一、项目背景及目标

为解决传统企业微信展业投入大、覆盖不足、匹配误报严重等痛点，华福证券自主研发了证券行业员工企微展业大模型合规质检系统，应用于企业微信上展业规范、展业质检和风险处置等场景。本项目利用大模型、LoRA微调、ReAct Agent、智能体可视化微调、范式上下文工程、RAG等新技术、新方法，自主研发智能语义引擎，满足企业微信展业合规质检业务需求，采用多活容灾部署方式，安全架构合理且完备，运行性能稳定、可靠。

（1）项目背景

企业微信展业传统采用“人工抽检+敏感词匹配”方法进行合规质检，存在投入大、覆盖不足、匹配误报严重等痛点，难以满足证券行业合规要求。本项目自主研发大模型智能语义感知引擎，应用于企业微信上展业规范、展业质检和风险处置等场景，旨在实现减少人力成本投入、规避漏检风险、提高准确率、增强服务体验，平衡效率与安全，助力监管科技（RegTech）高质量发展。

（2）项目目标

1）功能目标

事前合规质检：总部和分支机构业务管理人员，将营销海报、内容或话术模板上传到企业微信展业合规质检系统，系统给出质检结果并提供优化调整建议。

事中合规质检：系统实时抓取一线营销经理、投资顾问和客户在企业微信上的聊天内容，根据合规规则和岗位要求，逐条质检展业记录。对于发现的疑似违规内容，及时通过企微消息发给相应员工，同时给出处置的建议。

事后合规质检：每个交易日对前一交易日以来的聊天记录进行自动质检，根据合规规则和岗位要求，自动将疑似违规的记录进行标注，通过SCRM系统将每日质检结果推送给总部和分支机构合规人员，合规人员可以通过SCRM系统对疑似记录进行复核、给出专家判断。

多模态质检：质检的企业微信聊天记录数据类型包括文本、语音、图片和短视频四类。

智能合规判定：依托预设合规规则，通过“多模型协同+错题库增强”，精准识别内幕信息泄露、违规承诺收益、无资质投顾等8大类违规行为。

2）非功能目标

扩展性：模块解耦设计，快速适配新增规则、标准服务接口。

可用性：异地多活主备容灾部署，增强业务连续性，全年可用性不低于99.99%。

安全性：符合证券行业数据安全与合规监管要求，数据不出内网、日志可审计。

可靠性：质检准确率不低于90%、精确率不低于90%、召回率不低于70%。

可移植性：采用Docker容器化部署，支持快速移植和扩容。

二、创新点

（1）业务创新点

1）创新全生命周期质检机制，完成主动智能风控跨越

建立“事前预防－事中监控－事后纠错”的闭环管理机制：事前支持员工提交营销方案和营销话术进行事前预检，给出风险提示；事中实时分析展业会话内容，为员工提供准实时对话合规质检和订正建议；事后按自然日审计，及早发现疑似违规，化解相关风险。解决传统模式被动滞后处置、流程及覆盖缺失、语义理解失真等问题，实现主动智能风控。

2）创新“AI+人”分工协同模式，平衡质检效率和准确率

自研智能语义引擎每日进行展业记录多模态质检，利用大模型技术识别疑似违规；仅将疑似样本推送人工复核，保留专业判断权。较人工效率提升120倍，且规避幻觉风险，实现效率与准确率卓越平衡。

3）岗位和模板分层质检，破解集约营销等误报难题

针对SOP模板集约化经营需求，建立双重机制：一是模板白名单，总部/分公司可添加过审模板话术，免于质检误报；二是对接人力系统，按投顾、销售等岗位匹配差异化质检规则，提升质检准确率。

（2）技术创新点

1）首创“范式上下文工程与可视化调优”专利技术，提升语义引擎成效指标

应用“智能体范式上下文工程和可视化调优方法、装置、设备和介质”专利技术（申请号：202512008773.5），利用工程化方法提升ReAct Agent智能体的指标表现。

首先，拆解任务链路，分设各类AI质检员和AI二次质检监督者两类角色，范式约定角色的who、what、why、how和how much的技能要素，固化能力提升质检结果质量标准。

图1 自研语义引擎

其次，采用梯度集成数据分析法作为智能体可视化调优方法，计算不同意识精度下因果贡献度，定位系统Prompt的关键Token，并针对性优化。当质检判断准确时，对贡献度Top20系统Prompt的Token进行保留或描述加强。反之，对其进行语义优化或删减。调优前（不含RAG、LoRA）准确率80.24%、精确率60.37%、召回率4.23%、F1值7.91%；调优后，有效提升本垂直领域细分场景的专业性能，准确率92.16%、精确率70.45%、召回率39.92%、F1值50.96%；结合RAG错题集后准确率98.40%、精确率99.10%、召回率46.71%、F1值63.49%。

技术原理：基于Transformer架构的大模型，采用梯度集成数据分析法分析大模型嵌入层数据，计算不同意识精度下因果贡献度值。

对于输入向量x=(x1,xn)∈Rn和基线输入x′∈Rn（本项目中基线值取0），m代表等距离意识精度离散次数，第i维的集成梯度定义为：

本项目准确率、精确率、召回率计算方法：

TN为判断正确的合规样本、TP为判断正确的违规样本、FN为判断错误的合规样本、FP为判断错误的违规样本。

准确率=(TN+TP)/(TN+TP+FN+FP)；

精确率=TP/(TP+FP)；

召回率=TP/(TP+FN)；

F1值=2×(Precision×Recall)/(Precision+Recall)。

2）利用LoRA技术自研场景专用大模型，突破Agent工程性能瓶颈

通用大模型缺乏证券行业专业知识，且难以适应监管规则和公司内部营销场景的动态变化。本项目使用“历史人工标记质检记录+合成数据+权威通识数据库”三部分数据进行模型微调训练，采用真实生产数据进行测试和持续扩容到历史训练数据中，采用的大模型训练方法为LoRA方法。LoRA（Low-Rank Adaptation）微调方法，于2022年首次提出，采用低秩适配方法，冻结预训练权重，仅训练低秩矩阵。技术原理：

W=W₀+ ΔW=W₀+ BA

其中B∈R^(d×r)，A∈R^(r×k)，r≪min(d,k)

本项目中，微调基础大模型采用Qwen3-30B-A3B-Instruct-2507，训练数据集由三部分组成：一是人工标记的4,418条真实质检记录，包括2,475条合规样本和1,943条疑似违规样本（截至2025年11月）；二是基于行业、公司合规展业制度和敏感词库数据，利用Kimi K2.5和DeepSeek V3.2大模型，生成合成样本数据约15,000条；三是采用魔塔社区的“对话－百科（中文）训练集”约27万条数据作为通识数据库，用于消除仅训练场景数据导致的大模型知识偏移过拟合问题（导致FP样本多、准确率过低）的问题。微调训练评估情况：

图2 LoRA微调评估-1

图3 LoRA微调评估-2

本项目引入LoRA微调的自研场景专用大模型，将其作为首轮快速质检模型之一，目的是提升自研语义引擎召回率和F1值。投产后项目准确率：98.31%、精确率：98.26%、召回率：96.33%、F1值97.29%。

3）构建多模型协同的质检流水线，破解大模型成本与效益瓶颈

首先，采用关键字匹配技术，过滤营销模板白名单，减少质检误报；其次，Qwen3-omni-flash将多模态记录转为纯文本并补足必要的语义上下文，提升后续流程处理效率；接着，hithink14B+LoRA自研模型快速初筛过滤明显合规会话；接着，Qwen-32B专注复杂推理，处理边界案例；最后，对二次质检判断为违规的样本，利用RAG+大模型进行错题集质检，提高精确度。该设计单份会话质检平均耗时5秒、算力成本约60万元/年。如果采用大尺寸模型（如DeepSeek V3.2）单份会话质检耗时约60秒、算力成本约300万元/年（两台一机八卡H20-146GB服务器）。该设计节约90%耗时和80%算力成本。

4）复用企业级AI能力中台，提升项目建设的ROI水平

传统AI应用多采用烟囱式架构，存在独立部署、数据孤岛、重复建设等情况。本项目依托华福证券AI中台能力进行建设，复用智能体工坊系统、算法管理平台算力和模型微调工具。同时，通过标准化智能体API接口，将自研智能语义引擎封装为可调用的服务，与现有SCRM系统深度融合，无需大规模重构即可实现智能化升级。项目成本为人力成本约50万元和算力分摊成本（20张L20、1张910B）约60万元。如果独立建设，服务器投入成本约260万元。

三、项目技术方案

（1）项目建设历程

2025年6月，项目任务书下达。

2025年7月，需求分析完成。

2025年7月，系统详细设计完成。

2025年10月，系统编码、测试及上线准备完成。

2025年11月，系统上线和全面推广。

2025年12月，项目总结。

（2）项目的组织与实施

1）需求分析和概要设计阶段

2025年6月至2025年7月开展需求分析和概要设计工作。一是根据项目任务书，开展需求分析和基层调研工作，明确项目核心痛点与建设目标，形成需求说明书；二是完成概要设计工作，包括梳理企业微信展业合规质检开展工作流程、确定业务需求核心指标、进行交互体验概要设计、确定质检逻辑和规则、梳理上下游系统边界和接口协议等，形成概要设计文档；三是结合需求说明书和概要设计文档，完成概要设计评审。

2）系统详细设计阶段

2025年7月结合概要设计评审结果进行项目详细设计，主要完成以下工作：设计项目技术框架、梳理智能体内部工作架构、确定项目使用的大模型型号范围、设计数据库及表结构、设计用户交互及功能、设计自研大模型微调技术路线、确定接口方法和性能需求、设计代码框架、设计项目部署方案、设计项目安全方案；组织业务需求方和公司架构小组，完成项目详细设计方案评审。

3）系统编码、测试和上线准备阶段

2025年8月到2025年10月主要完成以下工作：大模型智能语义引擎技术框架搭建、智能体各模块代码编写、LoRA微调自研场景专用大模型研发、用户交互界面研发、服务接口开发、与上下游系统对接编码及系统间联调测试；开展多轮测试工作，包括功能测试、性能测试及接口测试、优化智能体系统提示词，排查并修复编码及逻辑漏洞，优化系统响应速度与质检准确率；完成系统部署环境搭建、配置调试，制定上线方案、应急预案及操作手册，进行项目上线评审。2025年8月向国家知识产权局申报专利：一种证券行业知识查询方法及系统，专利公开号：CN121278072A，专利进入实质审查阶段。

4）系统上线与推广阶段

2025年11月主要完成以下工作：完成项目系统上线；总部部门和少量分公司进行系统试用试点；结合试点单位每日企业微信合规质检结果，优化项目自研智能语义引擎；准确率、精确率，召回率达到一定水平后，开始在全司推广试用，开展系统试用培训、组织总部业务部门和分公司按需扩充白名单模板。

5）项目总结

2025年12月主要完成以下工作：收集项目运行成效，形成项目投产报告；2025年12月向国家知识产权局申报专利：智能体范式上下文工程和可视化调优方法、装置、设备和介质，专利申请号：202512008773.5；从项目提炼智能体规划、设计、建设和安全管控等方面经验，与蚂蚁科技集团股份有限公司、国投证券股份有限公司、北京知其安科技有限公司、中关村金融科技产业发展联盟等单位联合制定并发布团标：大模型金融领域可信应用参考框架，团标号：T/ZFIDA 0008-2025。

（3）技术方案

本项目利用大模型、LoRA微调、ReAct Agent、智能体可视化微调、范式上下文工程、RAG等新技术、新方法，自主研发智能语义引擎，满足企业微信展业合规质检业务需求，采用多活容灾部署方式，安全架构合理且完备，运行性能稳定、可靠。

1）系统业务架构

图4 系统业务架构

项目为证券公司企业微信业务展业提供合规质检一站式解决方案，用户群体包括：分支机构一线营销经理和投资顾问、总部和分支机构合规人员、总部和分支机构业务管理人员，提供事前、事中和事后三种质检模式。

2）系统应用架构

图5 系统应用架构

项目基于公司企业AI能力中台搭建，涉及的周边系统还包括SCRM系统、企业微信系统、人力系统等，整体系统应用架构分为四层。

功能展示层：SCRM系统展示事后质检功能模块。智远AI百宝箱展示事前质检和事中质检两个功能模块。该层通过API方式对接应用服务层。

应用服务层：事前质检包括多模态素材、营销模板上传质检、优化建议反馈三个模块；事中质检包括聊天记录实时获取、逐条记录质检、疑似违规消息通知、优化建议反馈四个模块；事后质检包括历史聊天数据存储、多日上下文语义质检、质检记录展示、疑似违规记录标注、人工复核和打标、事后质检统计等模块。

企业AI能力中台层：智远模型中心提供各类模型标准化部署和服务接口；智远安规中心提供大模型微调训练环境；智远工坊中心提供智能体搭建、工作流编排、RAG及向量数据库服务。

基础设施层：AI算力投入包括生产16张L20和1张910B、测试和微调环境4张L20；人力系统提供组织架构、员工及岗位相关数据；企业微信提供会话记录数据；SCRM的营销模板白名单数据。

3）系统数据架构

图6 系统数据架构图

项目定期从数据源层提取相关数据，包括企业微信会话记录、历史会话记录、人力资源数据、历史标注数据；在自研语义引擎层，对元数据进行清洗、加工、架构化等操作，接着进行智能计算和数据分析，形成相应的数据服务供业务端调取；在业务端层形成最终服务能力，供用户使用。

图7 项目每日数据时序

4）系统技术架构

项目基于华福证券企业级AI能力中台建设，智能体架构采用ReAct Agent框架、数据库采用TiDB、TDsql、Mysql和MongDB等混合方案、通信协议基础为Http/Https协议、展现层包括Web和企业微信两类。

图8 系统技术架构图

在系统部署方面，严格采用异地多活容灾方案部署。LoRA微调训练设备部署在测试网段；自研智能语义引擎和应用展示层部署在生产网段。

图9 系统部署图

5）系统安全架构

一是技术安全方面，采用敏感数据脱敏存储和处理等措施，保障数据安全；部署在公司入侵防御系统、网络隔离设备等保护措施内；系统采用异地多活部署，具有良好的高可用与容灾能力。

二是风险管控方面，项目建立了贯穿系统运行、数据治理的全流程风控机制，能确保业务连续运行，避免非法数据访问和获取，有效识别和防范数据泄露风险。

三是合规管理方面，项目方案与设计符合国家及金融行业在数据隐私保护、网络安全、业务规范等方面的监管要求，已在华福证券完成合规测评。

图10 系统安全架构说明

四、运营情况

项目成果具有显著的实用性、适用性和行业引领价值，是证券行业监管科技领域的标杆性创新，为金融强国建设提供了可复制的科技引领范式。

实用性方面：系统日均质检约2万份华福证券企业微信展业会话，单份处理从人工质检耗时10分钟压缩至智能质检耗时5秒钟，效率提升120倍，彻底解决了传统“人工抽检+敏感词匹配”方式存在的覆盖面不足、发现滞后、成本高昂、误报率高等痛点。通过“AI全量质检+人工复核违规样本”的人机协同模式，在保障98%准确率的同时实现质检全覆盖，杜绝漏检风险。系统已在华福证券总部、48家分公司以及148家证券营业部全面应用，2025年已质检企微展业会话615,323份，服务用户数量约2,500名，项目经济效益卓越。

适用性方面：项目在中国证券行业复杂展业场景中的中文语义理解方面表现出色；创新设计岗位分层匹配和话术白名单机制，精准破解模板化营销导致误报、岗位执业合规差异导致误报等业务场景难题。

推广价值方面：依托企业级AI能力中台，避免烟囱式设计，未来可以进一步适配客户服务语音电话、视讯电话、多媒体直播等多元合规质检场景，具备良好的横向扩展能力。技术方案具有高度可复制性，核心创新包括多模型协同架构、范式上下文工程和可视化调优专利、LoRA场景化微调等，已形成知识产权布局，可供行业各家证券公司参考、复制。

行业引领方面：一是项目积极响应国家金融科技发展战略和监管科技政策导向，以技术创新推动金融安全治理现代化，将潜在违规风险拦截在萌芽状态，切实保护投资者合法权益；二是证券行业企微展业合规质检作为行业最大规模展业质检场景之一，项目验证了AI大模型在金融合规领域的工程化可行性，为行业提供了“高价值、高效率、可进化”的智能风控范本，有助于完善行业合规科技标准体系，引领证券行业向主动智能风控演进，为金融强国建设贡献科技力量。

五、项目成效

（1）社会效益：赋能金融安全与数字治理

项目积极响应国家金融科技发展战略和监管科技（RegTech）政策导向，以技术创新推动金融安全治理现代化。通过构建“AI+合规”的智能风控体系，实现展业行为全量实时监控，将潜在违规风险拦截在萌芽状态，有效防范金融风险外溢，切实保护投资者合法权益，维护金融市场稳定运行。项目践行“负责任AI”理念，坚持“人机协同、辅助提效”准则，在提升效率的同时保留人类专家的专业判断，促进从业人员数字素养与合规意识双提升，推动科技与人文的融合发展。

（2）管理效益：驱动组织变革与价值创造

项目实现内部管理提质、降本、增效的全面突破，为行业其他金融机构企业微信展业合规质检提供可复制的实践样本。提质方面，质检覆盖率从传统人工抽检的10%跃升至100%全量覆盖，实现风险识别精度和深度跨越式增强，实现从“事后追责”到“事前预防+事中提示”的管理跃迁。降本方面，单条质检从人工质检耗时10分钟压缩至智能质检耗时5秒钟，效率提升120倍，节约大量人力资源，实现人才价值再造。增效方面，构建“事前预检－事中监控－事后纠错”的全周期管理机制，违规发现时效从天级缩短至秒级，为业务整改和风险处置争取宝贵时间窗口。

（3）其他潜在效益：引领行业金融科技发展

项目具有显著的证券行业金融科技引领价值和生态辐射效应。技术示范层面，创新的多模型协同质检架构、范式上下文工程和可视化调优技术专利、LoRA场景化微调方法，形成可复用的高性能证券金融AI应用技术范式，为各家证券公司提供系统化解决方案，项目共沉淀2项专利和1项团标。业务创新层面，实现“全周期、全岗位、全覆盖”质检，解决行业长期业务痛点，推出营销模板白名单和分岗位合规质检规则，精准破解营销模板误报和岗位执业差异误报等行业共性难题，推动行业服务标准升级。项目契合监管科技发展趋势，有助于完善行业合规科技标准体系，引领证券行业向主动智能风控演进，为金融强国建设贡献科技力量。

六、经验总结

（1）该项目基于当前企业微信展业质检的传统方法存在投入大、覆盖不足、匹配误报严重等痛点，自主研发了华福证券的证券行业员工企微展业大模型合规质检系统。该项目主要应用于证券公司员工在企业微信上展业规范、展业质检和风险处置等场景，旨在实现减少人力成本投入、规避展业漏检风险、提高质检准确率、增强客户服务体验，助力行业监管科技高质量发展。

（2）该项目在业务层面形成以下创新：一是建立企微展业“事前预防、事中监控、事后纠错”的全生命周期合规质检工序，实现展业质量和合规安全的闭环提升；二是创新“AI全量质检+人工复核违规样本”的人机协同模式，实现了企业微信展业记录全覆盖，智能质检效率较传统人工质检提高120倍，彻底解决了漏检风险；三是通过岗位分层匹配和集约化营销话术白名单机制，解决了营销模板误报和岗位执业差异误报等行业共性难题。

（3）该项目在技术层面形成以下创新：一是采用范式上下文工程和可视化调优的专利技术，以及LoRA微调方法，自研智能语义引擎，准确率约98%、精确率约98%、召回率约96%，优于国内外水平；二是采用多个大模型协同分工机制，节约90%耗时和80%算力成本；三是依托企业级AI能力中台对传统质检流程和信息系统进行改造，项目ROI效益明显。

（4）该项目在技术安全方面，采用敏感数据脱敏处理措施保障数据安全；采用入侵防御系统、网络隔离设备等保护措施。在风险管控方面，项目建立了贯穿系统运行、数据治理的全流程风险监控机制，有效识别和防范数据泄露风险、操作风险等风险。在合规管理方面，项目方案与设计符合国家及金融行业在数据隐私保护、网络安全、业务规范等方面的监管要求，已在华福证券完成合规测评。