【方案】金融业客服场景解决方案-基于大模型应用开发平台助力客户加速客户业务大模型应用落地（deepseek 应用）

腾讯金融业客服解决方案基于大模型应用开发平台，

助力客户加速客户业务大模型应用落地01方案价值与产品定位知识构建词槽、词典、任务流程配置机器人配置猜你想问图卡配置知识更新LLM加持知识运营效率

+应答范围

+问答准确率

+客户满意度

+知识导入标准问梳理相似问梳理模型训练对话交互意图识别多轮对话转人工话后小结工单小结客户标签自动流程3LLM在客服业务多个业务环节都有应用机会复杂业务流程样例借书流程还书流程业内普遍对话效果通用模型回复前排座椅调节(手动座椅)

的操作步骤如下:1.

座椅位置调节:握住调节杆1的中部向上拉

,身体轻靠座椅

,将座椅滑动至所需位置

,松

开调节杆;2.

座椅高度调节:向上拉或按下调节手柄2;需要注意的是

,在调节座椅时

,应根据自身

身高、体型等情况选择合适的座椅位置和高度

,以保证驾驶安全和舒适性。复杂图文混排说明书LLM+RAGWorkflow丶Agent场景落地难点与方案价值降低大模型应用地门槛,助力企业高效打造效果佳、有价值的大模型应用方案落地难点1、

企业多模态知识复杂,解析及问答效果差落地难点2、

企业业务流程复杂,多轮对话不准确、不灵活步骤不完整:原文档中的步骤三遗漏丢失图片丢失:看不懂步骤里面1和2表达的是什么销售助手SSC助手

(内部共享服务)智能客服内勤助手前排座椅,手动调节怎么操作?力落地场景文档解析-拆分-入库-检索文档拆分

向量化Rerank3、做深知识问答、完善流程编排、布局自主规划应用配置-评测-发布1、全面模型驱动

，各取所长精调多模态大模型

混元大模型（MOE）模型层

精调知识大模型(混元SFT)混元大模型（Dense）行业大模型三方优秀开源模型（DS）①标准模式：内置RAG最佳实践（面向知识问答场景）2、RAG（检索增强生成）能力组件灵活输出②自定义工作流（面向自定义复杂流程场景）③Agent模式（模型遵循指令自主规划）文档解析多轮改写原子能力组件应用构建层方案定位：用灵活的大模型应用开发平台支持客服业务l基于大模型的应用开发平台，提供RAG、Workflow、Agent等应用开发方式、及原子能力（API）服务，助力企业加速大模型应用落地。l

知识问答部分领域效果领先：在图文混排文档问答、复杂大表问答等领域相比友商有一定优势。擅长图文表解析及公式解析，已被月之暗面采购，并支持元器、元宝调用。l

知识对接类型如未支持在线文档对接、微信公众号文章、客户本地数据库对接），还需进一步完善。l

自研模型：混元全系列模型；自研精调知识在无关知识拒答、多模态阅读理解上有优势；在医学、教育等行业大模型上有落地标杆。l

三方开源模型：接入DeepSeek

R1/V3,叠加联网搜索

+RAG能力，进一步放大RAG优势。l

新版工作流发布，支持14个常用画布节点，支持客户通过拖拽大模型节点、参数提取节点、知识问答节点等常用原子能力编排业务流程。RAG效果保持领先，知识对接类型还需进一步扩展自研

+开源模型驱动，各取所长具备工作流、

Agent复杂应用构建能力腾讯内部产品合作合作伙伴应用共创乐享数智人腾讯学堂智能客服员工服务一网通办代理人辅助电子说明书物业管家虚拟导游汽车助手能源泛政金融零售地产文旅汽车Agent模式“AI指挥官”Agent模式由大模型进行任务自主规划和工具调用（function-call）

，可实现高效应用搭建。适用于有灵活回复或快速搭建需求的服务问答场景，如投资规划、组合推荐等。工作流模式“智能生产线”使用指定的工作流来响应用户所有对话。通过工作流，来拖拉拽各种原子能力，编排你想要的服务流程，如账户查询、挂失解卦、健康服务预约等。标准模式“RAG：最强知识外挂”平台内置最佳实践流程，只需导入文档/问答对

，即可达到更稳定和精确的知识问答效果。适用于企业知识服务、产品咨询等严肃问答场景。要稳定选标准模式，

要定制选工作流，

要尝鲜选Agent！三大应用模式，满足客服场景多样需求02业务难点与方案优势复杂的表格结构大模型客服落地的实际难点1：企业知识格式多样、

图文并茂复杂排版的阅读顺序复杂的子元素识别把企业五花八门的知识库喂给大模型，没那么简单！跨栏段落

跨图段落少线表格无线表格有线表格表格内图像段落内公式表格内公式段落内图像图/图注群组跨表段落纵向多栏表/表注群组图表文环绕横向多栏8传统OCR技术局限：识别精度低、元素易丢失9全链路解决复杂文档解析、切分、检索、推理、生成基于OCR大模型

解析引擎解析

+切分

+检索Embedding模型业内首个语义切分大模型多模态、多行业大模型阅读理解与生成-覆盖复杂版面分析、元素子

-首个基于语义判断的知识切分-综合检索+text2sql方案，支

-擅长复杂图文表感知与理解

深入上百个客户的应用场景图识别，准确还原阅读顺序，识别准确率提升30%模型比传统正则切分方式，

回答完整性提升20%持上万行、上百列大表筛选、求和计算-多模态检索模型发布，支持

文搜图、图搜图-结合文中“数据图”“自然场景图”“图文关系”给出

准确答案亿级行业数据针对性训练端到端问答精准产品优势一：全链路解决企业多模态知识处理难题

，让模型看得清

推理

+生成10文档解析业内能力全面，准确率相比传统解析提升30%。11业内竞品文档类型算法能力可编辑不可编辑版面分析元素排序文字识别表格识别公式识别图像识别友商A★★★★☆☆★★★★★☆★★★★★☆★★☆★☆☆友商B★★★★☆☆★★★★★☆★★☆★★☆★★☆★★☆友商C★★★★★★★★★★★☆★★★★★☆☆☆☆☆☆☆友商D★★★★★★★☆☆★☆☆★★★★★☆★☆☆★★☆友商E★★★★★★★★★★★☆★★★★★★★☆☆★★☆优图多模态文档解析★★★★★★★★★★★★★★★★★★★★☆★★☆基于OCR大模型，突破复杂版面分析、元素识别等技术瓶颈

业界首个支持200MB以内超大文档vs.业内普遍100MB内

丰富的文档类型，超过26类vs.业内普遍

10类以内

支持图文混排（多列排版）版面分析、图文表/公式/页眉等元素识别识别精度高、图片元素不丢失亮点能力1：基于OCR大模型，提升图文并茂文档的解析准确度大模型落地的实际难点2：结构化表格数据庞大，检索困难•

结构化的知识散落在企业的各种数据源中，结构化表格往往篇幅长（上百列、上万行...)文档中的非标准表格l

嵌套表格

，无法用Text2SQL进行精确检索。l

完整的表格文本长度往往大于32K

，一次性给大语言模型处理效果不佳。上百列、上万行表格亮点能力2：Text2SQL，支持上万行/上百列的大表问答

•上线基于大语言模型的embedding模型，支持8K长切片检索，多文档信息召回率从85%提升到92%；

提供

Text2SQL能力，支持处理标准大表格单表检索及跨表检索，SQL执行准确率超过80%。Query“非智能且在售，并且一级分类是天棚灯的产品包含哪些”通过SQL检索表格信息小（摘要）找大（表格）：通过检索摘要来获取相关的表格通过大语言模型对表格进行摘要

，通过检索摘要来获取相关的表格。如表格超过了大语言模型能够支持的最大长度

，将表格切分为多个子切片

，通过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总结文本总结多路向量召回文本片段向量检索：•

相近语义理解、多语言理解关键词检索：•精确匹配（如产品名称、姓名、产品编号）•少量字符的匹配（很多用户恰恰习惯只输入几个关键词）•倾向低频词汇的匹配（低频词汇往往承载了语言中的重要意义）搜索词关键词搜索相关文本片段向量搜索相关文本片段亮点能力2：综合使用摘要检索、关键词检索、向量检索，提升不规则大表格的问答准确率，让模型找得准混合检索：融合向量检索、关键词检索多种能力表格功能支持情况友商A友商

B腾讯云知识引

擎理解文档中【图片内容】部分支持仅支持带文字的图像不支持支持理解文档中【图片内容】与【文字内容】及其对应关系，输出图像与文字不支持不支持支持理解用户问题中【图片内容】与【文字内容】联合文档内容作答不支持不支持支持•

用户的输入包含图文交错信息的输入，问题的答案在文档中的图片、或者图文混排段落里面，图文关系理解困难；•图片类型多样，无文字注释的自然场景图片，仅靠单模态的LLM无法理解•

集中在处理基础视觉问答（VQA）任务•

这些任务通常只涉及与问题强相关的有限图片，即：用户输入图片，模型直接回复业界技术局限场景痛点落地难点3：用户对话信息多模态，包含图文交错复杂信息输入15指引样例亮点能力3:读懂理解文中“图文关系”，提升问答准确率及答案出图率腾讯云RAG+DeepSeek：图文并貌的产品操作说明“个人养老金在手机银行怎么开户？”知识库中有这3个相近的型号的相关文档：TL-TUMS2600-N、TL-TUMS2600-N-SA、TL-TUMS2600-N-A文档1《TL_

TUMS2600_

N_

产品介绍2022_

09_

21.

pdf》文档2《TL_

TUMS2600_

N_

SA_

产品介绍2023_

01_

05.

pdf》文档3《TL_

TUMS2600_

N_

A_

产品介绍2023_

02_

04.

pdf》检索到无关的知识，不足以回答用户问题TL_

TUMS2600内存是多少Pxxxxxxxxx-03

包装清单针对模糊问题，可能在知识库中找到多个相近答案针对用户问题，可能在知识库中找到无关知识难点4：严肃场景对模型判断模糊知识、无关知识的能力要求高知识库有内容：“甲类药品

全报

，乙类药品

按比例”“退休人员65%

，在职人员60%”根据检索片段判断不足以回答用户问题

，给出拒答回复：意图名称意图样例具体要求评价xx银行以外的贷款评价本品牌以外的存款产品，如AA贷作为本行的客服销售助手，委婉拒绝除本行以外的产产品/BB贷/CC贷品对比和评价评价本行的贷款产品评价本行的XX贷强调本行贷款产品在利率、还款方式灵活性的优势亮点能力4:支持无关知识拒答、模糊问题主动澄清

，让模型答得对3.当知识检索结果不足以回答用户问题时，模型不做错误回答1.基于上下文语境，结合检索结果综合判断意图，模糊意图进一步主动澄清2.面向业务诉求，可支持轻松自定义意图，简单样例即可实现准确理解作为XX行的客服，

关于其他行的贷款信息，

我这边就不做具体评论了，如果您对我行产品感兴趣，欢迎随时向我提问...抱歉，根据已知信息，

没有XX产品的预期收益数据。买了300元的药品，按照报销比例，我自己要实际支付多少钱请问你是退休人员还是在职人员呢？购买的是甲类还是乙类药品呢？XX银行的CC贷这款产品怎么样？提供XXX产品的预期收益实际业务场景往往由多种条件分支组成。典型场景如“分期费率查询”，包含了分期产品、期数、还款日、费用计算、优惠活动等一系列复杂流程。痛点：1、涉及业务接口多、模型调试困难。2、大量问法话术、追问等机械的流程，对话体验较差。落地难点5:复杂业务场景，涉及流程分支和业务接口多，仅依赖模型自主规划准确率不高已支持DeepsSeek模型2.信息处理节点均已支持DeepSeek模型1.信息收集节点3.基础节点

通过可视化拖拉拽的方式编排不同的原子能力

，零代码/低代码构建业务流程。

其中参数提取节点

，支持多参数同时提取、基于对话历史进行多轮反问澄清等优势能力，对话效果更优势。

大模型相关的节点均接入DeepSeek

R1和V3满血版模型

，可支持自由选择和切换。亮点能力5:用工作流支持复杂的固定作业流程，并保留灵活性和可拓展性通过可视化拖拉拽的方式编排不同的原子能力（如大模型、知识库、插件等），零代码构建业务流程提供10

+画布节点

，编排复杂应用

，复杂流程的执行准确率和对话完成率效果领先。自动分析确定参数跳过已获取参数的步骤多轮对话：多轮对话中，系统自动分析必填信息完整性，如果不完整则自动反问澄清，引导用户提供必填信息灵活跳转：系统支持灵活的工作流跳转，每一轮对话都会由模型进行意图理解并使用最佳的达成方式满足该意图。工作流调试：多轮对话调试，支持展示处理路径及详情。节点调试：代码节点提供了运行环境及IDE，支持用户在线编辑运行。快捷反馈：为用户提供了一键问题反馈功能。亮点能力5:工作流支持知识和流程类任务切换，快速的验证和问题排查

支持多轮交互完善的配套功能选中对话内容，支持查看调试内容及历史处理路径代码节点支持在线运行调试大模型知识引擎“Agent模式”：自主规划和工具调用由大模型自主拆解任务和规划路径，

模型主动选择和调用工具，

并能够主动纠错和反思，

回复效果更灵活。

知识引擎新版本Agent：把工作流画布转换成流程描述语言（PDL）

，通过Agent理解全局流程

，保证对话准确率基础上

，以更加灵活的方式应对超出范围的问题。

传统画布：工程执行确定流程

，超出范围

的问题无法灵活响应；

业界普遍

：直接执行工作流

，不支持多轮对话

，或对话准确率低无对应结果时，主动推荐符合要求的其他医院大模型知识引擎“Agent模式”：支持调用复杂工作流记忆上下文挂号时间信息

超出范围问题，灵活响应

04方案应用案例下一步应用计划：智能风控：

利用DeepSeek的模型能力，结合实时联网搜索以及RAG能力，动态识别欺诈行为，提升风险预警精准度。场景金融：

搭建分钟级响应的智能客服系统，结合知识库实现个性化财富管理建议。数据决策：通过大模型挖掘行内金融数据价值，优化信贷评估与市场策略。重庆农商基于知识引擎和DeepSeek快速上线企微员工助手“AI小渝”2月5日开始DS测试，

2月8日快速应用并上线企微内部服务助手AI小渝，为该行1.5万名员工提供更高效、便捷、智能的工作支持上传知识覆盖各业务的内部操作规程(禁新契约、保全、理赔、投诉、客户信息真实性、销售可回溯、消保等)、外部业务经营要求（金管局、人行、国务院等）和业务办理模版（《权益确认书》、《委托授权书》、《保险单变更通知书》等）