一、项目背景及目标

当前中国邮政储蓄银行全速推进全行数字化转型，内部智能问答系统是行内知识共享、政策传导、业务咨询、办公协同的核心载体，系统问答响应速度、识别准确率、使用便捷度，直接关系全行整体办公效率与内部运营数字化水平。行内原有邮连智能问答助手，采用传统被动式问答模式，全程依赖员工手动筛选知识领域，员工需提前自主判断问题归属范畴，从综合办公、内部规章、法律法规、业务规范等多个细分业务板块中手动勾选，再输入具体咨询问题，系统仅在选定单一领域内开展知识检索与答案反馈。

该传统模式存在两大核心痛点，严重制约内部知识复用与办公效能：其一，业务问题领域边界模糊，员工日常咨询极易出现领域误判，直接导致系统答案错位、回复无效，无法匹配实际业务需求，甚至耽误业务办理进度；其二，额外增设手动选领域环节，增加冗余操作步骤，拉长单次问答耗时，高频办公场景下效率损耗尤为明显，完全不符合全行数字化、轻量化、高效化办公的核心要求。为破解现有流程短板，盘活行内存量知识资产，优化员工使用体验，实现内部知识高效精准复用，本行正式启动本次智能问答流程优化专项项目。

二、创新点

本次项目立足银行内部业务场景特殊性，围绕技术、服务、管理三大维度深耕突破，三大类创新点互补协同，全面破解传统智能问答场景痛点，区别于行业通用方案，更贴合金融封闭域、高合规、高精准的应用要求。

（1）技术应用创新

一是专属金融知识向量化适配创新。针对银行内部业务术语专业、领域壁垒鲜明、表述标准化程度高的特性，对通用向量模型专项微调训练，深度贴合行内专属话术、规章条款、业务逻辑，彻底解决通用模型语义错位、识别偏差问题，筑牢高精度意图识别底层语义基础。

二是双模型融合协同识别创新。突破单一模型性能局限，兼顾效率与精度，高效整合向量模型超快语义匹配优势，与BERT模型深层语义解析能力，针对性破解金融行业术语繁杂、问题歧义性强、跨领域咨询难识别的行业痛点，实现速度与精度双向达标。

三是闭环动态向量回补创新。打通机器智能与人工业务经验，搭建“错误筛选-人工标注-向量更新-模型迭代”全闭环机制，实现模型随行内知识动态更新自主优化，打破传统模型一次训练、性能固化的短板，长期保持识别精度稳步提升。

（2）服务模式创新

颠覆传统“人工选域+手动提问”的服务模式，通过自动意图识别技术，让用户“只提问题，不选领域”，简化操作流程，提升用户体验，使业务人员更专注于业务本身。

（3）管理机制创新

建立“技术团队+业务专家”的协同管理机制，技术团队负责模型迭代与平台维护，业务专家参与人工审核与特征标注，确保模型优化方向与业务实际需求一致，保障项目长期稳定运行、可持续落地推广，构建全生命周期长效运营管理体系。

三、项目技术方案

本项目以“降时延、提精度、简流程、优体验”为核心导向，创新搭建“闲聊过滤→向量检索→BERT精修”三模型分层协同架构，遵循“试点测试、分步优化、全行推广、平稳落地”实施路径，全程贴合行内系统合规要求、运维标准、业务场景。整体架构如下图。

具体实施模块如下：

（1）闲聊分类前置过滤模块：流量分流，算力减负

结合行内真实问答场景数据，日常咨询中近70%为非业务闲聊内容，此类内容若直接进入业务识别链路，会大幅占用算力资源、拉长响应时延，同时干扰业务模型识别精度，引发无效回复、语义误判问题。项目在整体识别链路最前端，增设轻量化闲聊分类识别模块，充当流量筛选闸门，提前完成业务与非业务问题二元分流。

通过前置无感过滤，全部闲聊流量无需进入后端复杂业务计算环节，大幅降低核心算力消耗，经实测，整体意图识别链路算力损耗降低65%，核心业务问题平均识别耗时从300ms压缩至180ms，同时可规避闲聊内容干扰业务识别，杜绝无效匹配、语义误判问题，保障核心业务咨询高效稳定运行。

（2）向量模型的深度应用：专有知识的数字化

银行内部知识具备专业性强、标准规范、动态迭代的核心特性，常规通用模型无法适配内规制度、业务手册、监管法条等专属内容，单纯依靠文本分类难以实现精准判别。项目选用BGE-LARGE预训练向量模型，依托行内海量合规文本、内规制度、业务手册、历史问答等专属语料，开展专项微调训练，让模型深度掌握金融专业术语、行内表述逻辑、业务边界规则。

（3）BERT领域模型专项微调：复杂语义深层精准解析

针对金融复杂业务、模糊语义、跨领域咨询场景，引入BERT预训练模型，采用“基础层-行业层-业务层”三级梯度微调方案，搭配行内4万条高质量标注业务数据闭环训练，全面适配银行专属语境。基础层融入通用金融监管语料，夯实行业术语基础；行业层叠加邮储银行内部规章、业务规范，贴合行内专属表述；业务层依托生产环境真实问答数据，开展场景化专项训练。

经多层级优化迭代，BERT模型复杂场景识别能力大幅提升，微调后领域分类准确率较优化前提升14个百分点，完美适配高难度、高歧义、高专业度的内部业务咨询场景。

（4）三模型协同核心策略：全场景高效精准覆盖

项目核心打造三层递进、智能分流、优势互补的三模型协同识别机制，分层处置不同难度咨询问题，兼顾响应速度与识别精度，实现全场景无死角覆盖：

第一层，轻量化闲聊前置过滤。依托超快文本分类模型，单条耗时≤50ms，快速筛除非业务闲聊，释放核心算力，保障业务链路全速运行。

第二层，向量模型快速精准识别。针对常规清晰业务问题，启用向量模型高速检索，达到置信度阈值直接输出结果，平均耗时≤70ms，覆盖七成以上日常业务咨询。

第三层，BERT模型精修补全。针对低置信度、模糊歧义、跨领域复杂问题，自动触发BERT模型深层解析，双层结果交叉校验，输出最终精准分类结论。

经实测，三模型协同后，整体知识领域分类正确率大幅提升，业务问题平均处理耗时大幅压缩，综合效率较单一BERT模型提升85.8%，补齐单一模型效率低、精度不足、场景覆盖不全的短板。

人工闭环向量回补机制：模型持续自主迭代

为适配行内制度更新、业务迭代、知识扩容的常态化需求，搭建全闭环动态优化机制，系统自动归集识别模糊、用户反馈异常数据，联动大模型初步校核，推送业务专家人工复核标注；精准标注数据实时回流向量库，开展模型增量训练，持续优化识别逻辑。每月常态化校验复测，模型分类精度逐月稳步提升，实现系统长期自适应迭代，无需重复大规模重构开发。

四、运营情况

（1）推广应用情况

本项目已完成全流程开发、测试优化、平稳上线，正式在行内系统的智能问答助手上落地应用，覆盖全行总部及各分支机构，实现内部知识咨询场景全覆盖。项目推广过程平稳顺滑，全员上手零门槛、无需专项培训，员工接受度、使用率、日均调用量持续攀升，整体推广落地效果达标。

（2）系统运行情况

项目上线以来，整体智能问答系统运行稳定、无重大故障、无卡顿延迟，满足全行高频次咨询使用需求，系统可用性、稳定性完全达标。建立7×24小时常态化运维、实时监控、问题快速响应机制，日常运行故障率极低，意图识别、语义匹配、答案反馈全流程流畅稳定，核心性能指标长期达标，模型迭代、向量库更新、日常运维流程规范化，保障系统长效稳健运行。

五、项目成效

（1）经济价值

一是提升工作效率：业务人员知识查询时间从平均 3 分钟缩短至 30 秒以内，工作效率提升 80% 以上。

二是优化业务流程：通过自动化领域识别与精准问答，推动行内知识传递流程数字化。

（2）社会价值

一是助力金融行业数字化升级，打造银行封闭业务场景智能问答标杆实践，形成可复制、可推广、可移植的技术方案与运营模式，为银行业乃至全金融行业内部智能化办公、知识数字化管理提供优质参考范例，推动金融行业内部运营智能化转型。

二是间接赋能实体经济服务，通过优化内部办公流程、提升员工业务办理效率，全面提速前台业务响应、审批、办理速度，强化全行客户服务能力，以内部数字化提质，助力金融高效赋能实体经济。

六、经验总结

本次基于意图识别的企业级智能问答流程优化项目，全程立足银行实际业务需求，平稳落地、成效显著，为全行数字化项目建设、技术创新、推广运营积累了全套可复用实战经验，核心总结如下：

一是坚守业务技术深度融合，坚决杜绝技术脱离实际、纯技术理想化落地，全程以业务痛点为出发点、以员工实际需求为核心，技术方案紧贴办公场景、贴合金融合规要求，保障项目实用性、落地性。

二是遵循试点迭代稳健推广，采用小范围试点测试、问题优化、逐步扩容、全行铺开的节奏，稳步推进项目落地，有效规避大规模上线风险，保障系统平稳过渡、员工平稳适配。

三是坚持建设运营并重，摒弃重建设、轻运维的传统误区，同步搭建运维、迭代、优化闭环体系，重视上线后长效运营、动态优化，保障项目长期发挥效能，实现一次性建设、长期长效受益。