当前，AI大模型正深刻重塑金融行业。在业务场景中，其价值已从技术探索走向规模化落地。智能投顾领域，大模型通过分析海量市场数据与用户画像，生成个性化资产配置方案，服务效率提升超50%；信贷风控环节，模型融合多源非结构化数据（如企业公告、产业链动态），实现更精准的信用评估，不良率显著降低；量化交易层面，大模型挖掘市场情绪与隐藏关联因子，助力策略迭代速度提升3倍以上。实践表明，大模型不仅推动降本增效，更拓展了服务边界。未来，随着多模态技术与合规框架的完善，金融智能化将迈入新阶段。
对于金融行业场景的整理是一个长期的过程，会不断推出丰富的业务应用场景汇总。
1.1 数智化客户综合服务平台（金融客服中心场景）
1.1.1 需求背景
面对客户激增的复杂多样的需求，证券公司等金融机构普遍面临客户基数庞大与客服能力不足的挑战。具体表现在：客户服务高度依赖人工操作，客服人员的专业水平和经验参差不齐，导致服务质量难以保证，无法满足客户对高质量服务的期望；跨领域业务的综合服务能力不足，难以满足客户在不同金融产品和服务之间进行综合配置的需求；服务渠道缺乏统一规划，线上线下服务渠道分散，数据分散，缺乏集中化管理，导致客户信息不完整、不准确，影响了服务的效率和精准度。在这种情况下，仅依靠传统的人工服务模式已经无法满足市场需求，亟需依靠智能化手段来减轻人工服务压力，提升服务效率和质量，最大化提高客户转化率，增强客户粘性，提升金融机构在财富管理领域的竞争力。
随着数字化转型和大模型技术的不断发展，致力于构建全场景数智化客户综合服务平台，赋能公司客服业务全链路数字化升级，为一线员工在服务客户全过程中提供强有力的技术支持。该平台通过以下三个层面实现服务全流程智能化服务：事前（服务前），利用沉淀知识帮助员工快速提升服务技能，提前触达客户了解客户意图；事中（服务中），快速响应客户需求，提升坐席服务效率；事后（服务后），跟踪分析服务全过程，为管理人员提供智能决策支持。而今，尤其是近两年生成式预训练大模型技术的快速演进，为客服业务的智能化升级带来了新的机遇和挑战。团队紧跟技术前沿，逐步探索全流程服务线全方位大模型升级，通过一系列措施满足业务部门对新兴智能化服务的需求，以此提升公司在财富管理领域的整体服务能力及市场竞争力。
1.1.2 数智化综合服务平台方案
“大模型 +专业小模型”打造智能客服 AI底座
平台以大模型作为核心决策和任务调度模块，集成语音识别、意图提取、知识库、智能质检等多种智能化技术，构建了综合性智能化赋能平台。利用智能化手段，促进客服业务全流程的数字化改造，叠加传统大数据技术，为客服业务提供强大的数据底座。同时，深度融合文本、语音、视频等多模态交互方式，实现全渠道客户关系触达和金融服务的事前、事中、事后的全流程赋能，形成大模型赋能的智能化金融服务生态。
在大模型系统架构方面，采用模块化、可扩展的整体架构设计，构建了自然语言解析、提示词设计与管理等基础功能模块。通过与传统 NLP 算法、向量知识库的结合，适应不同业务场景的需要。
平台通过设计封装search代理、web代理等通用agent能力，实现了对于金融服务场景的优化适配。从而实现对于智能质检、智能投顾、多模态客服、智能检索等多个通用业务场景 AI agent 构建的支持。
在大模型微调方面，重点完成了行业级微调语料库的构建，通过制定严格的数据标准，从多渠道收集海量数据，进行清洗和脱敏处理，确保数据高质量且安全合规。对多种开源预训练模型进行评估，综合考虑其性能、适应性以及算力资源和成本投入。在技术层面，积累了全量微调以及 LoRA、提示调整、P-Tuning等高效微调技术。针对智能客服场景构建了10万+数据集，完成deepseek等多种底座模型部署落地，并成功将智能客服场景微调准确率提升至90%以上，取得了显著的成果。
多种 AI****技术融合构建智能知识中台
知识图谱与自然语言处理技术构建知识中台。项目团队创新性地提出了一种结合知识图谱、大语言模型、Elastic Search优化、向量知识库和结果重排过滤的综合搜索方案。
通过知识图谱和LLM对用户查询进行泛化，生成相关子问题，提升搜索覆盖面和精确度。
对 Elastic Search 进行优化，引入多字段模糊查询、过滤器机制、字段权重控制等，增强关键词匹配灵活性和准确性，提升搜索结果质量。
构建向量知识库，利用文本嵌入模型将口语化查询向量化，通过向量数据库实现高效存储和快速相似性检索。
对多源检索结果进行筛选、重排序，并结合用户上下文和反馈进行个性化调整，生成最终搜索结果，旨在为用户提供精准、高效且个性化的搜索体验。
基于大模型打造客服坐席智能数字化助手
落地并研发多类智能数字化助手代替员工工作。将大模型等多种 AI 技术与客户服务全流程深度融合，实现降本增效的目标。1）智能外呼 / 电话客服系统代替人工呼叫 / 服务客户，涉及业务涵盖呼叫中心 3000+ 条常见问题以及100+ 个复杂交互场景，并在必要时转人工进行服务；2）智能坐席辅助全程参与员工服务，提供数字化、智能化的技术支持；3）质检、分析系统对服务过程进行分析，帮助总结归纳经验。基于大模型自动生成服务会话小结和智能工单，并自动提取更新客户动态画像，为后续服务提供支持，全面提升员工的服务专业化水平和客户体验。4）搭建企微群大模型机器人实现自助问答。以企微群聊为信息通路，搭建 AI 大模型和日常业务场景的桥梁，拓展大模型在各类业务场景中的应用赋能。通过多格式文本解析、文档自动切片、大模型问句泛化、利用 Elastic Search 召回检索、索引知识重排、RAG+ 大模型问答整合、大模型意图分类、实体抽取、SQL 补全等技术，实现 IT 电商台群智能助手、开户见证智能助手、两融券源问答助手、运营管理问答助手、两融直通车问答助手以及上市公司公告解析提取推送机器人等，赋能证金、财富委、运营管理部等多个业务部门。
数智化技术全面提升客服业务运营能力
实现由“机器替代人工完成简单重复的工作”到“辅助人工完成复杂的任务”的跨越。1）实现 7x24 小时服务，提高了客服响应速度，公司客服能力得到极大地增强，面对极端行情变化情况下的应急能力更强。2）智能陪练、知识库、KYC 等系统使员工技能得到快速提升，新人员工到岗时间大大缩短。同时培训过程中对员工的能力有了全面掌握，便于管理人员对客服业务资源的合理配置。3）大量智能化技术应用，实现了整个客服业务的全面数字化。由初始散装的数据埋点、人工小范围检索，到集成全链路数字化看板，管理员统筹规划。客户数据需求发生变化的第一时间，随之实现数据检测、服务场景和方案的个性化匹配，运营人员能够以数字化视角来对客服过程进行监控分析。利用大模型对数据进一步挖掘，方便管理人员掌握客户的诉求、员工服务的质量等信息，进而发掘客户的潜在需求、优秀员工优秀服务范式等。
1.1.3 项目成效
平台建设过程中，集成前沿智能化工具及多模态交互技术，是金融服务场景与科技深度融合的典型实践案例，实现了技术与业务协同助力的良好发展模式，有效推动数智化金融的建设。智能客服技术在行业中属于较为领先水平，无论是应用广度还是深度，均为行业提供了较好的典型实践经验。
平台的实施应用，深度融合数字技术与金融服务，推动了数字金融的创新发展，为行业高质量发展提供了有力支撑。该平台不仅提升了金融服务的效率和质量，还通过智能化手段扩大了金融服务的覆盖范围，降低了服务门槛，让更多客户尤其是小微企业和普通投资者能够享受到便捷、高效的金融服务，有力地促进了普惠金融发展，助力国家共同富裕目标的实现。特别是在“适老化”场景中，该平台通过提供个性化的智能服务，大幅优化了老年客户的金融服务体验，有效解决了传统金融服务对老年人使用的不友好问题，从而实现了更广泛的金融普惠，实现金融服务共享。
在数字化转型浪潮下，金融机构面临客户基数庞大与服务能力不足的双重挑战。以科技赋能为核心，构建全场景数智化客户综合服务平台，为财富管理服务注入新动力。目前平台已实现客服业务全流程智能化升级，显著提升服务效能。随着财富管理市场持续增长，客户需求日益复杂多元，对服务的及时性、精准性提出更高要求。未来，将紧跟业务需求，深入探索智能化场景化服务模式，优化客户体验。进一步拓展大语言模型在平台中的应用，挖掘其在更多业务场景的潜力，充分发挥智能知识中台的赋能作用，降低运营成本。同时，融合全渠道、多模态服务数据，深度挖掘非结构化文本价值，为获客、营销、合规等多领域提供支持。以数据驱动业务优化，持续改进产品和服务，提高客户满意度，助力公司实现长期发展目标，推动金融行业的高质量发展。
1.2 知识智能生成（金融知识库场景）
1.2.1 需求背景
知识库大模型平台基于大数据预训练、多源知识融合、持续学习等技术。通过模型预训练，自动识别语言中的词汇、语义、句法、情感等信息，并能够进行分类、命名实体识别、语义解析等任务。在模型平台基础上搭建统一智能交互平台，结合客服中心已有通信、呼叫中心等系统，提供基于大模型的智能应用。
传统知识库在建设或者运营过程中面临了新的机遇和挑战。当前移动互联网兴起，金融科技发展迅速，互联网金融市场竞争激烈，同时消费升级趋势明显。金融业务通常存在客户等待时间较长、业务营业时间有限、不同客户的问题重复率高、服务人员成本高等痛点。
通过智能机器人实时识别客户需求，削减客户在线等待时间，主动实现在线报价或根据客户需求推送优质便利的自助服务，实现一步直达功能菜单。以智能客服和自助服务替代人工服务完成客户服务，提高客户体验的同时降低人力成本。
1.2.2 知识生成方案
知识库：知识库，对系统内部普遍问题或异样问题进行统一管理，支持音频、文字、图片、文件、等多样化知识类型，知识库分为系统知识库及自定义知识库，系统知识由平台进行导入及管理，自定义问答库则由客户自行管理，自定义知识库有自定义添加及知识学习两种途径建立。自定义知识库可以根据业务需求选择相应的系统知识进行添加。
知识学习：知识学习模块通过对未知问题、相似问题的管理 , 从而达到促进问答库知识优化的目的。在日常工作中机器人无法回答的未知问题，已回答被踩的问题以及坐席工作中登记的问题会被统一收集到机器人学习页面，在此页面可以根据实际业务对上述几类问题做新增知识、关联相似问及加入相似问法库或忽略的操作。测试功能可以通过创建测试任务对该机器人所关联的自定义问答库知识进行批量检测，根据最终的检测结果对已维护知识的准确率进行查看及维护。
识别训练：相似问法库，相似问法库可以对所有提问进行维护，可以直接在相似问法库添加，也可以在机器人学习、机器人测试进行维护，已被维护的相似问法可以用于机器人测试或者新增知识时直接对相似问进行勾选；意图库，用于对话过程中识别意图，基于识别意图给出意图标签继续引导，最终引导用户进入 ai 应用或给出推荐知识供用户选择；AI 应用，ai 应用将具备原有多轮对话能力。同时拥有实体提取、变量应用、条件判断，以及接口调用等新增能力。
知识同步管理：支持使用插件的方式，同步获取第三方知识。依赖于插件配置，具体项目需与研发沟通讨论并定制插件同时支持插件获取知识是否需要审核入库。点击自动处理配置，根据知识同步类型自主选择。选择自动处理，处理的知识若能自动处理成功，将自动流转到已处理。自动处理失败将归纳到待处理，需管理人员手动处理。
智能生成管理：大模型平台基于大数据预训练、多源知识融合、持续学习等技术，在语言理解方面通过预训练语言模型，自动识别语言中的词汇、语义、句法、情感等信息，进行自动分类、命名实体识别、语义解析等任务。在对话生成方面，基于预训练的语言模型，生成与人类类似的自然语言文本，帮助系统完成对话生成等任务。
1.2.3 效果分析
某保险公司的知识智能生成应用能够提高服务质量，通过准确解答客户疑问和提供个性化的保险建议，增强客户对保险公司的信任感，促进行业的健康发展。最重要的是，智能客服应用可以普及保险知识，使得更多的人了解保险产品，增强社会对风险保障的认识，提高整个社会的风险防范意识。
能够降低保险公司的运营成本，知识整理在传统智能客服项目上会占用大量的人员经历，只能做到细枝末节才能带来一定效果呈现，消耗了大量的运营人员；知识智能生成的应用，节省人力资源和时间成本，提高企业的效益。
能够提高销售转化率，知识智能生成的内容相比传统人工整理的知识库内容有更加广泛的场景覆盖和识别覆盖范围，且结合情绪识别、方言识别等贴心能力，可快速响应客户需求和提供个性化的保险方案，促进保险产品的销售。
知识智能生成让金融行业快速构建知识体系成为可能，并在实际使用中不断升级优化，
1.3 客服助手（银行客服坐席辅助场景）
1.3.1 应用背景
银行成功应用大模型技术以提升远程银行客服中心的运营效率和服务质量。通过三大创新应用——客服知识库助手、话术推荐助手及质检助手，实现了机器人自助解决率的显著提高、在线客服并行会话能力的增强及服务质检的全面化和精准化。从而显著减少了客服团队的人力成本，提升了客户满意度和服务效率。
客服团队面临低效率和服务质量不一的问题，且传统客服模式已难以满足现代客户的需求。项目目标是打造“大模型客服助手”赋能远程银行客户服务业务。按照通话前、通话中、通话后的端到端业务流程闭环，形成事前知识库运营提效、事中副驾驶赋能、事后质检守护，助力客服工作模式和效率的全面升级。
1.3.2 助手功能
客服知识库助手：传统的知识库在更新和管理上需要大量的人工投入。客服知识库助手利用大模型的自然语言理解、抽取和生成能力，实现了知识库的自动化和智能化管理，大幅度降低了人力成本和时间成本。
话术推荐助手：传统的客服系统往往需要客服人员根据经验选择合适的话术。话术推荐助手通过实时理解对话情境和向量化的知识库，利用检索增强生成技术（RAG），实时推荐合适的话术，大幅提升了客服的效率和服务质量。话术推荐助手还可以根据客户的历史交互和偏好，推荐个性化的话术，增强了客户服务的个性化程度，提升了客户满意度。
质检助手：传统的客服质检主要依赖人工抽查，工作量大且效率低。质检助手通过大模型提示词技术，实现了质检的自动化，大幅提高了质检的效率和准确性。传统的质检往往只关注客服的专业性，而忽视了情感交流的重要性。质检助手通过模型的情感分析能力，可以识别出客户和客服的情绪，提供更全面的质量评价。
1.3.3 应用方案
员工助手：该子系统旨在通过对话式的交互界面和多种工作场景插件，提升员工的日常工作效率。聊天机器人、知识库问答、客服标准问生成、客服相似问生成、电销话术提炼、电催话术提炼等。
业务智能：该子系统旨在为业务系统提供联机的智能化服务，从而提升业务系统的智能化水平。话术推荐、质检助手、电话销售对话机器人、电话催收对话机器人等。
检索增强生成（RAG**）服务**：该子系统结合了向量检索和内容生成的能力，旨在为员工助手子系统和业务智能子系统提供配置化平台化的 RAG 能力。知识向量化、知识检索、结果生成等。
大模型服务和管理：提供基于大模型的多模态处理能力，以实现智能化的语言处理、数据分析、大模型调用、向量模型调用。为各服务子系统提供管理和配置后台，知识库管理、反馈数据报表、提示词管理、大模型管理、向量模型管理、RAG 服务管理等。
某城商行使用情况：客服知识库助手、话术推荐助手以及质检助手已全面投入使用。客服知识库助手平均每周使用 2 次，每次可生成 100 条左右标准问和 2000 条相似问。话术推荐助手每天 1000 次左右调用。质检助手已 100% 覆盖客服和电销对话质检。
1.3.4 效果分析
助手使得机器人自助解决率从 50% 提升至 75%，话术推荐助手使并行会话数从 6 通提高至8通，质检准确率提升至70%。经济效益显著，节约了大量人力成本，社会效益方面提升了客户服务体验和满意度。
数据与大模型技术结合：项目的成功实施依赖于大量历史服务数据的积累与整理，以及大模型技术的应用，使得知识库的覆盖和更新、话术的推荐以及服务质量的检查更加高效和精准。
用户体验优先：无论是内部客服团队还是最终的客户体验，本项目都将用户体验作为核心。通过持续的用户反馈收集和优化，确保了技术应用的实用性和便捷性，进一步提高了用户的接受度和满意度。
面临的挑战与对策：在话术推荐的实用性方面，初期遇到的挑战是坐席使用意愿不高。通过增强话术同步率、优化用户界面和提供定制化培训，有效提升了坐席的使用热情和话术的实用性。
1.4 虚拟数字人（银行数字人服务场景）
1.4.1 应用概述
随着金融科技的持续发展及人们线上交互习惯的加深，金融服务持续向着综合化、场景化、智能化、人性化、全渠道方向转型。机器学习、大数据、人工智能等一系列新技术与业务需求深度融合，数字员工作为拟人化的新型工作人员应运而生，与自然人员工相比，具备高效率、强能力、高可控、低成本等优势，可以发挥减员增效的作用，形成数字化生产力。利用数字人技术，打造手机银行数字业务专员，助力手机银行各项业务的办理及产品介绍，相较文字客服，数字人语音交互可以提高业务和产品跳转率，数字人语音介绍产品也是适老化的重要举措，降低一线服务人员的业务压力，由数字人替代部分人工，降低成本，提高效率。
在此背景下，启动智能数字人交互平台项目，采购技术成熟、性能优良的智能数字人产品，提供数字人形象定制、数字人视频生成、数字人交互能力、真人接管能力、数字人后台管理等服务，满足行内数字人应用场景需求，进一步提升银行智能化服务能力。
在金融业务咨询高峰期，虚拟数字人能够在短时间内为多名客户提供准确的解答，而传统人工客服团队则难以在相同时间内处理如此大量的咨询。在业务办理辅助方面，虚拟数字人简化了业务流程，减少了人工操作环节。通过降低运营成本和提高服务效率，银行能够将更多的资源投入到产品创新和业务拓展中，进一步提升银行的核心竞争力。
1.4.2 技术优势
多语言交互能力的创新应用，虚拟数字人系统的多语言交互能力是其金融服务中的一大创新亮点。传统的跨境金融服务在语言沟通方面存在较大障碍，往往需要配备大量的多语言专业客服人员，成本高且效率低。而虚拟数字人系统通过集成先进的多语言处理技术，支持中文和英语等外语之间的实时交互。这种多语言交互能力极大地拓展了银行的服务范围，使国外客户能够更加便捷地获取金融服务，有效提升了跨境金融服务的可及性。通过消除语言隔阂，增强了国外客户对银行服务的认同感和信任度，为进一步深化中国与外国的金融合作奠定了良好基础。
打破时空限制的全天候服务模式，虚拟数字人系统打破了传统金融服务在时间和空间上的限制，为客户提供 7×24 小时不间断的金融服务。无论客户身处世界的哪个角落，无论何时有金融服务需求，都可以随时通过银行的线上渠道与虚拟数字人进行交互。例如客户于当地时间凌晨 3 点突然遇到对公转账的紧急问题，需要马上将一笔资金汇往合作伙伴账户。该客户可以通过北部湾银行手机银行 APP 咨询虚拟数字人，虚拟数字人迅速响应，详细解答了客户关于对公转账流程中的疑问，包括转账所需的手续、可能产生的费用、预计到账时间等，并指导客户在手机银行上完成了紧急汇款操作，避免了因时间延误可能给客户带来的损失。这种全天候的服务模式极大地提升了银行的服务效率和客户满意度，增强了银行在跨境金融市场的竞争力，让客户感受到随时随地、高效便捷的金融服务。
降低运营成本与提升服务效率的双重优化，虚拟数字人系统的应用显著降低了银行的运营成本，同时提高了金融服务效率。在传统的金融服务模式中，需要大量的人工客服来处理客户咨询和业务办理，人力成本高昂，且容易出现因人工疲劳导致的服务质量下降问题。而虚拟数字人系统通过自动化和智能化的方式处理客户问题，能够同时应对大量客户的咨询请求。
1.4.3 数字人方案
**智能交互：**虚拟数字人接入 DeepSeek 大模型，通过海量文本数据的深度学习，进一步加强理解、生成自然语言和推理的能力。该系统运用自然语言处理（NLP）、自动语音识别（ASR）、语音合成（TTS）、大语言模型（LLM）等技术实现对客户问题的理解和分析，使虚拟数字人能够准确把握客户意图，并生成合适的回答。通过模型训练，虚拟数字人不断学习和优化回答策略，提高回答的准确性和质量。鉴于面向国际金融服务需求，系统集成了多语言处理技术，支持中文、英语等多种国家常用语言，通过机器翻译技术实现不同语言之间的实时转换。同时，构建金融知识图谱，将各类金融知识进行结构化整合，虚拟数字人通过知识图谱快速检索和关联相关信息，为客户提供全面、准确的金融解决方案。
**虚拟形象：**计算机图形学与动画技术用于构建虚拟数字人的形象和动作，通过三维建模、材质渲染等技术打造逼真的虚拟形象，使其外貌、表情和动作更加自然流畅。在形象设计上，虚拟数字人整体造型简洁大方，身着银行职业装，展现出专业、可靠的形象。面部表情丰富自然，眼神灵动，能够根据与客户的交流情况做出微笑、思考、解答等不同表情，增强与客户的情感共鸣。
**服务范围：**系统支持在银行官方网站、手机银行 APP、微信公众号等多个渠道接入，客户可以随时随地通过不同终端与虚拟数字人进行交互。目前支持的业务场景有开户行查询、卡片状态查询、借记卡余额查询、网点行号查询等，实现了客户咨询的智能应答。某城商行上线以来，累计服务客户 12.21 万人次（25 年 1 月至 5 月底），服务量占比 39.59%。
1.4.4 效果分析
经济效益：一是在业务快速发展、产品不断拓展的过程中对人力的替代、释放有明显作用，在确保客户体验不降低的同时，能够有效节约运营成本和人力成本，形成规模效益。二是加速人员转型，随着智能服务的广泛应用，将远程客服人工服务人员从重复、标准的工作中释放出来，转型从事产品推荐、复杂疑难业务处理、客户营销等高价值创效工作，进一步提升人力投入产出效益。
社会效益：通过应用智能服务，提升银行数字化应用能力，有助于提高在金融服务便捷性、增强客户金融服务获得感的社会影响力，进一步提高企业的形象。
银行虚拟数字人系统在技术集成与应用层面展现出了卓越的引领性。将多种前沿技术进行深度融合，构建起虚拟数字人这一创新服务载体。其在人工智能技术运用上颇为领先，借助大语言模型技术结合业务数据积累，使虚拟数字人能够精准理解客户复杂多样的问题，无论是常规金融业务咨询，还是涉及跨境金融政策解读、国家金融市场动态分析等专业性较强的内容，都能准确把握客户意图。同时，机器学习算法的运用让虚拟数字人具备自我学习和优化能力，随着与客户交互数据的不断积累，回答的准确性和质量持续提升。
1.5 数字营销助理（保险车险场景）
1.5.1 应用背景
保险行业正经历从“传统服务模式”向“智能化生态”的深刻转型。通过人工智能技术深度整合业务场景，为保险公司提供端到端的智能服务解决方案，重新定义了保险行业的效率与体验边界。
近年来，保险行业面临多重挑战：客户需求日益个性化、人工服务成本居高不下、业务流程冗余低效。以车险为例，传统报价环节依赖大量人工操作，不仅耗时耗力，还容易因信息误差导致客户不满。
依托 AI 大模型技术推出一款集语音交互、图像识别、自然语言处理与大数据分析于一体的智能服务助手，旨在通过“技术替代人力”与“流程自动化”，实现效率质量的双重提升。
1.5.2 技术方案
①多模态交互，无缝衔接用户需求
支持语音、文字、图片等多种交互方式，业务员可通过直接与 AI 对话。系统可自动识别语音、文字、图片信息，并实时生成报价方案，无需人工介入。
②非标信息标准化处理
传统保险服务中，用户提供的信息往往模糊或不完整。营销助理通过语义理解与图像识别技术，将非标准描述转化为结构化数据，精准匹配保险信息，大幅减少人工录入时间。
③多轮对话信息录入
即在多个回合的对话交流过程中，逐步引导并最终促成交易的完成。通过这种方式，销售人员能够根据与客户的沟通，逐步与 AI 对话补充完整信息，并最终实现销售订单的生成。
④动态优化与个性化推荐
基于用户对话，营销助理可动态调整方案。例如，在报价过程中，系统会根据信息推荐最优保障方案，并同步支持信息的调整，提升客户体验。
n车险报价：从“人工录入”到“秒级响应”
智能小行已实现“AI 即报价”的全流程自动化。通过各机构试点数据，使用营销助理后，单笔报价处理时间从平均 1 分钟缩短至 30 秒，报价效率提升 50% 以上。
o业务运营：从“被动响应”到“主动服务”
通过接入多个智能体，聚合营销能力，主动提供包括问数，知识库等支持，提升业务人员能力，提供展业支持，为一线展业提供千人前面的业务支持。
1.5.3 效果分析
作为一款高效的 AI 辅助工具，目前已经在全司各机构中广泛推广和应用。该工具通过运用先进的语义识别技术，能够精准理解和处理用户的自然语言输入，从而大幅简化了业务人员在信息录入过程中的繁琐操作。得益于此，业务人员的信息录入效率得到了显著提升，提高了约 50%。此外，营销助理还能在极短的时间内完成首次报价，将原本需要较长时间的报价过程缩短至半分钟以内，这一突破性进展极大地便利了业务人员的日常工作，使得他们能够更加高效地开展业务。
营销助理通过对接多智能体的调度系统，实现了对市场营销活动的有力支撑。它能够根据不同的营销场景和需求，智能调度和协调多个 AI 智能体，从而提供更加精准和高效的营销服务，有效助力公司业绩的稳步增长。
1.6 营销智能体（集团金融服务场景）
1.6.1 应用背景
随着国家经济的发展，人民生活水平不断提高，客户的个性化程度也随之提高，不同的客户有不同的“特征”，不同的“痛点”，不同的“购买点”，千篇一律的营销话术、材料逐渐难以适配日益增大的客户个体差异。然而，为不同客户做不同方案，无异于让业务本已繁重的工作任务雪上加霜，使得业务人员陷入进退两难的境遇。
在当前经济趋势向缓的背景下，资源协同成为内生性第二增长曲线的推动力，而缺乏“金融 + 生活”应用场景及低效的营销工具是阻碍资源协同的重要因素，主要困难和问题是：
一是缺乏“金融 + 生活”应用场景：“低频”的金融产品服务，缺少以客户为中心的“高频”生活场景；产品推荐缺乏自然联想和生活场景转化，缺乏多业态的产品组合和黏性高的增值服务。
二是传统营销效率低、个性化程度弱、精准营销成本高：金融企业获客渠道单一，获客成本高、转化率低；千人千面的精准营销消耗大量企业资源；缺少整合多业态的客户营销平台等。
因此，针对行业业务营销难的问题，提出创新解决方案，打造AI agent营销智能体，借助人工智能 AIGC 智能体实现高效、精准的营销。基本思路和核心优势：
一是借助AI agent营销智能体，通过自然联想图谱和生活情景转化，以客户为中心，结合客户的不同特征为客户精准推荐保险产品及增值服务，从低频的金融产品服务转向高频的生活 + 金融场景化服务，实现子公司间精准营销；
二是利用科技的手段对客户的特征、痛点、购买点进行分析，使用人工智能大模型自动为目标客户匹配最合适的产品，同时自动生成适配的营销话术、材料。AI agent营销智能体助力构建现代化产业发展新动能，塑造企业新优势，帮助业务部门提高客户黏性和营销效率，降低客户流失率，实现利润增长，助力公司第二增长曲线。
梳理项目价值主张、关键业务、客户关系、生态伙伴、成本结构、盈利模式、推广方案、社会效益 8 个关键要素。
1.6.2 技术方案
AI agent营销智能体是助力企业进行产品和服务的整合营销的平台。该平台根据客户画像推荐匹配的产品和服务，并依托先进的 AIGC 多模态大模型，深度融合自然语言处理、图像识别与合成等前沿技术，生成个性化营销话术及海报，辅助销售团队的线上线下触客。
AI agent营销智能体的基础功能 - 精准营销：营销人员收集客户的基础信息、各方面特征、个性化需求，将这些信息数据输入AI agent营销智能体，智能体根据客户信息，结合公司自有的企业知识库内的数据，自动为该客户匹配最合适的产品，以及该产品的营销话术、宣传海报，且材料内容满足客户的特征及需求点，帮助营销人员实现高效精准营销。
AI agent营销智能体的拓展功能 - 智能引流：智能体对接第三方平台，当汇聚平台、垂类平台、中介平台等第三方平台的用户登录平台时，平台会将用户的脱敏信息发送给智能体，智能体根据收到的用户信息自动匹配与该用户最契合的产品，生成该产品的广告海报，并将该广告海报传回给第三方平台，在平台上进行展示以吸引用户点击，在用户点击后跳转至产品的详情介绍页面，实现智能引流。
人工智能 AIGC实现高效精准营销，传统的营销以产品特征及客户群体特征为基础，考虑到时间成本、经济成本等因素，传统营销一般不会关注客户作为一个独立个体的个性化需求。借助人工智能 AIGC，智能体实现高效、精准的营销。高效，智能体可以根据客户的信息自动生成营销策划材料，每10秒可以为一位客户生成一套包含推荐产品、营销话术、营销海报的完整的方案，将营销人员从单一、重复的工作流程中释放，降低人力成本的同时也提升了业务流程的流畅性和准确性，在运营成本与业务优化双方面实现技术与业务的提升。精准，智能体推荐的产品高度适配客户的情况，营销话术、营销海报能够根据客户的信息展开自然联想，比如客户长期在户外的烈日下工作，智能体会意识到客户有罹患皮肤癌的风险，因此会为客户推荐医疗险，并在营销话术中提示用户注意做好防晒措施。
对接各类平台实现智能客户引流，传统的广告投放是较为常见的获客渠道，但是其成本高，精准度差，转化率低。经调研，例如某保及某市民卡基本对所有客户都会推送同样的、无差异的保险广告，精准度相对较弱。为了弥补这些不足，扩大优质获客渠道，智能体可扩展对接汇聚平台、垂类平台、中介平台，根据平台细分类型及平台用户信息分析塑造用户画像，为用户匹配最适合的金融产品，生成个性化营销广告，并将该营销广告实时传递到这些平台上，吸引用户点击，点击后将其引流至对应的金融产品详情页面，实现智能引流。相比于传统的广告投放，AI agent营销智能体的智能引流广告客户转化率提升近 30%。
AI agent营销智能体作为大模型与营销场景结合的产物，其市场定位在于利用先进的人工智能技术，对客户的特征、痛点、购买点进行深入分析，并自动为目标客户匹配最合适的产品，同时生成适配的营销话术和材料。这一市场定位满足了当前企业对精准营销、高效营销的需求，特别是在大数据和人工智能技术日益成熟的背景下，AI 智能营销的市场需求持续增长。随着市场竞争的加剧和消费者需求的多样化，企业越来越需要一种能够快速响应市场变化、精准定位目标客户、并提供个性化营销方案的工具。AI agent营销智能体正是这样一种工具，它能够帮助企业实现营销流程的自动化、智能化，提高营销效率和效果。
1.6.3 效果分析
- 经济社会效益
AI Agent 营销智能体项目通过 AIGC 大模型引擎和模型训练有机结合与实践，利用自然联想图谱和生活情景转化，从“低频”的金融产品服务转向“高频”的生活 + 金融场景化服务，实现子公司间个性化销售精准营销，提高金融子公司营销效率和效果，通过低营销成本实现了较高收入，实现销售杠杆倍数 47 倍，协同销售收入贡献率16.36%。通过该场景应用，促进员工高质量稳定就业，在提供发展平台、改善工作环境等取得了显著效果，在金融行业大环境收缩的趋势下，帮助遇到较大经营压力的子公司稳定员工就业率，提高销售人员提高服务质量，增加销售收入，增强员工稳定性。
- 经营质效和市场竞争力等方面产生的影响
AI Agent 营销智能体在集团及其子公司企业核心业务和市场竞争力等方面，提高了客户黏性，降低客户流失率，通过子公司间交叉销售协同，享受更加多样化的增值服务，通过多元化服务组合客户日益增长的个性化需求，提高了客户黏性，使客户对集团品牌产生更深层次的认同与依赖，降低子公司客户流失率。
- 赋能产业链生态建设和协同效果
AI Agent 营销智能体在赋能产业链生态建设和协同方面，能更好地满足客户多元化金融服务需求，做好数字金融为财富管理、保险等多家金融服务子公司企业服务赋能新质生产力，以新质生产力点燃高质量发展的新引擎。通过 AI Agent 营销智能体，能够更准确地理解客户需求和偏好，提供个性化的产品和服务推荐，从而提升客户体验；可以减少传统营销方式中的资源浪费，如减少纸质宣传材料的使用，降低能源消耗和碳排放；AI Agent 营销智能体是有助于提升企业的竞争力和影响力，有助于推动金融行业的数字化转型和产业升级，为整个行业树立技术创新的典范；有助于提升企业的营销效率和客户转化率，进而促进企业的经济增长和盈利能力提升，随着企业经济实力的增强，能够更多地投入到社会公益事业中，为社会提供更多的就业机会和公共服务，推动社会的可持续发展。
1.7 智能作业平台（银行对公业务场景）
1.7.1 应用背景
随着金融科技的迅猛发展，银行业对公客户的函证业务、取现业务、转账业务、开户业务等虽已逐步实现线上化，但仍面临每年数以百万计的柜面交易需求。同时，虽然 OCR 技术在运营作业中的应用已相当成熟，但 OCR 模型的性能更多依赖于训练数据的质量和数量，数据量不足或数据质量差可能导致模型泛化能力差。为突破这一瓶颈，银行大胆尝试引入 AI 多模态识别技术，结合 OCR与 AI 多模态两种先进算法进行双重验证，显著降低了识别错误率。通过与总行的密切沟通，各团队深入探讨并制定了基于字段重要性的风险评估机制，确保识别结果的安全性和可靠性。这一创新举措标志着总行、济南及海口分行在对公业务领域实现了 AI 智能录入的重大突破。
1.7.2 技术方案
OCR+AI 多模态技术融合应用实现精准审核：结合 OCR 与 AI 多模态两种先进算法进行双重验证，降低识别错误率。通过同一单据不同字段信息（如大小写金额等）之间的逻辑审核，不同单据同一字段信息的交叉审核，通过智能信息录入进化为智能信息审核，进一步赋能高效、精准完成审核工作，实现了智能化技术与实际业务需求的紧密结合。这种模式的创新不仅为 AI 赋能业务开辟了新的路径，也为其他业务场景的智能化改造提供了借鉴。
RPA 助力业务流程自动化：通过 RPA 影像嵌入式应用，及智能作业SDK 能力，系统实现在不改变运营核心系统现有流程的情况下自动带入信息。通过录审数据的实时流转与处理，减少人工干预。
3.系统扩展性和可维护性：该系统采用模块化设计，支持系统的扩展和维护，适应业务发展的需求；建立反馈机制，通过持续收集用户反馈和识别错误，不断优化模型和算法，提高系统的准确性和稳定性。
4.打通模态：多团队深度融合，探索录入新模态。总、分行共同讨论分析运用OCR、AI 多模态两种不同算法进行双重识别、交叉验证提升识别效率的可行性；研究探讨基于字段重要性的风险性，评估字段是否可以实现科技替代录入，确保识别结果的安全性和可靠性。
5.打通流程：多规则深度融合，开启智慧新流程。在确定录入新模态之后，如何成功落地应用成为摆在眼前的新专题。运用“PETSC”方法，选定函证业务作为MVP 试点业务，横向从产品、事件、任务、步骤等分析确定智能录审的节点；纵向从业务种类、单据组合、凭证种类、字段信息确定识别应用规则。通过横向、纵向的规则综合推演，最终确定“先扫描、后识别、再应用”的方式，并通过业务和技术层面的双重评估，确保了流程的科学性和可行性。
6.打通模式：多业务深度融合，开启智能新模式。在成功推演评估 MVP 业务流程的可行性后，进一步提炼 AI 智能录审的公共要素，打通跨业务种类运用 AI 智能录入的可行性评估方法，萃取总结形成可广泛适用的通用方法。形成通用方法后，根据业务量、单据标准化程度等要素，对全行柜面对公业务进行评估论证，最终确定在函证业务先行先试后，同步扩展至对公取现、转账等各类业务，持续扩展 AI 智能录审的业务种类，持续升级AI智能录审的智能程度，推动银行业务向最加智能、更加高效的方向持续迈进。
影像扫描，纸质信息实时数据化。经办人员扫描单据影像到运营核心系统，触发智能作业平台（询证函模块）自动调用影像系统接口获取扫描上传的影像，随即展开“询证函智能录审”。
多技术融合，审核信息执行智能化。智能作业平台（询证函模块）运用行内智能录审平台多模态大模型+ OCR的技术融合手段，同时识别并提取询证函的关键录入要素，如询证函的函证范围、截止日期、联系人、联系电话、函证范围、会计师事务所等信息。同时，在识别页面支持人工勾选 AI 大模型识别结果、OCR 识别结果或手工录入，便于后续根据不同字段使用识别信息、手工录入信息分析字段识别的准确率、错误率等，进一步评估字段自动化录入的可行性。
多平台联动，业务信息录入自动化。AI 智能数字运营平台（询证函模块）调用影像系统接口获取实时数据，通过 RPA影像嵌入式应用、智能作业能力，将 OCR 及大模型智能录审结果通过运营核心系统接口自动填充至相应位置，实现在不改变运营核心系统现有流程的情况下自动带入信息。通过录审数据的实时流转与处理，减少人工干预，确保数据的准确性和一致性，提高了业务办理的效率，大大减少了人工录入的时间和错误率。智能作业平台（询证函模块）通过打通影像系统、运营核心系统、RPA、智能录审平台等联接，实现了AI大模型能力与运营核心系统流程的无缝对接，全面提升了了 AI 技术在运营核心系统实际业务中的未来应用潜力，为未来的运营核心系统全面智能化打下了坚实的基础。
1.7.3 效果分析
智能作业平台，已在函证业务场景中得到了广泛应用和推广，平台的自动化录入和审核功能显著缩短了业务处理时间，提升了整体业务效率。柜面人员和后台运营人员对平台的使用体验总体满意，认为其操作便捷，效率提升显著。
平台的OCR和大模型技术处理速度较快，能够满足高并发业务需求。系统响应时间较短，用户体验良好。平台采用数据加密和访问控制技术，确保敏感数据的安全性，符合金融行业的数据安全标准。平台的数据处理流程符合相关法律法规，未发生数据泄露或安全事件。
减少人工成本、提高工作效率：通过多技术融合（如RPA、OCR、多模态大模型）实现询证函信息的自动录入，减少了人工操作的需求，降低了人力成本。传统询证函处理需要大量人工操作，每份询证函的录入和审核时间约为 10 分钟。通过智能录入系统，处理时间缩短至 5 分钟以内。基于每年约 50 万份的全行纸质询证函业务量估算，未来预计可在 60%-70% 的询证函业务接单环节中，运用“营小助”智能作业平台（询证函模块）”的AI智能录审能力实现人工录入替代。在运行效果良好后，预计可替代 30%-50% 的人工操作，年节约 FTE 约 27（FTE计算：5min*500000/60/6/250 ≈ 27.8），释放百万分钟的人工操作资源，显著提升业务处理效率和准确性。
提升业务处理能力：系统可以同时处理大量询证函，提升了银行的业务处理能力，满足了高峰时段的业务需求。
1.8 零售数智化（银行零售业务场景）
1.8.1 应用背景
银行零售业务在人工智能应用上已取得一定成果。决策类模型应用初具规模，在产品推荐、信用评级等场景发挥重要作用，通过数据分析助力精准营销与风险管理，但传统决策模型在复杂场景和大规模数据处理上存在局限，难以满足业务与客户期望。为此，建立零售数智化AI 应用，打造零售业务人工智能能力，实现业务转型升级与可持续发展，提升核心竞争力。
- 提升零售金融业务智能化服务体验
以客户为中心，利用 AI 技术深度洞察客户需求，提供个性化、智能化的金融产品与服务，提升客户体验与满意度；优化业务流程，提高运营效率与风险管控能力，提升对营销和管理人员的服务支撑体验，实现业务模式的创新与转型。
- 助力零售业务价值创造和竞争力提升
通过 AI 技术的应用，推动银行从传统金融服务向数字化、智能化金融服务转变，挖掘业务潜在价值，增强在金融市场中的竞争力与影响力，适应金融行业数字化发展趋势。
- 构建零售智能化共享生态圈
通过 AI 技术的广泛应用与拓展，连接客户、合作伙伴、监管机构等各方，构建一个开放、共享、协同的智能化金融生态系统，实现金融服务与社会经济生活的深度融合，更好地服务实体经济，创造更大的社会价值。
1.8.2 技术方案
（1）敏捷创新机制：突破传统银行技术应用的线性流程，通过设立专门实验室，构建“探索—试点—快速采购”的敏捷闭环，压缩新技术从概念验证到业务落地的周期，快速响应市场变化与客户需求。
（2）场景驱动式采购：改变传统以技术或供应商为中心的采购模式，围绕零售业务场景痛点（如智能营销、员工培训等）探索 AI 应用，以试点效果为采购决策核心依据，确保技术投入精准匹配业务价值。
（3）数据验证决策：依托实验室试点阶段积累的真实业务数据（如转化率提升、成本降低比例）量化评估项目成效，使采购决策从经验驱动转向数据驱动，提升资源投入的科学性和成功率。
（4）生态协同创新：通过实验室试点筛选优质项目，吸引外部技术供应商、科技企业参与合作，构建银行主导、多方协同的 AI 创新生态，加速技术迭代与资源整合。
（5）风险可控的创新探索：以小规模试点验证技术可行性和业务适配性，降低大规模技术投入风险，同时为后续采购积累实践经验，形成可复制、可推广的数智化转型路径。
1.8.3 成果分析
零售数智化创新实验室项目在建设与推广过程中积累了丰富经验。在项目建设方面，首先构建了跨部门协同机制，由零售、科技等多部门组建联合团队，打破信息壁垒，确保业务需求与技术方案深度融合。其次，采用“双环境隔离”架构，将测试环境与生产系统严格分离，依托容器化与微服务技术实现资源灵活调度，保障实验安全稳定运行。同时，建立标准化项目管理流程，通过子项目小组责任制和定期汇报机制，对项目进度、风险进行动态管控。
AI 教练项目，由 AI 扮演不同场景下的各类客户与员工进行情景对练，超级教练即刻指导建议，以“学”、“练”、“战”相结合的方式，滚动培养条线员工专业素养和实战能力，试点 2 个月期间，全行参与项目培训人次达 3070 次，覆盖 524 位理财经理。分支行培训参与率达 100%，理财经理线上考试通过率超 90%，试点效果显著，分支行参与度较高，故已签署采购协议。
AI 问数项目，革新银行零售业务数据应用模式，用户无需掌握复杂的数据处理技能，仅以自然语言提问，系统就能依托大语言模型与业务数据，快速输出精准答案。面对业务数据波动，深度剖析业务涨跌根源，并结合历史数据与行业趋势，从产品优化、渠道调整、精准营销等方向，提供切实可行的业务发展建议，为银行高效决策、提升竞争力提供有力支撑。项目目前处于场景讨论和数据治理中。
1.9 信贷风险管理（银行企业信贷风控场景）
1.9.1 应用背景
构建基于信贷业务风控场景的大模型深度应用能力，专属信贷管理领域的AI 智能助手深度适配银行信贷业务场景及信贷系统应用功能量身打造而成。大模型在信贷系统中的集成部署，不仅能够支持业务人员在信贷系统中灵活调用对话页面，快速获取企业信用信息、生成企业全景画像，还能够通过深度逻辑思考进行股权结构、科创能力、财务情况、风险归因、行业风险等深度专项分析，实现客情全方位挖掘，繁杂信息高效处理，报告撰写效率全面提升。
1.9.2 功能方案
智能问答，信贷用户可在信贷系统主页直接唤醒获得服务支持，通过“通用问答、灵感、历史记录”等功能，实现对话页面快捷调用、关联问题智能联想、复杂问题一问即答。
企业画像，大模型以银行行内信贷系统现有大数据为基础，内置“风险归因、财务分析、科创分析、涉诉分析”等智能组件，实现企业经营、历史沿革、重大事项等多维度的企业信用信息基础问答，可一键生成客户立体全景画像，帮助信贷用户快速洞察客情。
深度分析，大模型依托自身强大的深度思考及逻辑推理能力，基于企业经营、信用、财务及行业等 12 大领域的模型化问答知识库，实现金融信息解读、行业政策研判、风险因子挖掘等多方面的分析能力输出并智能生成专业分析内容，辅助业务人员高效处理繁杂信息，提升报告撰写效率。
人员使用信贷业务场景，为近千位客户经理及授信审批、风险管理等部门人员提供了“客情问题智能联想、复杂问题一问即答、金融信息深度求索及风险因子深度挖掘”等智能化分析能力输出，辅助业务人员快速洞察客情，高效处理繁杂信息，提升报告撰写效率，实现了信贷业务全流程管理的数字化、智能化。
1.9.3 效果分析
挖掘企业客户：通过分析海量企业外部数据，实现企业分析、商机挖掘、圈脉触达、科创评价、政策解读、话术推荐等能力，支持快速生成企业多维营销画像，不仅能够帮助客户经理挖掘潜在客户，还能够根据实际场景生成个性化营销指引，大幅提升客户触达效率。
辅助智能尽调，大模型通过逻辑思考及推理能力，分析输出企业概况、经营行为、财务分析、运营能力、监管负面等维度问题分析结果，并以文字、表格、图形等方式全方位展示，尽显尽调场景智能化，辅助提升尽调效率及质量。
驱动领域风控，大模型基于深度理解企业行政、司法、税务、舆情等风险数据以及监管制度、违约案例等内容，在风险筛查模块，实现了企业名单批量风险扫描及分值排名，辅助信贷人员清晰观测企业风险指数及风险动态变化，综合评估企业风险及波动情况，深度赋能信贷风控全流程。
深化市场洞察，将行业前沿研究与产业集群数据纳入底层知识库，信贷用户可以针对目标行业的发展概况、竞争格局等内容展开提问获取可溯源的分析文本及相关图表，辅助市场研判。
提高工作效率，为近千位客户经理及授信审批、风险管理等部门人员提供了“客情问题智能联想、复杂问题一问即答、金融信息深度求索及风险因子深度挖掘”等智能化分析能力输出，辅助业务人员快速洞察客情，高效处理繁杂信息，提升报告撰写效率，实现了信贷业务全流程管理的数字化、智能化。
1.9.4 经验汇总
中小银行的业务场景具有“小而散”的特点。聚焦中小客群，客户需求差异大，传统管理模式高度依赖人力经验。但当前，外部竞争压力与内部效率瓶颈已不容回避，大型银行下沉区域县域、净息差收窄、客户对数字化服务期待攀升，这些挑战倒逼中小银行必须将智能化提升至战略高度。
大模型应用能力，深度赋能信贷全流程、多场景领域。将在“调查报告智能撰写、客户风险智能筛查、审查审批智能辅助、行业产业智能洞察”等业务场景中不断深化应用，并联动行内信贷系统、押品系统以及营销类系统等，高效响应多场景需求，实现大模型的高效部署、创新应用。
结语：抓住大模型时代的职业机遇
AI大模型的发展不是“替代人类”，而是“重塑职业价值”——它淘汰的是重复性、低附加值的工作，却催生了更多需要“技术+业务”交叉能力的高端岗位。对于求职者而言，想要在这波浪潮中立足，不仅需要掌握Python、TensorFlow/PyTorch等技术工具，更要深入理解目标行业的业务逻辑（如金融的风险控制、医疗的临床需求），成为“懂技术、懂业务”的复合型人才。
无论是技术研发岗（如算法工程师、研究员），还是业务落地岗（如产品经理、应用工程师），大模型都为不同背景的职场人提供了广阔的发展空间。只要保持学习热情，紧跟技术趋势，就能在AI大模型时代找到属于自己的职业新蓝海。
最近两年大模型发展很迅速，在理论研究方面得到很大的拓展，基础模型的能力也取得重大突破，大模型现在正在积极探索落地的方向，如果与各行各业结合起来是未来落地的一个重大研究方向
大模型应用工程师年包50w+属于中等水平，如果想要入门大模型，那现在正是最佳时机
2025年Agent的元年，2026年将会百花齐放，相应的应用将覆盖文本，视频，语音，图像等全模态
如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！
扫描下方csdn官方合作二维码获取哦！
给大家推荐一个大模型应用学习路线
这个学习路线的具体内容如下：
第一节：提示词工程
提示词是用于与AI模型沟通交流的，这一部分主要介绍基本概念和相应的实践，高级的提示词工程来实现模型最佳效果，以现实案例为基础进行案例讲解，在企业中除了微调之外，最喜欢的就是用提示词工程技术来实现模型性能的提升
第二节：检索增强生成（RAG）
可能大家经常会看见RAG这个名词，这个就是将向量数据库与大模型结合的技术，通过外部知识来增强改进提升大模型的回答结果，这一部分主要介绍RAG架构与组件，从零开始搭建RAG系统，生成部署RAG，性能优化等
第三节：微调
预训练之后的模型想要在具体任务上进行适配，那就需要通过微调来提升模型的性能，能满足定制化的需求，这一部分主要介绍微调的基础，模型适配技术，最佳实践的案例，以及资源优化等内容
第四节：模型部署
想要把预训练或者微调之后的模型应用于生产实践，那就需要部署，模型部署分为云端部署和本地部署，部署的过程中需要考虑硬件支持，服务器性能，以及对性能进行优化，使用过程中的监控维护等
第五节：人工智能系统和项目
这一部分主要介绍自主人工智能系统，包括代理框架，决策框架，多智能体系统，以及实际应用，然后通过实践项目应用前面学习到的知识，包括端到端的实现，行业相关情景等
学完上面的大模型应用技术，就可以去做一些开源的项目，大模型领域现在非常注重项目的落地，后续可以学习一些Agent框架等内容
上面的资料做了一些整理，有需要的同学可以下方添加二维码获取（仅供学习使用）
