障”三大核心原则的全新数据服务生态。精确或歧义，模型具备模糊查询处理与智能容错能力，能通过

279、引导式反问或提供候选选项辅助用户明确意图。2.结构化结果呈现与交互式智能可视化分析无论后台 API 返回何种格式数据，该应用均会自动解析并转换为易读的结构化形式，如动态表格、列表或关键指标卡片，用户可进行在线排序、筛选等操作。系统能根据数据特点和用户意图，智能推荐并即时生成多种合适的图表（如折线图、柱状图、饼图等），用户可与图表进行下钻、上卷等交互操作，实现从数据到图形洞察的无缝转换，极大提升数据解读的直观性。3.金融级精细化权限管控与全链路安全审计保障数据安全与合规是平台的生命线。该应用与本行统一身份认证系统深度集成，确保用户身份的严格认证与唯一性。在此基础上，构建了严格且灵活的多维度数据查

280、询权限管理体系，与用户岗位及所属机构层级（总行、分行、支行、网点）紧密绑定，确保用户仅能访问其职责与机构层级授权范围内的数据和服务 API。在用户引入、培训赋能及模型交互效果的持续优化方面，运营工作扎实推进。首批试点聚焦于总行部分核心业务部门，如电子银行部等，通过建立响应及时的技术支持与交流群组等方式，有效帮助试点用户快速熟悉各项功能。群的优化配置，并搭建稳定高效的大模型推理环境。在此基础上，针对金融领域特性及智能问数核心场景，审慎进行大模型的选型与应用适配。通过 Prompt 工程设计、结合行内业务术语库与数据元数据信息，并优化与大模型的交互逻辑，重点提升大模型对银行业务语境、数据结构及用户

281、真实意图的精准理解与响应能力，确保其能有效服务于下游任务。同时，构建“Text2API”核心转换引擎，打通大模型与本行现有数据服务总线，实现自然语言到 API调用的精准、高效转换，首期将覆盖行内高频使用及核心业务领域的数据服务接口。第二阶段致力于横向拓展服务范围并纵向深化应用功能。将持续、有序地接入更多数据服务 API，进一步丰富可查询的数据维度与覆盖的业务领域。重点增强大模型在特定业务场景下的理解与泛化能力，主要通过引入更丰富的上下文信息、增强对金融领域特定问询模式的识别与处理能力，以提升模型对复杂查询、模糊查询的处理效果，以及在多轮对话中对上下文的精准理解与意图保持能力。第三阶段应用将向更

282、高阶的智慧赋能与良性生态构建演进。将基于对用户行为和业务数据的深度分析与模式挖掘，探索从传统的“人找数”向更为智能的“数找人、数提策”模式转变，实现主动为用户推送相关的业务洞察、风险预警及决策建议。四、运营情况业务功能82通过搭建模型性能实时监控仪表盘，持续追踪包括查询意图理解准确率、API 调用成功率、用户反馈满意度以及无效问答率等在内的关键性能指标（KPIs）。核心的用数权限管理模块和全流程问答日志查询与审计功能已稳定高效运行，为应用的安全合规运营提供了坚实的技术保障。为拓宽智能问数的服务边界和应用深度，在首批已接入的核心业务 API 基础上，运营团队正根据业务发展优先级和试点用户的实际需

283、求，与数据中台及各业务系统团队紧密协作，动态梳理并有计划地逐步对接更多领域、更深层次的数据服务接口。目前，在试点初期，该应用日均处理用户各类自然语言查询数千次。试点用户普遍对应用提供的自然语言交互方式的便捷性、数据获取的即时性以及操作的友好性表示高度认可，并积极地为应用的进一步完善建言献策，形成了良好的互动氛围和应用生态雏形。虽然应用尚处于运营初期，但其在赋能业务决策、提升工作效率、降低用数门槛等方面的潜力已初步显现。随着模型交互效果的持续增强、功能的日益丰富、接入数据范围的不断扩大以及用户群体的逐步推广，预计各项关键运营指标将呈现稳步提升的良好态势，该应用的业务价值也将得到更充分的释放。尽管

284、尚处早期，该应用已在赋能业务、提升效率、夯实技术基础及培育数据文化等多个维度展现出初步成效，充分预示了其在推动我行数字化转型、提升核心竞争力方面的巨大潜力和深远价值。首先，在赋能业务人员自主用数、提升数据驱动决策能力方面成效初显。试点业务用户已能突破传统数据获取模式的束缚，通过自然语言直接与该应用进行交互，便捷、高效地获取此前需依赖 IT 支持或复杂 BI 工具操作方能得到的数据。其次，在关键技术自主可控与应用经验积累方面取得了重要突破。本项目坚定践行国家信创战略，成功依托我行超百卡国产算力集群，完成了大模型在金融核心业务场景下的应用适配、稳定部署与高效运行。这实现了在数据探索与创新应用、提升

285、用数灵活性的同时，有效防范数据泄露和误用风险，充分体现了“安全是发展的前提，发展是安全的保障”的理念。随着该应用功能的持续迭代完善、模型智能水平的不断进化以及应用范围的逐步推广与深化，预计未来在进一步降低运营成本、提升全行决策质量与效率、创新金融产品与服务模式、增强风险精准防控能力等方面的成效将更加显著和量化。本应用将为我行在日益激烈的市场竞争中注入强大的、可持续的“数智动力”。“大模型驱动的智能问数应用”的建设与初步运营，是我行在人工智能时代积极拥抱新技术、探索数据价值释放新路径的宝贵实践。在此过程中，积累的关键经验在于：坚实的数据底座是前提，我行多年数据治理与中台建设为项目成功奠定了基础；

286、场景驱动与业务深度融合是关键，确保技术方案能真正解决业务痛点并创造价值；坚定国产化技术路线不仅保障了项目自主可控，更提升了核心技术能力，对金融安全具有长远战略意义；大模型在金融领域的应用适配是一个持续优化、体系化运作的复杂过程，需结合领域知识与用户反馈不断迭代；同时，复合型人才培养与跨部门高效协同是项目成功的组织保障。这些经验深刻揭示了技术创新与业务实践相结合的内在规律，为我行未来深化数字化转型提供了重要启示。五、项目成效六、经验总结832025 金融大模型应用与智能体建设案例集知识管理与智能问答1.市场/需求分析2.立项背景3.项目目标恒丰银行：恒运 AI 答一、项目背景及目标当前，金融行业

287、的数字化转型浪潮方兴未艾，人工智能技术在优化运营流程、提升服务效率方面的应用日益广泛，智能化已成为金融机构提升核心竞争力的关键驱动力。银行运管条线作为连接前中后台的关键枢纽，其业务具有高度的知识密集性。涉及的政策法规、操作规程、业务指南、风险控制要点等知识点繁多且更新迭代迅速，对信息的准确性和时效性要求极高。传统依赖人工翻阅海量文档、通过邮件或电话层层咨询的知识获取方式，不仅效率低下、响应迟缓，还易导致知识传承断裂、答案口径不一等问题，难以满足快节奏、高标准的业务需求。具体到用户层面，恒丰银行运管条线的员工，包括柜面人员、后台操作人员、风险管理专员及合规人员等，在日常工作中迫切需要一个能够快速

288、、准确提供业务知识和操作指引的工具，以高效应对各类工作任务和客户咨询。现有的传统知识库系统往往存在检索体验不佳、信息过载严重、难以精准定位答案等弊端，无法有效满足一线员工的实际需求。从业务挑战来看，主要体现在以下几个方面：运营效率瓶颈：大量重复性的内部咨询和知识查询工作占用了员工宝贵的时间和精力，影响了核心业务的处理效率。知识管理与更新压力：运管相关的制度、金融产品、业务流程频繁调整更新，如何确保每一位一线员工都能及时、准确地掌握最新知识，是一项持续的重大挑战。服务一致性与合规风险：人工解答可能因个人理解偏差或信息滞后而导致服务口径不一，严重时甚至可能引发操作差错或合规风险。因此，构建一个智能

289、化的问答系统，以提升运管条线的知识服务能力和运营效能，已成为恒丰银行内部亟待解决的重要课题。为应对上述挑战，恒丰银行以提升运营管理精细化水平、赋能一线员工、有效降低运营成本为内部驱动，积极寻求 AI 技术突破。近年来，大型语言模型(LLM)以及检索增强生成(RAG)技术的快速发展和逐步成熟，为解决金融领域知识密集型任务的痛点提供了切实可行的技术路径。尤为重要的是，项目启动之初，恒丰银行已具备了坚实的数据基础。运管条线经过细致梳理和整合，积累了超过200份核心业务文档，这些文档涵盖了内部规章制度、标准操作手册、金融产品详细说明、常见问题解答(FAQ)等关键信息。同时，还整理形成了超过 10000

290、 条高质量的运营专家知识问答对。这些宝贵的内部知识资产为构建 RAG 系统的知识库提供了丰富且权威的来源，是项目得以顺利启动并取得预期成效的关键前提。“恒运 AI 答”项目的目标是多维度、多层次的，旨在通过技术赋能实现以下目标：84“恒运 AI 答”项目在建设理念、技术实现和应用模式上均体现了显著的创新性，尤其在资源和成本约束下实现了卓越的性能表现。轻量级高效RAG实践的典范：本项目最大的创新在于，面对金融行业普遍存在的对AI高投入、长周期的顾虑，另辟蹊径地证明了仅通过对基础 RAG 架构的深度理解和精细化应用，特别是针对金融运管领域复杂文档特性进行的多策略组合文档分块优化，即可在不构建复杂知

291、识图谱、不进行大模型微调的情况下，实现高达 97%的问答满意率。这充分体现了技术选型的务实性和对成本效益的极致追求，为同业提供了宝贵的“以简驭繁”的 AI 落地经验。面向金融文档的深度理解与处理优化：针对运管条线文档普遍存在的多样性(如大量制度条款、操作流程图、数据表格)和高度专业化的特点，项目团队探索并实践了一套行之有效的文档解析、智能清洗、关键信息结构化提取以及多层次语义分块的方法论。这套方法论确保了知识库的质量和检索相关性，是 RAG 系统性能的关键保障。精准聚焦运管核心高频场景的应用创新：系统深度契合运管条线员工在日常工作中面临的政策查询、流程确认、风险咨询等高频场景，提供”即问即答”

292、的精准知识服务。这种以解决一线实际痛点为出发点的应用设计，确保了系统的实用性和高用户粘性。动态交互式知识赋能新模式：“恒运 AI 答”成功将银行内部大量静态的、分散的制度文档和操作手册，转化为动态的、可便捷交互的智能问答服务能力。这不仅极大地便利了知识的获取，更促进了知识在团队内部的快速传播、深入理解和有效应用，从而整体提升了运管团队的专业素养和风险意识。用户驱动的闭环迭代体验创新：项目注重用户体验，提供了简洁易用的交互界面，并设计了清晰的答案呈现方式，如关键信息高亮、精准引用溯源(明确答案来源的运营文档具体段落)，显著提升了答案的可信度和用户的核验效率。更重要的是，建立了完善的用户反馈机制，

293、通过对用户提问、点赞点踩、意见建议的持续分析，驱动知识库、分块策略和问答逻辑的快速迭代优化。务实的知识管理与推广模式：在项目推行过程中，坚持”业务主导、技术支撑”的原则，通过试点先行、快速迭代、用户深度参与(如邀请业务骨干参与知识校验和系统测评)等方式，确保了系统功能与业务需求的紧密贴合和持续优化，为系统的顺利推广和广泛应用奠定了坚实基础。业务目标：构建一个高效、精准、易用的运管条线智能问答助手。该助手旨在显著提升运管条线员工获取专业知识的效率和解决实际问题的能力，有效降低人工咨询压力，确保信息传递的准确性和一致性，从而为运管各项业务的高质量、稳健发展提供有力支撑。技术目标：探索并实践一条轻量

294、级、高性价比的 AI 应用落地路径。具体而言，在不依赖复杂知识图谱构建和成本高昂的大语言模型微调的前提下，通过对基础 RAG 技术栈的深度优化，特别是针对金融运管领域文档特性的精细化文档分块策略的应用，实现行业领先的业务问答满意率。“恒运 AI 答”项目的整体规划思路是以恒丰银行运管条线的核心业务需求为根本导向，充分依托现有的 200 余份专业文档和超过 10000 条高质量问答对的知识基础。技术路线上，坚定选择并优化基础的检索增强生成(RAG)技术，避免了知识图谱构建和模型微调带来的高昂成本和复杂性。项目成功的关键在于通过对文档处理流程、特别是文档分块策略的持续迭代优化、高效检索算法的选择以

295、及精细化的提示词工程，最终构建一个响应迅速、答案精准、运行稳定且用户体验良好的智能问答系统。二、创新点三、项目技术方案1.项目规划852025 金融大模型应用与智能体建设案例集知识管理与智能问答项目的关键实施阶段规划如下：1.数据准备与知识库构建阶段：此阶段的核心任务是对运管条线提供的各类文档进行全面的收集、细致的清洗、智能化的解析以及必要的结构化处理。随后，对处理后的文本数据进行初步的文档分块，并利用选定的 Embedding模型进行向量化转换，构建初步的向量知识库。2.RAG 核心功能研发阶段：基于业界成熟的 RAG 理论框架，搭建系统基础的 RAG 流程。这包括实现独立的检索模块(Ret

296、riever)，负责从向量知识库中高效查找与提问相关的文档片段；以及生成模块(Generator)，负责整合检索到的信息并生成自然语言答案。3.文档分块策略优化与深度测试阶段：这是项目的技术攻坚核心。针对运管文档的特性(如长文本、条款密集、含表格等)，设计并实验多种文档分块策略(如不同大小的固定分块、语义分块、基于章节的分块等)，并通过严格的效果评估(如召回率、答案相关性分析)，筛选并确定最优的分块方案组合。4.系统集成与用户体验优化阶段：开发用户友好的前端交互界面，确保操作的便捷性。优化答案的呈现方式，例如加入引用溯源功能，提升答案的可信度。组织小范围用户进行实际场景测试，收集反馈。5.上线

297、试运行与反馈驱动迭代阶段：在特定部门或用户群体中进行小范围推广试运行，密切监控系统表现，广泛收集用户反馈。基于反馈数据和运行日志，对模型参数、分块逻辑、知识库内容进行持续的敏捷迭代和优化。项目在实施过程中，采用了敏捷开发(Agile Development)的方法论。我们坚持小步快跑、快速迭代的原则，早期阶段高度关注核心功能的快速实现和用户真实反馈的获取，以便及时调整开发方向，确保最终产品与业务需求的高度契合。资源投入方面，项目组构建了一支由多领域专业人才构成的复合型团队，其中包括深刻理解运管业务流程和知识体系的业务专家，负责 AI 模型选型、算法优化的 AI 工程师，专攻数据处理与知识库构建

298、的数据工程师，以及负责用户界面和交互体验的前端工程师。特别是在项目初期，银行在运管文档的梳理、人工校验和高质量 Q&A 对的标注与审核方面投入了显著的人力资源，这为后续 RAG 系统的高性能表现奠定了坚实基础。技术栈选型遵循以下核心原则：成熟稳定性：优先选择在业界得到广泛应用、经过大规模验证的成熟技术和框架。社区支持度：考量技术的社区活跃度、文档完善程度以及问题解决资源的可获得性。金融行业适用性：确保所选技术能够满足金融行业在数据安全、系统合规、可审计性等方面的严格要求。成本效益：在满足功能和性能的前提下，综合评估技术的采购成本、开发成本和长期维护成本。“恒运 AI 答”系统整体采用分层化的模

299、块化架构设计，确保各组件功能内聚、低耦合，易于维护和扩展。其核心数据流和控制流如下所示：用户输入 前端界面应用服务层 问题预处理 查询向量编码 AI 核心引擎(RAG 模块)向量数据库检索 相关文档块返回 上下文构建与 Prompt 生成 大语言模型(LLM)推理 答案后处理与溯源 应用服务层 前端界面用户获取答案核心模块说明2.实施方法数据处理与知识库构建模块3.技术架构86该模块是智能问答系统的基石，负责将原始的运管知识转化为机器可理解和检索的格式。文档来源：系统处理的主要数据源包括恒丰银行内部权威的 200 余份运管条线专业文档(格式涵盖 PDF、Word、Excel、HTML 等)，以

300、及超过 10000 条由业务专家梳理和校准的高质量问答对(Q&A pairs)。这些 Q&A 对对于提升常见问题的解答效率和准确性至关重要。文档解析与清洗：此步骤致力于从原始文档中提取高质量的纯文本内容。具体操作包括：利用 OCR 技术处理扫描版 PDF，准确提取各类文档中的文本信息；进行细致的格式转换和统一；有效去除页眉、页脚、水印、无关图片等噪音数据；妥善处理特殊字符和编码问题。特别针对金融文档中常见的表格和列表内容，开发了专门的脚本进行结构化提取和转换(例如，将表格转换为易于 LLM 理解的 Markdown 格式)。知识库构建：经过清洗和结构化处理的文档内容，连同已有的 Q&A 对，将

301、通过精心选择的 Embedding 模型(例如，针对中文优化的 BGE-large-zh 或类似的高质量句向量模型)转换为高维语义向量。这些向量随后被高效地索引并存储在专业的向量数据库(例如，FAISS、Milvus 等，具体选型基于性能、部署便捷性和维护成本考量)中，形成可供快速检索的向量知识库。3.元数据增强分块(Metadata-Enriched Chunking)：为每一个生成的文档块附加丰富的元数据。这些元数据包括但不限于：原始文档名称、文档版本、章节标题、发布日期、关键词、主题分类(如”反洗钱规定”、“柜面操这是系统的智能核心，严格遵循基础 RAG 架构，未采用知识图谱进行复杂的图

302、谱问答，也未对所选的大语言模型本身进行任何形式的微调(Fine-tuning)操作，力求在基础技术框架内实现性能最优化。用户问题理解与编码：当用户通过前端界面提交问题后，系统首先对原始提问进行必要的预处理，如基本的拼写纠错、去除无关符号等。随后，使用与文档编码阶段相同或高度兼容的 Embedding 模型，将用户的自然语言问题转换为查询向量。核心技术：文档分块策略(Chunking Strategy)的精细化实践文档分块是决定 RAG 系统性能的咽喉环节，其质量直接影响后续检索召回的精准度和最终生成答案的相关性与完整性。不恰当的分块会导致关键信息丢失、上下文割裂或引入大量噪音，从而严重损害问答

303、效果。恒丰银行在”恒运 AI 答”项目中，针对运管文档的特性，探索并实践了如下组合分块策略：恒丰银行运管文档分块策略实践要点：1.混合粒度分块(Hybrid Granularity Chunking)：认识到运管文档内容多样性(条款、案例、流程、定义等)，单一分块策略难以普适。因此，采用多种策略组合：固定大小分块(Fixed-size Chunking)结合智能重叠(Intelligent Overlap)：作为基础策略，设定一个相对适中的块大小(如 300-500 tokens，根据所选 LLM 的上下文窗口和文档特性实验确定)，并设置合理的重叠率(如块大小的 10-20%)，以确保语义的连

304、贯性，避免重要信息在块的边界被切断。选择此范围是基于对 LLM 有效信息处理范围的考量和初步实验结果。语义分块(Semantic Chunking)：超越简单的字符或 Token 计数，尝试基于自然语言的语义边界进行切分。例如，优先确保一个完整的政策条款、一个独立的操作步骤说明、或一个 FAQ 的问答对被包含在单个块内。这可能借助 NLP 工具识别句子结束符、段落标记，或利用轻量级模型辅助判断语义完整性。2.针对性内容处理与分块：表格内容结构化与独立分块：对于文档中常见的表格数据(如费率表、权限表)，首先进行结构化提取(如转为 Markdown 或 JSON)，然后可能将整个表格(若大小适中)

305、或表格的关键行/列组合视为一个独立的、富含信息的块。列表和枚举项的保留：确保列表项(如操作要点 1.2.3)尽可能在同一块内，或通过重叠保证连续性。检索增强生成(RAG)模块872025 金融大模型应用与智能体建设案例集知识管理与智能问答作流程”等)。这些元数据不仅能在检索时用于精确过滤，还能在后续对检索结果进行排序或给 LLM 提供额外上下文时发挥重要作用。(参考：万字长文告别粗暴切分)4.父文档与子块关联逻辑(Parent Document-Child Chunk Association)：虽然系统采用基础 RAG，但借鉴了先进 RAG 策略中的”小块嵌入-大块检索”思想的简化版。具体做法

306、是，在将文档分割成较小的、语义集中的”子块”(Child Chunks)进行 Embedding 和初步检索，以提高检索的精确度和相关性。当检索到最相关的若干子块后，系统会智能地将这些子块连同其紧邻的上下文(可能来自同一个”父段落”或扩大到一定范围的”父块”)一并提供给 LLM。这样做的好处在于，检索时利用了小块的定位精准性，而在生成答案时，LLM 能获得更完整、更丰富的上下文信息，有助于生成更全面、逻辑更连贯的答案，有效避免”只见树木不见森林”的问题。5.基于 Q&A 对的知识补充：现有的 10000+Q&A 对直接作为高质量的知识块存入向量库，对于高频或特定表述的常见问题，可以直接匹配并返

307、回标准答案，极大提升了这部分问题的响应速度和准确率。6.持续的实验与迭代优化：强调文档分块策略并非一次设定即一劳永逸，而是项目团队通过大量的实验(对比不同参数设置、不同策略组合的效果)、严格的评估(包括人工评估和自动化指标如召回率、MRR 等)以及听取业务专家的反馈，进行持续调整和优化的过程。如何通过精细化分块策略提高问答准确率：上述一系列精细化的分块策略，确保了被检索到的每一个文档块都尽可能地包含与用户问题紧密相关且语义完整的上下文信息。这有效减少了无关信息的干扰，降低了信息噪音，从而为大语言模型准确理解问题、并依据可靠上下文生成高质量、高相关性的答案奠定了坚实基础。这是”恒运 AI 答”在

308、未使用模型微调的情况下仍能达到 97%高满意率的核心技术保障之一。向量检索与排序：当用户查询向量生成后，系统会利用该向量在预先构建的向量数据库中执行高效的相似度搜索(通常采用余弦相似度算法)。系统会召回 Top-K 个与查询语义最相关的文档块。为进一步提升送入 LLM 的上下文质量，系统内部可能集成了一个轻量级的重排序(Re-ranking)步骤(若未使用显式重排模型，则此处强调的是高质量 Embedding 和优秀分块带来的原生高相关性排序)。上下文构建与提示词工程(Prompt Engineering)：将经过检索(可能还有重排序)筛选出的相关文档块，与用户的原始问题，按照精心设计的模板整

309、合成一个结构化的输入提示(Prompt)。Prompt 的设计是 RAG 成功的又一关键，它需要清晰地引导大语言模型(LLM)如何利用提供的上下文信息来回答用户的问题，同时可能还需指示 LLM 遵循特定的回答风格(如简洁明了、正式专业)、答案长度，以及强调必要时引用信息来源。答案生成：将构建好的提示词 Prompt 输入给选定的大语言模型。模型选型会倾向于选择在中文理解和生成、金融领域知识处理方面表现较好，且部署和使用成本可控的基础大语言模型(如国内主流厂商提供的成熟模型 API，或优秀的开源模型)。大语言模型依据提供的上下文和问题指令，生成初步的自然语言答案。答案后处理与引用溯源：大语言模型

310、生成的初步答案会经过必要的后处理环节。这包括：去除可能存在的冗余表达或模板化语句；对答案进行格式化，使其更易于阅读；在某些情况下，可能还需要进行敏感信息过滤。尤为重要的是，系统致力于为答案添加准确的引用来源，例如，明确指出答案依据的是哪份文档的哪个章节或具体条款。这对于运管业务的严谨性要求至关重要，极大增强了答案的可信度和用户进行核实的便利性。对话管理：针对可能出现的多轮追问场景，系统具备基础的会话状态管理能力，能够在一定程度上理解并关联上下文中的指代，以提供更连贯的问答体验。“恒运 AI 答”项目主要定位为恒丰银行内部的效率提升与知识赋能工具，其核心价值在于内部运营优化而非直问答处理模块4.

311、业务/商业模式88接对外产生商业收入。其业务模式体现在深度融入运管条线的日常工作流程，并通过智能化手段创造间接的业务价值。“恒运 AI 答”的推广应用，已在恒丰银行运管条线的日常工作中产生了显著且多方面的业务价值：自”恒运 AI 答”正式上线以来，恒丰银行在运管条线内部进行了系统性的推广应用。目前，该智能问答助手已全面覆盖总行运营管理部、风险合规部运管相关处室，以及各一级分行、直属支行的运营管理团队、柜面业务骨干等关键岗位。据初步统计，系统当前活跃用户已超过 1500 人，日均处理各类运管业务相关查询请求达到 2000 余次，高峰期(如新政发布、月末季末)查询量可突破 3000 次。为确保“恒

312、运 AI 答”在上线持续稳定运行，开展如下工作：724 小时监控与响应：建立完善的系统监控体系（服务器资源、应用状态、API 响应、知识库更新状态等），设置关键指标阈值告警，确保 724 小时快速响应和故障处理。高效用户支持体系：建立清晰、多级（如一线客服/内部 IT 支持、二线项目组/厂商专家）的用户问题反馈与支持渠道（如在线反馈表单、专门支持邮箱或即时通讯群），确保用户问题得到及时、专业的解答和解决。为确保系统顺利推广并发挥最大效能，项目组采取了以下策略与方法：试点先行，逐步铺开：在全面推广前，选取了若干业务代表性强、员工接受度高的分支机构作为试点单位。通过试点运行，验证了系统的稳定性和实

313、用性，收集了宝贵的优化建议，并树立了成功样板。高层重视与推动：项目获得了行领导层的高度重视与支持，将其定位为提升运管效能、赋能一线的重要举措，为全行推广营造了积极氛围。四、运营情况五、项目成效快速精准解答高频问题：员工在处理日常业务时，可即时通过系统查询各类政策规定(如反洗钱要求、账户管理细则)、具体业务流程(如特殊业务授权、差错处理步骤)、金融产品特性、以及内部 IT 系统的操作指南等。系统能够迅速提供标准答案并附带原文出处，有效取代了以往繁琐耗时的文档翻阅或四处电话咨询。辅助复杂、偶发业务场景处理：在面对一些非常规或操作较为复杂的业务场景时，系统能提供相关的知识点梳理、历史案例参考(若有)

314、和合规要点提示，帮助员工更全面地理解和应对。加速新员工培训与业务上手：新入职员工或岗位轮换员工，可以通过”恒运 AI 答”进行自主学习和即时查询，快速掌握所需业务知识和操作技能，显著缩短了培训周期和适应期。提升合规操作的准确性与一致性：系统提供的答案均源自官方权威文档，确保了信息的标准性和统一性。这有助于减少因个人理解偏差或信息掌握不全导致的操作差错，从源头上降低了潜在的合规风险。据抽样调研和用户反馈，员工通过”恒运 AI 答”查找和确认业务知识点的平均耗时，已从原先的平均 10-20 分钟(复杂问题可能更长)大幅缩短至 1 分钟以内，简单问题基本实现秒级响应。系统上线后，运管条线内部通过邮件

315、、电话等传统方式进行的重复性业务咨询数量显著下降，初步估计降幅超过 60%。这使得资深员工能从繁琐的答疑工作中解放出来，投入到更具价值的核心业务分析和流程优化上。1.对运管条线工作的直接、高效支持2.显著的运营效率提升892025 金融大模型应用与智能体建设案例集知识管理与智能问答1.基础 RAG 的巨大潜力与卓越成本效益：项目实践雄辩地证明，在知识密集型的特定业务领域(如银行运管条线)，即便不投入巨资构建复杂的知识图谱，也不对大语言模型本身进行成本高昂的微调，仅仅通过对基础 RAG架构的精心设计和深度优化，也完全有能力达到非常高的系统性能(本项目实现了 97%的用户问答满意率)。这种技术路径

316、不仅大幅降低了 AI 应用的门槛，其开发周期和长期维护成本也相对更为可控。2.文档预处理和数据清洗是成功的基石：RAG 系统的核心理念是”检索增强生成”，其效果高度依赖于检索到的上下文质量。因此，“Garbage in，garbage out”(垃圾进，垃圾出)的原则在这里体现得淋漓尽致。在项目早期对原始运管文档进行彻底的解析、格式统一、噪音数据去除(如水印、页眉页脚)、以及关键结构化信息提取等方面投入的巨大精力，被证明是极其值得的，它直接决定了知识库的”纯净度”和可用性。3.文档分块策略是 RAG 系统的灵魂与核心技术引擎：这是本项目成功的关键所在，也是投入研发精力最多的环节。不存在”放之四

317、海而皆准”的万能分块策略：必须根据业务文档的具体类型(如制度文件、操作手册、产品说明、FAQ)、内容组织特点(如条款密度、章节结构、图表占比)、大语言模型上下文窗口的实际大小以及最终的应用场景(如精确问答、信息摘要)等多种因素，进行反复的、细致的实验对比和参数调优。“小块精准定位，大块保障上下文完整”的平衡艺术：在实践中深刻体会到，将文档切分成语义完整且粒度较小的”子块”(Semantic Chunks)，更有利于提升向量检索召回结果的精确度；然而，在将这些检索到的信息提供给大语言模型进行答案生成时，又需要确保上下文的相对完整性，以避免模型因信息碎片化而产生误解或生成片面答案。因此，如何动态地

318、提供和组织这些上下文(例如，借鉴父文档检索逻辑，或在召回多个相关小块后进行智能合并与扩展)是一项核心挑战。元数据的战略价值不容小觑：为每一个文档分块精准地附加丰富的元数据信息(如原始文档名称、具体章节号、发布日期、关键词、所属业务分类等)，不仅能够显著提升后续向量检索的过滤能力和结果排序的相关性，还能为用户提供更清晰的答案溯源，增强信任感。4.提示词工程(Prompt Engineering)是提升答案质量的”最后一公里”：一个精心设计、持续优化的 Prompt模板，能够有效地引导大语言模型准确理解上下文信息、聚焦关键要点、遵循预设的回答格式和风格，并减少不必六、经验总结“恒运 AI 答”构建

319、了一个动态更新的、中央化的运管知识库。它将原本分散存储于各类电子或纸质文档、甚至留存于资深员工脑海中的隐性知识，进行了有效的显性化、结构化和数字化整合，形成了一个全行运管条线统一的、易于检索和持续更新的知识平台。极大地促进了最新业务知识和操作规范在团队内部的快速、无障碍共享，打破了可能存在的信息孤岛，确保了所有员工都能平等、便捷地获取到最权威、最及时的业务信息。通过对用户查询热点、反馈问题的分析，系统还能反向揭示出当前业务流程或制度文件中可能存在的模糊地带、理解难点或潜在的改进点，为运管管理部门的业务优化和制度完善提供了有价值的数据参考，间接支持了业务的持续创新。由于知识获取更为便捷高效，员工

320、处理单笔具体业务(如一笔复杂的对公账户开立审核)的平均处理速度亦有明显提升，初步估算整体业务处理效率提升约 15-20%。3.有效的知识沉淀、共享与传承核心经验90要的幻觉或冗余输出。这项工作需要结合实际运行中出现的 bad cases 不断迭代。5.建立多维度、可量化的评估体系是持续优化的导航仪：除了最终的用户满意率，还应在开发和迭代过程中建立包括检索召回率(Recall)、平均排序倒数(MRR)、答案内容与问题的相关性、答案本身的准确性、信息完整性、语言流畅性等多维度、可量化的内部评估指标。这些指标体系能够为系统各模块的优化方向提供科学的指引。1.初期对金融文档分块策略的复杂度与调优周期的

321、估计不足：项目启动初期，可能认为采用一些通用的固定大小分块方法即可满足需求。但实际操作中发现，金融运管文档的结构复杂性、专业术语的密集性、以及对信息准确性的极端要求，使得分块策略的设计、实验验证和参数优化工作远比预期耗时和复杂。2.基础 RAG 在处理深度隐含意图和多步复杂推理查询时的固有挑战：对于那些用户提问非常模糊、需要系统进行多步骤逻辑推理，或者真实意图深埋在字面问题之下的查询，基础 RAG 系统的处理能力仍然存在一定的局限性。这类问题往往需要更高级的查询理解、查询重写或多轮交互澄清机制。3.知识更新的及时性、自动化程度与成本之间的平衡难题：运管条线的政策、产品和操作流程更新非常频繁。如

322、何建立一个既能保证知识库内容及时更新，又能将人工干预成本(如文档重新处理、标注、审核)降至最低的高效、半自动化的知识更新机制，是一个持续存在的挑战。完全依赖手动更新不仅成本高昂，也难以保证时效性。4.大语言模型上下文窗口限制与输入信息密度的权衡：在向 LLM 提供检索到的上下文时，既要努力保证信息的全面性和完整性，以便模型能做出准确判断：同时也要避免因输入信息过多、过于冗余而超出 LLM 的有效上下文窗口长度，或导致关键信息被稀释，影响最终答案的质量。这需要在文档分块的大小、召回文档块的数量以及上下文组织方式上进行精心的权衡和设计。主要教训912025 金融大模型应用与智能体建设案例集知识管理

323、与智能问答1.系统架构解析财信人寿：“吉小星”AI 助手保险全链路智能增效引擎一、项目背景及目标二、创新点三、项目技术方案在保险行业数字化转型浪潮中，财信人寿敏锐把握人工智能技术发展机遇，于 2025 年 4 月正式推出面向内部员工的吉小星 AI 助手。这一创新项目标志着公司在智能化运营领域迈出了关键一步，为保险行业内部管理智能化树立了新标杆。当前保险行业面临多重挑战：代理人队伍专业能力参差不齐、内勤人员工作负荷过重、合规审查流程繁琐耗时、产品开发周期长等问题日益凸显。传统解决方案往往采用分散式系统，导致信息孤岛、效率低下。吉小星 AI 助手应运而生，通过深度融合大语言模型技术与保险专业知识库

324、，构建了统一的智能工作平台，通过新范式激活了公司的内部信息池。项目自上线以来，已覆盖 1600 名内部用户，支持代理人培训、内勤办公、产品开发、合规审查等核心业务场景。系统采用双模型架构（DeepSeek v3 快速版和 R1 深度推理版），在保证响应速度的同时满足复杂业务场景的高精度需求。值得一提的是，吉小星通过整合内部知识库以及外部实时检索信息，创新实现内外部数据融合技术，以提供更精准的信息检索和决策支持。“吉小星”AI 助手项目的技术创新体现在多个维度：智能推理引擎：采用双模型协同机制，DeepSeek v3 模型处理常规查询，响应时间控制在毫秒级；对于复杂逻辑推理需求，模型可以切换至

325、R1 模型，其思维链能力可深入解析保险条款、评估合规风险。这种弹性模型配置策略使应用场景更加灵活高效。知识融合系统：构建了动态更新的三层知识架构：基础保险知识库（包含公司制度、产品条款等结构化数据）、实时外部信息索引（监管动态、行业资讯）、员工贡献的实践经验库。系统通过语义理解技术实现三者的有机融合，使回答既权威准确又贴近实务。安全保护机制：采用更加安全的系统架构，通过本地化、分级权限管控的知识库实现安全问答。通过签订严格的数据处理协议，确保所有交互数据仅用于当前会话，不会用于模型训练或其他用途。吉小星的系统架构体现了保险行业特色与技术创新：应用层 提供多样化接入方式，包括Web界面、移动端适

326、配界面以及API集成方案，满足不同岗位员工的使用习惯。特别设计了“客户模拟”训练环境，为客服人员提供沉浸式演练平台。能力层 包含四大核心模块：智能问答系统：支持从简单产品查询到复杂条款解析的多层次问答 生产力工具集：涵盖文档润色、Excel 公式生成、可视化图表制作等办公场景92 专业支持模块：提供话术设计、营销方案策划、合规审查等保险专属功能 开发辅助工具：帮助技术人员快速生成代码、设计系统架构、制作项目甘特图数据层 采用混合存储策略，结构化数据（如产品信息）存储在关系型数据库，非结构化数据（如监管文件）使用向量数据库实现语义检索。通过创新的基于大模型的知识问答对提取技术，将用户问题与分散的

327、保险概念、条款、案例连接成有机网络。基础设施层 支持容器化技术部署，可根据业务需求弹性扩展计算资源。系统设计了相应监控体系，实时跟踪应用使用量、应用资源、知识更新状态和用户行为模式。吉小星 AI 助手在推广应用及系统运行方面取得了显著成效。整体运营情况：吉小星 AI 助手自上线以来，在财信人寿内部形成了智能化应用的良性生态。依托大语言模型与知识库技术，能够高效处理多样化自然语言任务，具备跨场景的广泛适用性。同时，系统支持定制化调整，可针对不同部门的业务需求提供个性化服务支持。应用推广情况：系统采用渐进式推广策略，首批试点覆盖渠道、运营、培训、资管等核心业务部门，通过场景化渗透逐步扩大应用范围。

328、在实际运营中，系统展现出强大的环境适应能力，既能满足日常渠道展业营销素材和方案设计，也可支持资管、精算部门复杂的数据分析任务。吉小星逐步融入员工日常工作流程，通过提升任务处理效率与降低沟通成本，为用户提供了更智能、便捷的服务体验。员工使用习惯正在发生深刻转变，试点用户已逐步形成主动咨询吉小星的工作模式，用户平均单日交互频次达到 9.3 次，充分体现了工具与工作流程的深度融合。系统运行情况：系统运行表现符合预期目标，在业务高峰期仍保持 99.9%的服务可用性，首 Token 响应时间低（1）代理人赋能体系吉小星进一步改变了传统代理人培训模式：实时话术支持：当遇到客户异议时（如 重疾险理赔条件太苛

329、刻），系统能生成包含医学通俗解释、真实案例和销售技巧的组合话术。场景化训练：通过角色扮演功能，代理人可与模拟客户进行多轮对话，系统会记录对话过程并提供改进建议。（2）内勤工作效率革命对内勤人员而言，吉小星是全能的工作伙伴：制度查询：将分散在多个系统中的规章制度整合为统一知识库，支持自然语言查询（如 病假薪酬标准）。文档处理：可自动润色公文，使其符合保险行业公文规范；将复杂表格需求转化为 Excel 公式。跨部门协作：通过共享知识库功能，不同部门可共建专题知识区，减少重复沟通。使用文档润色功能后，各报告撰写时间平均减少 30%，且格式错误率下降至 10%以下。（3）产品开发与合规风控在产品创新和

330、风险管理方面，吉小星展现出独特价值：条款智能审查：可识别合同文本中的模糊表述，提出符合监管要求的修改建议，将合规审查时间压缩 60%。产品创意孵化：基于市场数据和公司战略，生成包含目标客户、场景设计、实施路径的完整创新方案。可视化解析：将复杂的责任免除条款转化为阶梯式流程图，帮助非法律专业人员快速理解关键点。资管部门利用吉小星的数据分析能力，可以将产品募集说明书等内容的投资评估周期从两周缩短至三天。2.业务场景与应用价值四、运营情况932025 金融大模型应用与智能体建设案例集知识管理与智能问答于 500 毫秒，平均后续单 Token 响应时间控制在 50 毫秒以内。通过创新的双模型机制，既保

331、障了常规查询的响应速度，又确保了复杂业务推理的深度。数据安全方面，全面采用加密传输，实现知识库本地部署并提供多重权限控制，保留完整操作日志。持续迭代升级：通过资源扩容、模型更新及功能扩展等方式，定期优化系统性能，提升响应速度与处理精度，适应业务发展需求。综上，内部数字助手在推广与运行层面均表现良好。随着技术迭代与功能完善，其将在保险业务场景中发挥更大价值，为客户提供更高效专业的服务支持。吉小星项目产生了显著的经济效益和转型价值。在直接收益方面，系统实现大量人力成本节约，主要来源于重复性咨询工作的自动化和业务流程的智能化改造。更深远的价值体现在知识资产转化方面，上线首月，系统已沉淀30 余个专业

332、知识库，包括 5012 个知识文件，将原本分散在员工个体中的经验转化为可复用的组织智慧，这种知识资本积累对保险企业的长期竞争力构建至关重要。社会效益维度同样成果丰硕。系统可将代理人平均培训周期进一步缩短，帮助缓解行业人才短缺压力；通过角色模拟实现培训以及辅助式标准化服务话术的输出，可进一步提升客户满意度；在合规风控方面，系统内置的合同条款审查功能已经能为合同预审提供有力协助。吉小星项目的成功实施，关键在于把握了三个核心要素：精准的需求锚定、弹性的技术架构和持续的价值运营。在需求分析阶段，项目组没有简单照搬技术方案，而是深入进行行业及业务调研，用一个月时间完成了行业工作场景，跟踪记录各岗位员工的

333、真实工作痛点，最终提炼出 知识即时化、流程智能化、经验显性化 三大核心需求。这种扎根业务的设计理念，确保了系统功能与用户需求的精准匹配。技术实施过程中形成的 双模驱动、小步快跑 策略具有行业借鉴价值。项目采用 大模型+领域知识 的双引擎架构，既保留了大语言模型的通用能力，又通过保险知识优化打破专业壁垒。项目组形成敏捷组织，在迭代机制上实行更快的更新节奏，始终保持技术先进性与业务适用性的平衡。在推广策略方面，项目组创造的 场景带教法 成效显著，通过选取典型业务场景制作应用示范，让员工在解决实际问题的过程中自然掌握系统使用方法。面向未来，吉小星将沿着三个方向持续进化：构建 AI 中台，并向业务前端延伸，探索智能核保、智能理赔等深度应用场景；向知识中台升级，构建行业领先的保险知识计算引擎；向生态化发展，通过开放 API 与行业伙伴共建保险智能生态。财信人寿将持续加大 AI 创新投入，计划在未来两