文/兴业银行金融科技研究院 黄健 陈明雁 莫迪 何平

近年来，数字化转型浪潮驱使银行业务模式发生了前所未有的变革，银行业务正逐渐从传统模式向数智化模式转变。随着以ChatGPT为代表的生成式大模型的提出和与人工智能技术的持续革新，大模型能力得到了显著提升并具有一定的“涌现能力”。

作为金融领域AI变革的先行者之一，兴业银行始终拥抱技术创新，积极探索大模型在银行业的创新应用，并取得了一定的成效。目前已在客服领域推出了基于大模型的智能工单预填创新应用，并将其深度融入到客服工单系统中，作为智能客服助手的核心功能之一。与传统模式客服手工填写工单相比，智能工单预填通过智能化方式有效提升服务效率，不仅可以显著减轻了客服压力，还能有效提高客户满意度，促进客户服务流程的优化与变革。

客服工单业务背景

在银行业的客户服务领域，工单处理是座席客服日常工作中不可或缺且较为耗时的一个环节，其效率直接影响到客户服务体验与运营效率。传统工单处理模式，主要是座席结合实际通话内容进行人工总结后填写，这种模式存在的显著痛点如下。

1. 手工录入繁琐耗时耗力。整通工单受理通话内容往往较长，需要记录的要素信息较大，如工单类型、客户问题、客户诉求描述等大量信息都依赖人工手动录入，不仅耗时、降低了座席的工作效率，还可能因人为因素导致工单填写信息的不准确或遗漏，影响后续问题的跟踪和解决。

2. 标准化、结构化程度低。不同座席员的工单填写习惯和风格差异较大，导致工单质量参差不齐，而且填写工单内容非结构化，难以进行后续的有效数据分析和流程优化。

3. 无法满足客户实时需求。传统工单处理模式的响应效率低下，无法满足客户对于快速解决问题的需求，影响客户满意度。

此外，随着银行业务规模的扩大，以及客户需求和银行服务模式的日益多元化，客户电话咨询数量也在不断增加，基于人工的工单受理填写模式更加凸显其局限性，成为制约银行客服系统高效运作的一大痛点。另外，随着大模型技术的不断演进及其出色的能力，正驱使客服行业出现一定的变革和转型，尤其在银行业客服这一细分领域，展现了一定的融合趋势与广阔的应用前景。大模型技术的引入，可以在一定程度提供更高效、更智能且更个性化的客户服务体验，从而提升客户满意度与业务运营效率。因此，基于大模型生成技术和强大的能力，为了进一步节省填单时间，减少电话座席的填单压力，探索并实施工单自动生成预填变得尤为迫切。

兴业银行从2023年便率先开始了基于大模型技术实现智能工单预填的可行性探索之路。经过多轮模型迭代优化、业务人工评测验证，目前已取得了显著效果并满足实际业务应用需求，并完成了相关客服系统配套升级改造和上线应用，助力银行增效降本。基于大模型实现工单预填是一种全新的解决方案，主要是通过构建能够自动识别客户语音、智能提取关键信息、快速生成工单预填的智能服务，处理业务流程（如图1所示）。智能工单预填服务可以帮助座席自动总结客服工单的核心要素信息，座席只需对大模型生成的工单预填内容进行复核或者局部地方修改调整即可，从而大大缩减了工单处理时间，提升座席工作效率，降低运营成本，同时还能确保工单信息的准确性和完整性，为后续运营效率的提高和客户体验的优化奠定基础。这一转变不仅能够有效缓解传统模式客服系统工单处理面临的痛点，更是推动银行服务向智能化、高效化转型的重要一步。

图1 基于大模型的智能工单处理流程

面临技术挑战

结合大模型强大的能力和工单预填业务需求，可以从通话内容中提取客户意图、客户情绪、客户需求、相关实体等信息，从而形成简洁完整的工单主体内容摘要。但在初期效果验证中，大模型生成工单的结果对比客服实际填写内容的整体准确率不到25%。

总结业务人工评测反馈的数据，我们归纳出工单生成效果不佳的四大主要原因：总结有误、遗漏要素、无中生有、格式不规范。结合实际工单数据分析，以下客服工单人人通话的特点对工单生成效果带来一定的技术挑战。一是通话内容是人人的电话语音对话数据，在生成工单前需要进行自动语音识别（ASR）语音转译文字，中间会存在一定的转译错误或者停顿等语气词，这对大模型生成工单有一定影响。二是与人机对话相比，人人对话轮数相对比较长，有些对话长度超过一万字以上，而大模型的输入长度会有一定的限制，这对大模型的工单总结生成带来一定的难度。三是不同工单对工单预填有不同要素和格式要求，要素又包括选项类或统计类，且大的要素下包含若干不同细分要素，具有一定的复杂度。

应对策略及技术方案

结合影响工单生成效果的影响因素，为了进一步优化工单生成效果，我们在多个层面通过多种不同策略对工单预填效果进行了迭代优化。

1. 清洗合并对话数据以提升大模型理解效果。在数据预处理阶段，对对话内容进行清洗，主要是剔除停顿等无效无用信息的对话、合并上下都是同一角色（座席或者客户）的对话、对话内容超长处理等。通过一系列数据预处理，不仅在一定程度上可以缩减对话长度，也更利于大模型对整体的理解，提升工单生成质量。

2. 敏感词替换处理，避免大模型无法有效输出。工单场景的对话数据主要来自座席与客户的人人通话数据，很多时候客户带着问题过来是有一定情绪的，导致在对话中会包含一些可能触发大模型生成的敏感词。针对此问题，我们梳理了约200个工单场景的高频敏感词，对敏感词进行替换处理，工单有效生成的占比从原来的不到90%提升到99%以上。

3. 抽象化生成各类工单模板，避免要素遗漏缺失。对各类业务工单进行细化梳理，将不同类型工单抽象化为不同工单生成要素模板，结合工单领域业务专家的要素生成要求，进一步细化和清晰化提示词，避免通用工单生成模式情况下存在的很多要素遗漏缺失的问题。

4. 给出清晰业务定义提示，避免大模型理解偏差。在特定业务场景，大模型对于有些要素业务逻辑缺乏一定的判断能力，或者说大模型的判断标准与实际业务的判断标准存在一定偏差，例如大模型判断客户是否需要加急、是否提及监管的标准与业务定义的标准不一致。针对此情况，通过进一步细化提示词，给出更清晰具体的相关要素业务判断标准依据，可以进一步优化大模型生成的效果。

5. 对比校验通话内容，减少大模型无中生有。大模型的通病之一是存在幻觉，在工单生成时容易出现“胡编乱造”的情况。针对此问题，除了在提示词方面进行优化外，我们还结合实际通话内容进行了比对核实验证，确保生成的要素信息在通话内容中存在而不是大模型无中生有，如生成客户的加急时间需求是否与通话内容吻合。

6. 静动态少样本提示学习和大模型微调提示生成效果。不同大模型对不同业务场景的指令遵守程度不一样，结合工单预填复杂对话场景，除了对提示词进行针对性优化外，还进一步引入静态和动态的相似示例进行提示词优化，以进一步提升工单预填效果。此外，考虑到有些类型工单的生成细分要素更多需求更复杂，也进一步引入大模型微调技术，使得大模型可以应对更复杂的工单类型和生成要求。基于大模型的智能工单预填的整体技术方案如图2所示。

图2 基于大模型的智能工单预填整体技术方案

工单预填的评估标准主要包括生成要素的完备性和准确性。经过多轮迭代优化，一期工单基于要素维度生成的平均准确率超过84%，基于工单维度生成整体内容的准确率超过72%，目前已在智能客服工单系统上线应用。

在业务价值成效方面，工单系统上线至今，通过大模型生成智能工单累计数万笔，线上采纳率高达75%，系统运行性能稳步提升，座席操作可节省3～5分钟/笔。新功能上线后受到广大员工积极反响，大幅减轻座席线上填单压力，有效提升客户服务效能，进一步增强了客户服务体验，成为金融领域利用大模型新技术赋能新质生产力的创新实践。此外，基于大模型生成的工单信息更加结构化和清晰化，这对后续进一步的业务分析探索带来了很大的可行性和价值。

未来优化方向

随着大模型技术的日趋成熟和完善，我们也将持续迭代优化智能预填的效果，以满足不同业务系统、不同业务场景下的多样化需求。针对工单预填场景，后续进一步的优化方向如下。

1. 紧随多变的业务发展支持实时自定义工单模板。支持业务自定义创建工单模板和调整工单要素生成提示，以满足工单预填效果满足多变的业务需求，提升智能化服务的迭代效率。

2. 基于多阶段节选对话提升工单生成准确性和时效性。与基于整通对话生成工单主体要素相比，基于节选对话内容一方面可提升工单各项要素生成的准确率，另一方面又可提升工单生成的时效性。具体做法是对整通对话进行分步拆解，通话开始后先执行不依赖整通对话内容的要素生成（如客户的问题），如进行了若干轮对话就进行一次分析或者座席手动触发基于节选的对话内容进行工单要素生成，从而将分析拆解到实际对话逐步完成。整通对话结束后，只需执行剩余需要依赖后面对话内容的细分任务，从而有效减少智能工单预填的时间和工单预填生成的准确性。

3. 结合反馈数据实现工单生成大模型持续优化。基于沉淀的座席填单反馈数据和实际提交工单数据，持续对大模型进行迭代优化，进一步提升各类工单的生成能力和效果。优化的方式包括但不限于：引入功能更强大的基座大模型，提升整体的理解能力和生成效果；基于工单领域专业语料对基座大模型进行预训练，增加大模型对工单领域的相关专业知识储备；基于滚动新增的真实工单提交数据，不定期对大模型进行监督训练微调，提升工单生成格式规范性、稳定性、专业性、一致性；基于座席反馈的打分排序数据，结合基于人类反馈的强化学习，进一步提示模型的性能和效果。

展望未来，随着技术的不断演进和应用边界的不断扩展，大模型将在我行数智化战略中发挥着更加关键的作用，不仅可以助力运营效率的提升，还将在客服服务质量、客服服务流程、金融产品创新、风险管理等诸多方面赋能业务和客服，为构建更加高效、智能、个性化的金融服务体系夯实基础。

（此文刊发于《金融电子化》2025年6月上半月刊）