招商银行信用卡 AI 客服系统：从 0 到 1 实战

3.2 金融文档的'预处理流水线'

普通文档分割策略在金融领域完全失效——一个段落可能包含政策、例外条款和计算公式。我们设计了五级分割策略：

# 简化版分割逻辑示意
def segment_financial_document(text):
    if is_legal_clause(text):
        # 法律条款：保持完整
        return [text]
    elif is_calculation_rule(text):
        # 计算规则：公式 + 示例作为单元
        return split_with_formula(text)
    elif is_structured_table(text):
        # 结构化表格：行列语义保持
        return parse_table_with_context(text)
    elif is_faq(text):
        # FAQ：一问一答为单元
        return split_qa_pairs(text)
    else:
        # 普通说明文：按语义段落
        return semantic_split(text)

最关键的一步是'金融实体标注'，我们训练了一个 NER 模型识别文本中的：

• 卡片产品（如'经典白金卡'）
• 业务类型（如'账单分期'）
• 金额表达式（如'￥5,000'）
• 时间表达式（如'每自然月'）
• 费率表达式（如'0.5%/月'）

标注后的片段存入向量数据库时，这些实体作为元数据一并存储，极大提升了检索准确率。

四、核心模块：如何让 AI'懂金融'

4.1 意图识别：从 400 种用户意图开始

通过分析历史对话，我们归纳出信用卡场景的 12 个大类、87 个中类、超过 400 种具体意图。例如，'我想晚点还钱'可能对应：

• 申请账单分期
• 申请最低还款
• 查询宽限期政策
• 申请延期还款

我们的多层意图识别模型结合了：

1. 基于规则的关键词匹配（处理明确表述）
2. 基于 BERT 的文本分类模型（处理模糊表达）
3. 基于大模型的零样本识别（处理罕见问法）

# 意图识别决策流程
def recognize_intent(query, user_context):
    # 第一层：快速规则匹配
    rule_based_intent = rule_engine.match(query)
    if rule_based_intent.confidence > 0.9:
        return rule_based_intent
    # 第二层：机器学习模型
    ml_intent = ml_model.predict(query)
    if ml_intent.confidence > 0.8:
        return ml_intent
    # 第三层：大模型深度分析
    llm_intent = llm_analyze(query, user_context)
    return llm_intent

4.2 RAG 检索优化：金融知识的'精确制导'

通用 RAG 在金融场景的痛点：用户问'分期手续费多少？'，可能返回 10 种不同分期产品的手续费说明，但没有一种是用户当前可申请的。

我们的解决方案是上下文感知的检索增强：

1. 用户画像过滤：根据用户卡等级（普卡、金卡、白金卡）过滤不适用产品
2. 会话上下文关联：结合对话历史理解真实意图
3. 时效性权重：营销活动文档随时间自动降权
4. 地理位置过滤：部分活动仅限特定城市

def financial_rag_retrieve(query, user_profile, session_context):
    # 基础向量检索
    base_results = vector_search(query, top_k=20)
    # 金融领域特异性过滤
    filtered = []
    for doc in base_results:
        # 检查用户资格
        if not check_eligibility(doc, user_profile):
            continue
        # 检查时效性
        if is_expired_promotion(doc):
            continue
        # 检查地域限制
        if not check_location(doc, user_profile.city):
            continue
        filtered.append(doc)
    # 相关性重排
    reranked = rerank_with_financial_context(filtered, query, session_context)
    return reranked[:5]  # 返回 Top5 最相关文档

4.3 安全围栏：金融 AI 的'红线设计'

金融 AI 必须设置不可逾越的红线：

1. 绝对禁止的承诺：AI 不能承诺'肯定提额'、'100% 通过'
2. 金额精确性：涉及利息、费用的计算必须使用系统实时 API，而非大模型估算
3. 敏感操作验证：挂失、密码重置等操作必须多重验证
4. 合规话术强制插入：特定场景自动附加监管要求话术

我们在 Prompt 中设计了三层安全机制：

【系统指令】你是我行智能客服，必须严格遵守以下准则：
1. 关于额度、审批结果等不确定事项，必须表示'以最终审核为准'
2. 所有费率、利息计算必须调用 calculate_API() 获取准确结果
3. 当用户询问非本人账户信息时，必须拒绝并提示隐私保护
4. 分期、借贷类咨询必须附带'理性消费'提示
【本次对话约束】当前用户持有金卡级别，有 3 笔分期在还
【实时检测】检测到用户询问'提额'→触发固定话术模板

五、工作流引擎：处理复杂金融业务

5.1 账单分期工作流示例

对于'我想办账单分期'这一简单请求，AI 需要执行长达12 步的交互流程：

1. 用户申请账单分期
2. 身份验证
3. 查询可分期账单
4. 展示可选期数与费率
5. 用户选择期数
6. 计算每期还款金额
7. 展示详细还款计划
8. 用户确认
9. 风险提示与合规披露
10. 最终确认
11. 调用分期 API 返回办理结果
12. 转人工或引导自助验证结束流程

我们使用状态机引擎管理这类复杂流程，每个状态包含：

• 前置检查条件
• 向用户发送的信息
• 可接受的用户回应类型
• 状态转移逻辑
• 超时与异常处理

5.2 计算模块：当 AI 遇到数学

金融业务充满计算：分期手续费、利息、积分兑换比例… 我们坚守原则：所有计算必须通过确定性系统完成。

当用户问'分 12 期还 1 万元，每期还多少？'时：

def handle_installment_calculation(query):
    # 1. 从查询中提取参数
    amount = extract_amount(query)      # 10000
    periods = extract_periods(query)    # 12
    card_type = get_user_card_type()
    
    # 2. 调用银行核心系统 API 获取准确费率
    rate = call_rate_api(amount, periods, card_type)
    
    # 3. 使用银行标准金融计算库
    result = financial_calculator.installment(
        principal=amount,
        periods=periods,
        monthly_rate=rate
    )
    
    # 4. 生成自然语言解释
    explanation = f"""
    您申请将￥{amount:,.2f}分{periods}期：
    · 每月手续费率：{rate*100:.2f}%
    · 每期应还本金：￥{result['principal_per_month']:,.2f}
    · 每期手续费：￥{result['fee_per_month']:,.2f}
    · 每期还款总额：￥{result['total_per_month']:,.2f}
    · 总手续费：￥{result['total_fee']:,.2f}
    """
    return explanation

大模型仅负责参数提取和结果解释，绝不参与实际计算。

六、实施历程：三个月攻坚时间表

第 1 个月：基础能力搭建

• 第 1-2 周：知识库构建，完成首批 500 个核心文档的清洗、标注与向量化
• 第 3 周：基础对话引擎上线，覆盖'查询类'简单问题
• 第 4 周：内部员工测试，收集 1,200 个测试对话，识别主要问题

第 2 个月：核心业务覆盖

• 第 5-6 周：工作流引擎开发，支持账单查询、分期咨询、活动查询三大流程
• 第 7 周：安全与合规框架集成，通过法务与合规部门评审
• 第 8 周：小流量灰度上线，服务 1% 真实用户（每日约 500 通）

第 3 个月：优化与扩展

• 第 9 周：基于真实对话数据优化意图识别模型
• 第 10 周：扩展覆盖范围至挂失、积分兑换等场景
• 第 11 周：全流量上线，监控系统稳定性
• 第 12 周：建立持续优化机制，每周更新知识库

七、关键指标：金融 AI 的'成绩单'

上线三个月后，系统表现：

成本效益分析：系统日均处理咨询 52 万通，假设传统人工客服人均日处理 200 通，相当于替代了 2,600 名客服的人力需求。按行业人力成本计算，年化节省超过 3 亿元人民币。

八、经验总结：金融 AI 的'可迁移方法论'

8.1 金融行业特异性经验

1. 知识即服务：金融 AI 的本质是将复杂的金融知识转化为可对话的服务
2. 确定性与不确定性分离：计算类、流程类业务必须用确定系统处理
3. 合规不是限制而是框架：将合规要求设计进系统架构，而非事后添加
4. 信任建立分三步：准确信息→清晰解释→安全体验

8.2 对其他行业的迁移建议

1. 高监管行业（保险、证券、医疗）：直接复用我们的安全围栏设计和合规话术强制插入机制
2. 复杂产品行业（汽车、房产、企业服务）：参考我们的多级知识库构建方法和上下文感知检索
3. 高并发服务行业（电信、航空、电商）：借鉴我们的分层意图识别和工作流状态机设计
4. 传统行业数字化：可先从小范围高频场景切入，如我们的**'查询类优先'策略**

8.3 技术债务与未来挑战

我们清醒认识到，当前系统仍面临：

• 长对话上下文的理解衰减问题
• 多轮复杂协商类场景（如投诉处理）仍需人工介入
• 极端边缘案例的覆盖不足

为此，我们已启动第二期规划：情感智能模块（识别用户情绪并提供共情回应）、多模态能力（支持上传账单图片并解释）、个性化推荐引擎（基于用户画像主动提供建议）。