JL银行智能客服问答

一、项目简介

JL银行智能客服是一个面向银行业的企业级智能客服 Agent，基于 LangGraph 有向图工作流引擎构建，核心架构为 9 节点状态图 + 条件路由，实现了从用户输入到智能回复的全链路自动化处理。

二、痛点问题

银行客服场景存在六个核心痛点，每一项都有对应的工程化解法：

痛点	具体表现	解决方案
用户情绪爆发	涉及资金安全问题时，客户容易愤怒/焦虑，冷冰冰的回复激化矛盾	入口情感检测 → 自动安抚话术 → 再走业务流程
口语与术语鸿沟	用户说“工资卡被锁住了”，知识库写“个人结算账户被冻结”	5 层 Query 改写：指代消解 + 术语标准化 + 口语归一 + 省略补全 + 歧义消除
多轮指代丢失	用户说“那怎么办理”，系统不知道“那”指什么	改写节点结合对话历史做指代消解
个人/对公混淆	同一个“开户”问题，两类客户答案完全不同	两步意图分类（主意图 + 子意图）→ 按域过滤检索结果
长对话上下文溢出	银行咨询往往多轮深入，Token 窗口膨胀	三级压缩策略：L0 不压缩 / L1 摘要 / L2 激进压缩
答案不可追溯	银行回复必须严谨，不能“凭空编造”	引用标注 [1][2] + 来源清单 + 知识库无答案时如实告知

三、产品亮点

3.1 情绪感知型对话

不是冰冷的问答机器——入口即检测愤怒/焦虑，优先输出共情安抚话术后再处理业务。这是银行客服场景的关键差异化能力。

3.2 混合检索五步流水线（Hybrid RAG）

query改写 → 向量检索 Top30 → BM25关键词 Top30 → RRF 融合排序 → LLM Reranker 批量评分 → 原始内容还原 + 业务域过滤。LLM Reranker 使用批量调用（一次评估 15 条），比逐条调用性能提升约 20 倍。检索无结果时自动降级到 FAQ 关键词匹配兜底。

3.3 银行业务领域深度定制

Query 改写 5 层规则是真正的亮点——不是通用改写，而是针对银行场景的术语标准化（“网银→网上银行”、“U盾→U盾数字证书”）和歧义消除（“密码”→取款密码/登录密码/查询密码）。

3.4 三级记忆体系

短期（本轮对话）+ 中期（5 天过期，SQLite）+ 长期（永久事实记忆）+ 用户画像，实现跨会话个性化服务。例如上次用户反馈过信用卡挂失问题，下次再进入时系统可以主动关联。

3.5 全流程可解释

情绪分类、意图识别、改写对比、知识引用来源——用户可以在 Streamlit UI 的处理详情面板中逐层查看，不是黑箱回复，便于后期badcase回流。

四、商业化落地思考

路径其实挺清晰的。第一层是面向银行的私有化部署，把系统打包部署在银行内网。银行对数据安全极其敏感，客户信息不能出内网，所以SaaS在金融领域很难走通。私有化加定制开发，单家银行的合同金额可以做到百万级。第二层面向城商行和农商行的标准化产品，全国四千多家法人银行机构，真有AI研发能力的不到5%。

护城河不在模型上，在于领域知识的沉淀。当有足够多的垂直领域知识，可训练该问答领域小模型，使得问答更加精准。

五、未来迭代路径思考

短期看多模态，OCR识别上传凭证、语音输入都是银行场景的刚需。中期考虑做成完整的银行业务中台，不只是咨询，还能处理交易查询和风险预警。客户说“我卡可能被盗刷了”，系统不只回答问题，还能触发风控流程临时冻结账户。

长期来看，一方面需要多积累专业领域知识沉淀，后期训练垂直领域小模型或知识的向量化模型提升长尾问题上问答的准确率。第二，通过对银行等金融机构知识体系的搭建，构建银行垂直领域的知识工程通用性解决方案，赋能更多银行的AI智能化转型。