【方案】金融業客服場景解決方案-基于大模型應用開發平臺助力客戶加速客戶業務大模型應用落地（deepseek 應用）

騰訊金融業客服解決方案基于大模型應用開發平臺，

助力客戶加速客戶業務大模型應用落地01方案價值與產品定位知識構建詞槽、詞典、任務流程配置機器人配置猜你想問圖卡配置知識更新LLM加持知識運營效率

+應答范圍

+問答準確率

+客戶滿意度

+知識導入標準問梳理相似問梳理模型訓練對話交互意圖識別多輪對話轉人工話后小結工單小結客戶標簽自動流程3LLM在客服業務多個業務環節都有應用機會復雜業務流程樣例借書流程還書流程業內普遍對話效果通用模型回復前排座椅調節(手動座椅)

的操作步驟如下:1.

座椅位置調節:握住調節桿1的中部向上拉

,身體輕靠座椅

,將座椅滑動至所需位置

,松

開調節桿;2.

座椅高度調節:向上拉或按下調節手柄2;需要注意的是

,在調節座椅時

,應根據自身

身高、體型等情況選擇合適的座椅位置和高度

,以保證駕駛安全和舒適性。復雜圖文混排說明書LLM+RAGWorkflow丶Agent場景落地難點與方案價值降低大模型應用地門檻,助力企業高效打造效果佳、有價值的大模型應用方案落地難點1、

企業多模態知識復雜,解析及問答效果差落地難點2、

企業業務流程復雜,多輪對話不準確、不靈活步驟不完整:原文檔中的步驟三遺漏丟失圖片丟失:看不懂步驟里面1和2表達的是什么銷售助手SSC助手

(內部共享服務)智能客服內勤助手前排座椅,手動調節怎么操作?力落地場景文檔解析-拆分-入庫-檢索文檔拆分

向量化Rerank3、做深知識問答、完善流程編排、布局自主規劃應用配置-評測-發布1、全面模型驅動

，各取所長精調多模態大模型

混元大模型（MOE）模型層

精調知識大模型(混元SFT)混元大模型（Dense）行業大模型三方優秀開源模型（DS）①標準模式：內置RAG最佳實踐（面向知識問答場景）2、RAG（檢索增強生成）能力組件靈活輸出②自定義工作流（面向自定義復雜流程場景）③Agent模式（模型遵循指令自主規劃）文檔解析多輪改寫原子能力組件應用構建層方案定位：用靈活的大模型應用開發平臺支持客服業務l基于大模型的應用開發平臺，提供RAG、Workflow、Agent等應用開發方式、及原子能力（API）服務，助力企業加速大模型應用落地。l

知識問答部分領域效果領先：在圖文混排文檔問答、復雜大表問答等領域相比友商有一定優勢。擅長圖文表解析及公式解析，已被月之暗面采購，并支持元器、元寶調用。l

知識對接類型如未支持在線文檔對接、微信公眾號文章、客戶本地數據庫對接），還需進一步完善。l

自研模型：混元全系列模型；自研精調知識在無關知識拒答、多模態閱讀理解上有優勢；在醫學、教育等行業大模型上有落地標桿。l

三方開源模型：接入DeepSeek

R1/V3,疊加聯網搜索

+RAG能力，進一步放大RAG優勢。l

新版工作流發布，支持14個常用畫布節點，支持客戶通過拖拽大模型節點、參數提取節點、知識問答節點等常用原子能力編排業務流程。RAG效果保持領先，知識對接類型還需進一步擴展自研

+開源模型驅動，各取所長具備工作流、

Agent復雜應用構建能力騰訊內部產品合作合作伙伴應用共創樂享數智人騰訊學堂智能客服員工服務一網通辦代理人輔助電子說明書物業管家虛擬導游汽車助手能源泛政金融零售地產文旅汽車Agent模式“AI指揮官”Agent模式由大模型進行任務自主規劃和工具調用（function-call）

，可實現高效應用搭建。適用于有靈活回復或快速搭建需求的服務問答場景，如投資規劃、組合推薦等。工作流模式“智能生產線”使用指定的工作流來響應用戶所有對話。通過工作流，來拖拉拽各種原子能力，編排你想要的服務流程，如賬戶查詢、掛失解卦、健康服務預約等。標準模式“RAG：最強知識外掛”平臺內置最佳實踐流程，只需導入文檔/問答對

，即可達到更穩定和精確的知識問答效果。適用于企業知識服務、產品咨詢等嚴肅問答場景。要穩定選標準模式，

要定制選工作流，

要嘗鮮選Agent！三大應用模式，滿足客服場景多樣需求02業務難點與方案優勢復雜的表格結構大模型客服落地的實際難點1：企業知識格式多樣、

圖文并茂復雜排版的閱讀順序復雜的子元素識別把企業五花八門的知識庫喂給大模型，沒那么簡單！跨欄段落

跨圖段落少線表格無線表格有線表格表格內圖像段落內公式表格內公式段落內圖像圖/圖注群組跨表段落縱向多欄表/表注群組圖表文環繞橫向多欄8傳統OCR技術局限：識別精度低、元素易丟失9全鏈路解決復雜文檔解析、切分、檢索、推理、生成基于OCR大模型

解析引擎解析

+切分

+檢索Embedding模型業內首個語義切分大模型多模態、多行業大模型閱讀理解與生成-覆蓋復雜版面分析、元素子

-首個基于語義判斷的知識切分-綜合檢索+text2sql方案，支

-擅長復雜圖文表感知與理解

深入上百個客戶的應用場景圖識別，準確還原閱讀順序，識別準確率提升30%模型比傳統正則切分方式，

回答完整性提升20%持上萬行、上百列大表篩選、求和計算-多模態檢索模型發布，支持

文搜圖、圖搜圖-結合文中“數據圖”“自然場景圖”“圖文關系”給出

準確答案億級行業數據針對性訓練端到端問答精準產品優勢一：全鏈路解決企業多模態知識處理難題

，讓模型看得清

推理

+生成10文檔解析業內能力全面，準確率相比傳統解析提升30%。11業內競品文檔類型算法能力可編輯不可編輯版面分析元素排序文字識別表格識別公式識別圖像識別友商A★★★★☆☆★★★★★☆★★★★★☆★★☆★☆☆友商B★★★★☆☆★★★★★☆★★☆★★☆★★☆★★☆友商C★★★★★★★★★★★☆★★★★★☆☆☆☆☆☆☆友商D★★★★★★★☆☆★☆☆★★★★★☆★☆☆★★☆友商E★★★★★★★★★★★☆★★★★★★★☆☆★★☆優圖多模態文檔解析★★★★★★★★★★★★★★★★★★★★☆★★☆基于OCR大模型，突破復雜版面分析、元素識別等技術瓶頸

業界首個支持200MB以內超大文檔vs.業內普遍100MB內

豐富的文檔類型，超過26類vs.業內普遍

10類以內

支持圖文混排（多列排版）版面分析、圖文表/公式/頁眉等元素識別識別精度高、圖片元素不丟失亮點能力1：基于OCR大模型，提升圖文并茂文檔的解析準確度大模型落地的實際難點2：結構化表格數據龐大，檢索困難?

結構化的知識散落在企業的各種數據源中，結構化表格往往篇幅長（上百列、上萬行...)文檔中的非標準表格l

嵌套表格

，無法用Text2SQL進行精確檢索。l

完整的表格文本長度往往大于32K

，一次性給大語言模型處理效果不佳。上百列、上萬行表格亮點能力2：Text2SQL，支持上萬行/上百列的大表問答

?上線基于大語言模型的embedding模型，支持8K長切片檢索，多文檔信息召回率從85%提升到92%；

提供

Text2SQL能力，支持處理標準大表格單表檢索及跨表檢索，SQL執行準確率超過80%。Query“非智能且在售，并且一級分類是天棚燈的產品包含哪些”通過SQL檢索表格信息?。ㄕ┱掖螅ū砀瘢和ㄟ^檢索摘要來獲取相關的表格通過大語言模型對表格進行摘要

，通過檢索摘要來獲取相關的表格。如表格超過了大語言模型能夠支持的最大長度

，將表格切分為多個子切片

，通過子切片的摘要生成表格摘要。原始表格/文本召回原始表原始文本文本表征表格總結文本總結多路向量召回文本片段向量檢索：?

相近語義理解、多語言理解關鍵詞檢索：?精確匹配（如產品名稱、姓名、產品編號）?少量字符的匹配（很多用戶恰恰習慣只輸入幾個關鍵詞）?傾向低頻詞匯的匹配（低頻詞匯往往承載了語言中的重要意義）搜索詞關鍵詞搜索相關文本片段向量搜索相關文本片段亮點能力2：綜合使用摘要檢索、關鍵詞檢索、向量檢索，提升不規則大表格的問答準確率，讓模型找得準混合檢索：融合向量檢索、關鍵詞檢索多種能力表格功能支持情況友商A友商

B騰訊云知識引

擎理解文檔中【圖片內容】部分支持僅支持帶文字的圖像不支持支持理解文檔中【圖片內容】與【文字內容】及其對應關系，輸出圖像與文字不支持不支持支持理解用戶問題中【圖片內容】與【文字內容】聯合文檔內容作答不支持不支持支持?

用戶的輸入包含圖文交錯信息的輸入，問題的答案在文檔中的圖片、或者圖文混排段落里面，圖文關系理解困難；?圖片類型多樣，無文字注釋的自然場景圖片，僅靠單模態的LLM無法理解?

集中在處理基礎視覺問答（VQA）任務?

這些任務通常只涉及與問題強相關的有限圖片，即：用戶輸入圖片，模型直接回復業界技術局限場景痛點落地難點3：用戶對話信息多模態，包含圖文交錯復雜信息輸入15指引樣例亮點能力3:讀懂理解文中“圖文關系”，提升問答準確率及答案出圖率騰訊云RAG+DeepSeek：圖文并貌的產品操作說明“個人養老金在手機銀行怎么開戶？”知識庫中有這3個相近的型號的相關文檔：TL-TUMS2600-N、TL-TUMS2600-N-SA、TL-TUMS2600-N-A文檔1《TL_

TUMS2600_

N_

產品介紹2022_

09_

21.

pdf》文檔2《TL_

TUMS2600_

N_

SA_

產品介紹2023_

01_

05.

pdf》文檔3《TL_

TUMS2600_

N_

A_

產品介紹2023_

02_

04.

pdf》檢索到無關的知識，不足以回答用戶問題TL_

TUMS2600內存是多少Pxxxxxxxxx-03

包裝清單針對模糊問題，可能在知識庫中找到多個相近答案針對用戶問題，可能在知識庫中找到無關知識難點4：嚴肅場景對模型判斷模糊知識、無關知識的能力要求高知識庫有內容：“甲類藥品

全報

，乙類藥品

按比例”“退休人員65%

，在職人員60%”根據檢索片段判斷不足以回答用戶問題

，給出拒答回復：意圖名稱意圖樣例具體要求評價xx銀行以外的貸款評價本品牌以外的存款產品，如AA貸作為本行的客服銷售助手，委婉拒絕除本行以外的產產品/BB貸/CC貸品對比和評價評價本行的貸款產品評價本行的XX貸強調本行貸款產品在利率、還款方式靈活性的優勢亮點能力4:支持無關知識拒答、模糊問題主動澄清

，讓模型答得對3.當知識檢索結果不足以回答用戶問題時，模型不做錯誤回答1.基于上下文語境，結合檢索結果綜合判斷意圖，模糊意圖進一步主動澄清2.面向業務訴求，可支持輕松自定義意圖，簡單樣例即可實現準確理解作為XX行的客服，

關于其他行的貸款信息，

我這邊就不做具體評論了，如果您對我行產品感興趣，歡迎隨時向我提問...抱歉，根據已知信息，

沒有XX產品的預期收益數據。買了300元的藥品，按照報銷比例，我自己要實際支付多少錢請問你是退休人員還是在職人員呢？購買的是甲類還是乙類藥品呢？XX銀行的CC貸這款產品怎么樣？提供XXX產品的預期收益實際業務場景往往由多種條件分支組成。典型場景如“分期費率查詢”，包含了分期產品、期數、還款日、費用計算、優惠活動等一系列復雜流程。痛點：1、涉及業務接口多、模型調試困難。2、大量問法話術、追問等機械的流程，對話體驗較差。落地難點5:復雜業務場景，涉及流程分支和業務接口多，僅依賴模型自主規劃準確率不高已支持DeepsSeek模型2.信息處理節點均已支持DeepSeek模型1.信息收集節點3.基礎節點

通過可視化拖拉拽的方式編排不同的原子能力

，零代碼/低代碼構建業務流程。

其中參數提取節點

，支持多參數同時提取、基于對話歷史進行多輪反問澄清等優勢能力，對話效果更優勢。

大模型相關的節點均接入DeepSeek

R1和V3滿血版模型

，可支持自由選擇和切換。亮點能力5:用工作流支持復雜的固定作業流程，并保留靈活性和可拓展性通過可視化拖拉拽的方式編排不同的原子能力（如大模型、知識庫、插件等），零代碼構建業務流程提供10

+畫布節點

，編排復雜應用

，復雜流程的執行準確率和對話完成率效果領先。自動分析確定參數跳過已獲取參數的步驟多輪對話：多輪對話中，系統自動分析必填信息完整性，如果不完整則自動反問澄清，引導用戶提供必填信息靈活跳轉：系統支持靈活的工作流跳轉，每一輪對話都會由模型進行意圖理解并使用最佳的達成方式滿足該意圖。工作流調試：多輪對話調試，支持展示處理路徑及詳情。節點調試：代碼節點提供了運行環境及IDE，支持用戶在線編輯運行?？旖莘答仯簽橛脩籼峁┝艘绘I問題反饋功能。亮點能力5:工作流支持知識和流程類任務切換，快速的驗證和問題排查

支持多輪交互完善的配套功能選中對話內容，支持查看調試內容及歷史處理路徑代碼節點支持在線運行調試大模型知識引擎“Agent模式”：自主規劃和工具調用由大模型自主拆解任務和規劃路徑，

模型主動選擇和調用工具，

并能夠主動糾錯和反思，

回復效果更靈活。

知識引擎新版本Agent：把工作流畫布轉換成流程描述語言（PDL）

，通過Agent理解全局流程

，保證對話準確率基礎上

，以更加靈活的方式應對超出范圍的問題。

傳統畫布：工程執行確定流程

，超出范圍

的問題無法靈活響應；

業界普遍

：直接執行工作流

，不支持多輪對話

，或對話準確率低無對應結果時，主動推薦符合要求的其他醫院大模型知識引擎“Agent模式”：支持調用復雜工作流記憶上下文掛號時間信息

超出范圍問題，靈活響應

04方案應用案例下一步應用計劃：智能風控：

利用DeepSeek的模型能力，結合實時聯網搜索以及RAG能力，動態識別欺詐行為，提升風險預警精準度。場景金融：

搭建分鐘級響應的智能客服系統，結合知識庫實現個性化財富管理建議。數據決策：通過大模型挖掘行內金融數據價值，優化信貸評估與市場策略。重慶農商基于知識引擎和DeepSeek快速上線企微員工助手“AI小渝”2月5日開始DS測試，

2月8日快速應用并上線企微內部服務助手AI小渝，為該行1.5萬名員工提供更高效、便捷、智能的工作支持上傳知識覆蓋各業務的內部操作規程(禁新契約、保全、理賠、投訴、客戶信息真實性、銷售可回溯、消保等)、外部業務經營要求（金管局、人行、國務院等）和業務辦理模版（《權益確認書》、《委托授權書》、《保險單變更通知書》等）