本文记录了招商银行信用卡 AI 客服系统从 0 到 1 的构建过程。采用 RAG+ 工作流架构，结合大模型与专用计算引擎，解决金融场景高准确率与安全性要求。通过五级文档分割策略与金融实体标注优化数据工程，设计多层意图识别与安全围栏确保合规。实施三个月后，问题解决率达 82.3%，转人工率降至 17.7%，显著降低人力成本。文章分享了技术选型、核心模块实现及行业迁移方法论。
在上海招商银行信用卡中心的会议室里，我面对着一张空白的白板，上面只有一行字：'如何用 AI 重构 4000 万持卡人的客服体验？'三个月后，当我们的 AI 客服'小招助理'成功处理了首日 10 万通咨询，转人工率降至 15% 以下时，我们意识到这次实践值得被完整记录。
接手这个项目时，招商银行信用卡业务面临着几个特有挑战：日均咨询量超 50 万通，涉及近千种卡片产品、数百种营销活动、复杂的金融政策；用户问题既包含简单的'账单日查询'，也有复杂的'分期利率计算'；同时金融行业对准确率、安全性与合规性的要求几乎达到严苛程度。
传统解决方案要么是关键词匹配的'智障机器人'，要么是成本高昂的纯人工服务。我们决定走第三条路：基于大语言模型打造真正智能、安全且可控的 AI 客服系统。
经过多方论证，我们放弃了微调通用大模型的路径——金融政策多变，微调模型难以实时更新，且存在'幻觉风险'。最终确定了 RAG+ 定向工作流 的架构：
用户问题 → 意图识别模块 → ↓ 【场景路由】
├── 简单查询 (70%) → RAG 知识库检索 → 生成回答
├── 复杂计算 (20%) → 专用计算引擎 → 格式化结果
└── 敏感操作 (10%) → 安全确认流程 → 转人工/继续
这个架构的精妙之处在于：用 RAG 保证回答与官方文档一致，用工作流引擎处理需要确定步骤的业务（如挂失、分期申请），用专用计算模块处理数字敏感场景（如利息计算）。
| 组件 | 选型 | 理由 | 金融业特殊考量 |
|---|---|---|---|
| 大模型基座 | DeepSeek 最新版本 + 少量腾讯混元备用 | 中文金融语料理解优秀，API 成本可控 | 部署在银行内部云，所有数据不出域 |
| 向量数据库 | 腾讯云 TDSQL+ 自研向量扩展 | 与现有基础设施一致，支持混合检索 | 支持国密加密，审计日志完备 |
| 开发框架 | LangChain + 自研金融插件 | LangChain 的灵活性高，便于集成传统系统 | 添加了金融领域实体识别链 |
| 知识库引擎 | 自研多级检索系统 | 针对金融文档特点优化 | 支持文档片段级权限控制 |
| 业务系统对接 | 企业服务总线 (ESB) 标准化接口 | 符合银行 IT 治理规范 | 所有调用双向认证，全链路加密 |
我们耗费近一个月，梳理出完整的信用卡知识图谱：
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：
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。
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：
我们的多层意图识别模型结合了：
# 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
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：
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
金融 AI 必须设置不可逾越的红线：
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
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：
我们使用状态机引擎管理这类复杂流程，每个状态包含：
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。
上线三个月后，系统表现：
| 指标 | 目标值 | 实际达成 | 行业平均水平 |
|---|---|---|---|
| 问题解决率 | ≥75% | 82.3% | 68% |
| 转人工率 | ≤25% | 17.7% | 32% |
| 平均响应时间 | ≤1.5 秒 | 0.8 秒 | 2.3 秒 |
| 用户满意度 | ≥85% | 88.6% | 79% |
| 准确率（金融关键信息） | 100% | 100% | 94% |
| 系统可用性 | ≥99.5% | 99.97% | 99.2% |
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。
我们清醒认识到，当前系统仍面临：
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）。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online