作者：长江证券股份有限公司 王志华

编写目的：本案例旨在引导关注大模型智能体在证券客服领域落地的实施路径。通过本案例的应用，可以围绕人工智能、大数据等前沿技术，详细了解券商在推进科技驱动战略，将前沿技术融入运营管理与风险控制全流程方面的执行情况，进一步思考随着大模型从“技术惊艳”走向“商业爆发”，证券行业如何依托金融科技不断拓展数智化能力边界，深耕高价值应用场景，加速智慧运营体系构建，驱动企业实现效率与价值跃迁。

关 键 词：大模型智能质检、服务质量、风险管理、客户体验

中文摘要：本案例详细阐述了长江证券打造的“大模型客服智能质检”业务解决方案。面对金融市场合规风控严格、人工质检局限以及传统NLP智能质检产品规则复杂、难以溯源等难点，本案例通过兼具大模型与小模型优势的智能质检方案，构建多模态数据接入体系，打造智能质检模型矩阵，部署大模型质检系统，对全量服务内容进行“大模型语义质检+小模型规则质检”，有效解决了传统质检难以识别复杂语义场景的问题，并结合持续的运营管理，使质检准确率提升到满足业务运营实操要求，促进了业务运营效率及合规质量提升，优化了客户体验。

一、研究背景

证券行业作为金融市场的核心组成部分，积极推进防风险、强监管、促高质量发展各项工作。客户服务是证券公司连接投资者、传递专业价值的核心窗口，其服务质量关系到投资者的体验与信任，也是合规风险防控的关键环节。

随着投资者财富管理需求日益多元、合规对服务规范性的要求不断细化，传统人工抽样质检模式存在时效性差、抽检率低、标准不统一等不足，成为制约证券公司客户服务高质量发展的瓶颈。在此背景下，大模型智能质检系统建设的重要性和紧迫性日益凸显。

二、研究对象

一)基本情况

长江证券成立于1991年，是经中国证监会核准的全国性、全牌照、全业务链证券公司，于2007年在深圳证券交易所主板上市(股票代码为000783)，是中国第6家上市券商。经过30多年坚持不懈的努力，公司已发展成为一家实力雄厚、功能齐全、管理规范、业绩突出的全国性综合型金融服务商。

作为中国资本市场第一批成立的证券公司，公司始终坚持以客户为中心，依托齐全的业务资格以及领先行业的服务能力，为广大个人、机构投资者、企业及政府客户提供财富管理、投资银行、资产管理、研究、投资、国际业务等全方位综合金融服务。

目前，公司已建成涵盖证券经纪、投资银行、资产管理、基金、期货、私募股权投资、另类投资和海外业务等领域的证券金融控股集团架构，旗下拥有长江保荐、长江资管、长江资本、长江创新投资、长江期货、长证国际、长信基金等7家全资和控参股子公司，深度拓展国内业务市场，同时依托在港子公司不断扩大国际业务网络。截至2025年上半年，公司在全国31个省、自治区、直辖市共160个城市设立了32家证券分公司、247家证券营业部和21家期货分支机构。

公司坚持“服务实体经济发展、服务科技产业创新、服务社会财富管理、服务区域重大战略”功能定位，全面升级服务模式，打造长江特色，围绕“零售、机构、企业”三类客户和“财富、机构、投行、自营、资管、国际”六大业务，推动业务突破与创新，致力于成为一流投资银行。公司以资产配置为核心推进高净值财富管理，大力发展“产业+金融”模式的产业投行，推进机构客户服务，以平台化保障战略落地。

公司秉持“金融报国,金融为民”初心，始终把“回报社会、反哺社会”的社会责任理念视为企业的神圣使命。在三十多年的稳健经营中，公司坚定做社会责任的践行者、倡导者、传播者，在守法、合规创造财富的同时感恩回馈社会，先后荣获“中国证券行业十大影响力品牌”、“最佳社会责任券商”、“中国上市公司价值百强”、“中国证券市场20年最具影响力证券公司”等多项殊荣，在行业和市场上树立了良好的品牌形象。

二)客服智能化应用情况

长江证券积极践行科技驱动战略，推进智慧运营体系建设，客服智能化应用建设及运营一直走在同业前列。2018年，在证券行业首批推出智能文本机器人客服服务；2020年，行业内首家上线智能语音导航机器人系统，2022年，上线静默坐席、预占式外呼、在线客服坐席助手等功能；2023年，升级智能外呼系统，开启智能外呼服务；2024年启动大模型智能质检系统建设，2025年投产运营，是行业内首家上线的大模型智能客服质检系统。经过数年发展和积累，公司在客服运营方面已经构建起较为完备的智能化产品矩阵，促进业务运营效率和质量不断提升。

2025年上半年，长江证券智能咨询服务量已占公司95579客服体系服务总量75%以上，在机器人训练师的业务支持下，智能机器人服务实现了相当于66人标准编制的服务产能，达成22倍的人力成本替代。智能外呼业务总量超过100万次，1路机器人相当于8-9个人工的产出能力。

三、研究成果

一)客服运营质量管理工作面临的问题

证券行业客服运营质量管理工作正处于防风险强监管、竞争加剧、技术迭代等多重变革，传统质检模式在合规深度、效率精度、技术适配度等方面局限性较明显。具体而言，从业务合规的刚性约束到业务增长的需求波动，从人工质检的固有短板到传统智能质检方案的效能局限，多重因素制约下，客服运营质量管理面临着从理念到实践的全面挑战，亟需通过技术革新构建新的智能化解决方案。需解决的主要问题包括：

1、业务合规要求提升与服务质量优化的双重需求：传统质检能力的适配短板

随着金融市场的不断发展，证券行业竞争加剧，业务合规标准持续细化，证券公司对客户服务质量的要求同步提高，而传统的客户服务质量管理仍以专业质检人员人工抽样质检为主，在全量覆盖、精准把控等方面难以满足业务高速发展需求。

从业务合规维度看，《证券期货投资者适当性管理办法》等制度明确全流程合规管控，强调服务细节要求，推动券商对客户服务实施标准化、精细化管理。传统人工抽检模式下，5%以下的抽检率导致95%的服务记录难以纳入全量质量管控，“抽样覆盖”模式难以实现对服务环节的全面风险防控。

从行业竞争视角，据统计，客户服务满意度每提升10%，可对应券商客户留存率平均提高8.3%，而传统质检模式下服务质量波动较大，难以支撑券商构建稳定的差异化服务竞争力。

2、人工抽检局限性大：管理学理论缺陷与实操困境的双重约束

在管理学层面，人工抽检陷入“海森堡效应”悖论，质检人员的主观判断(如专业能力、经验差异、情绪波动)会对服务质量评估结果产生干扰，客服行业质检业务的经验数据表明，在未定期开展质检校准的情况下，不同质检人员对同一通客服录音的不规范判定一致率不足70%。

从实操维度，人工质检存在“规模不经济”痛点，以日均1万通服务通话的规模为例，若按3%抽检率计算，需配备5名专职质检人员，年人力成本保守计算超50万元。且随着业务量增长，人力投入的需求呈线性上升，而客服部门的人员编制数量难以满足需求。

更关键的是，人工质检无法突破“时间黑洞”限制，按照经验，人工质检完1万通服务通话，需要近1个月的时间，导致风险识别滞后，而金融风险的“蝴蝶效应”特性要求质检应具备实时响应能力。

3、传统自然语言处理(NLP)智能质检产品弊端：技术范式局限与业务场景需求错配

从自然语言处理技术原理看，传统基于规则引擎和关键词匹配的质检方案，本质上是“语义碎片化处理”模式，规则配置运营操作复杂、工作量大，质检项覆盖率有限，上下文关联质检能力弱，在面对证券行业特有的复杂语义场景时力不从心。例如客户表述“这个产品好像能保本”，传统NLP质检因缺乏上下文语义理解能力，无法识别“好像”背后可能存在营销人员此前曾有误导性提示，对于客户回复前后矛盾、关键信息未确认等合规风险隐患，识别检出度更低。

在技术架构层面，传统质检系统存在“模型黑箱”问题，质检模型决策透明化不足、质检结果的可解释性不强，数据链路不完整，难以追溯问题产生的具体场景、依据及完整逻辑链条，导致责任界定与优化方向不清晰，不能形成问题整改的业务运营完整闭环，反而陷入“发现问题—无法溯源—重复发生”的困境。

数据显示，传统NLP智能质检产品在复杂语义场景下的漏检率接近50%，远高于大模型智能质检产品的漏检率。

4、数据资产休眠与新兴业务场景挑战：数字化转型进程中的隐性壁垒

在数据价值挖掘层面，人工抽检模式导致90%以上的客服对话数据沦为“沉默资产”，无法从中提炼客户需求洞察。客服对话过程中，包含着大量的客户建议、营销机会、业务舆情等有价值的数据，在人工质检模式下，这些数据没有被结构化利用。

随着智能客服、视频直播等新业态的兴起，人工质检及传统NLP智能质检产品在多模态数据处理上的短板愈发明显，语音转文字误差率高、图文信息合规检测缺失等问题，使新兴业务场景面临“质检真空”。这种数据割裂与业务场景拓展的矛盾，本质上是券商数智化转型中“技术应用碎片化”的缩影，阻碍了从“经验驱动”向“数据驱动”的运营范式升级。

二)大模型智能质检业务解决方案

基于证券行业在客户服务运营质量管理中面临的合规要求提升、人工抽检局限性大、传统NLP智能质检不足等问题，长江证券在建设智能质检系统时，采取了融合大模型语义理解与小模型规则质检优势，提升复杂语义场景识别能力的策略，打造大模型智能质检能力，结合业务场景复杂程度，找到切入点，逐渐深入，实现全量化、自动化、智能化的“大模型语义质检+小模型规则质检”，排查业务合规风险，提升服务运营质量，实现效果与性能双重保障。

1、构建多模态数据接入体系，夯实智能质检数据基础

依据长江证券的业务特性，建立能兼容语音、文本等多种类型数据的接入机制。通过数据库直连、系统存档数据文件导入等方式，实现对不同来源数据的高效收集，确保数据的完整性与实时性，为智能质检提供丰富、准确的数据基础。例如，对于电话客服的语音数据，通过实时接口获取通话录音、并调用语音识别技术(ASR)转写为文本信息；对于在线客服的文本数据，通过日志解析的方式进行收集。

在服务渠道端，采用双通道录音机制录制通话内容，实现话者分离；在质检系统端，先对语音数据进行降噪处理，再进行语音识别，提升语音转文字的准确性。将不同服务渠道的文本服务数据进行融合，提取多模态特征，为后续的智能质检提供更全面、更准确的数据支持。

2、打造智能质检模型矩阵，实现对话全场景精准检测

结合大模型的深度语义理解能力与小模型的特定场景高效处理优势，构建了覆盖客服对话语义分析、语音质量监测、业务流程合规、互动体验优化等全流程全场景的智能质检模型矩阵，可实现对服务过程从内容合规性到互动体验的全面、精准检测。

图1：智能质检模型矩阵

在智能质检矩阵中，充分发挥不同技术能力的优势：

在复杂语义识别场景下，大模型承担核心检测任务。通过对其进行证券垂直领域知识的微调训练，强化证券专业语义理解能力，使其能够通过分析对话上下文语境，精准识别客户回复前后矛盾、客服话术使用错误、潜在风险隐患等复杂问题。例如，当客户在对话中先表示了解某理财产品的风险，随后又询问是否保本时，大模型可通过上下文关联，精准捕捉这一逻辑矛盾风险点。

在特定质检场景下，小模型发挥高效优势，能快速完成专项检测任务。比如情绪监测场景中，情绪识别模型通过分析语音韵律特征和文本情感词汇，准确判断客户抱怨、满意等情绪状态；业务风险防控场景中，敏感词检测模型能快速查询和定位对话中是否有“保本”、“他人操作”等敏感词汇，及时进行预警。

为保障模型矩阵的稳定运行与精准效能，在技术研发与测试阶段，我们通过多轮模拟测试，覆盖不同业务场景，重点验证模型在复杂语义识别、上下文关联分析等核心能力上的表现，根据测试结果优化算法逻辑。同时，搭建专属模型运营平台工具，实现模型参数优化、版本迭代的全流程管理，通过持续收集质检结果数据调整模型参数权重，并定期开展模型评估与微调，确保其动态适配业务场景变化与合规要求更新。

3、定制化质检规则配置，适配业务场景保障合规

为契合证券客户服务的各类业务场景，如常规存量客户回访、新客开户回访等，方案规划了自然语言配置质检规则的功能。业务人员可以通过自然语言描述质检需求，系统自动将其转化为可执行的质检规则，降低了规则配置的技术门槛，提高了规则配置的效率。

针对不同场景的业务规范与风险点，设置诸如客户信息确认、风险提示等专属质检规则，确保质检工作紧密贴合业务需求，有效保障业务合规性。例如，在回访服务场景中，设置回访内容完整性、客户回复前后矛盾等规则；在营销服务场景中，设置业务流程合规性、服务过度承诺风险性等规则。

在规则配置的基础上，进一步建立规则冲突解决机制，当不同的规则质检出现冲突时，系统能够根据预设的策略自动进行处理，确保质检结果的准确性和一致性。

图2：大模型语义质检规则项

4、提供可视化质检分析看板，支撑管理科学决策

设计涵盖业务合规、运营管理、坐席能力等多个维度的可视化质检分析看板。采用图表、仪表盘等多种可视化方式，以直观、易懂的形式展示复杂的质检数据，如质检准确率、漏检率、误判率，以及坐席的质检得分、不规范情况等，助力业务管理人员全面掌握质检情况，为决策提供有力的数据支持。

支持数据钻取功能，管理人员可以通过点击图表上的数据点，查看更详细的质检数据和相关的对话内容，以便深入分析问题的原因。同时，系统还提供数据分析功能，如不规范原因分析、坐席绩效分析等，为管理人员提供决策建议。

图3：质检结果数据仪表盘

5、建立闭环式质检管理流程，确保质检可靠公正

打造从质检任务创建、执行，到人工复检、申诉核验的闭环管理流程。支持创建不同业务场景的质检任务，人工复检保障质检结果的准确性，对质检结果有异议时可进行申诉，形成完整的质检管理体系，提升质检工作的可靠性与公正性。

管理人员可以根据业务需求创建质检任务，设置质检的范围、规则、标准等参数。系统自动执行质检任务，并生成质检报告。

对于系统检出的不规范项，安排人工进行复检，确保质检结果的准确性。人工复检人员可以查看相关的对话内容和质检结果，进行进一步的判断和确认。

如果相关人员对质检结果有异议，可以提出申诉。系统会申诉核验流程，由专门的人员对申诉内容进行审核和调查，给出最终的处理结果。

图4：质检管理闭环流程

三)大模型智能质检案例实践成效与价值

长江证券大模型智能质检系统的落地，实现了从传统抽样质检向智能化全量质检的质的飞跃，通过深度融合大模型语义理解能力与证券业务场景，在质检覆盖维度实现从“抽样覆盖”到“全量数据监控”的跨越，在精准度层面达成从“规则匹配”到“语义洞察”的升级，在效率维度完成从“人工滞后处理”到“实时智能响应”的革新。其核心成效在于，通过技术革新降低合规风险与运营成本，依托智能升级提升客户体验与数据资产价值，构建符合行业合规要求、业务实际需求的智能质检解决方案。该案例为证券行业探索AI应用提供了实践范本，具有广泛的推广与复制价值。

1、降风险：筑牢合规防线，顺应行业发展趋势

大模型智能质检通过升级质检业务模式、提升准确率，有效防控了业务合规风险，助力公司满足严格的合规要求。其将人工样本抽检升级为系统全量质检，人工仅复检检出项，极大地降低了漏检风险，且覆盖范围除了电话、在线客服等常规服务渠道，未来还可以拓展至企业微信、视频客服、直播服务等新兴渠道，依托上下文语义理解和长文本推理能力，实现多模态服务过程的全量管控。

凭借深度语义理解能力，“常规存量客户回访业务语义质检规则”模型，可以精准识别客户回复前后矛盾、回访内容不完整、回访过程中存在未确认内容、疑似风险点遗漏、话术使用错误、关键信息错误、客服人员缺乏服务意识等8大类18项不规范点，准确率接近90%，远超传统NLP智能质检产品水平。

同时，通过创建贴合合规要求与业务场景的行业专属语义质检规则模型，系统更加理解业务，还能实时监控服务合规性，及时识别潜在风险并联动人工跟进核实处理，切实保障业务合规，助力业务稳健发展。

2、降成本：提升运营效率，降低人力与时间成本

人工质检需人工逐一筛选、判断，效率低下且难以覆盖全量数据；传统NLP智能质检虽有一定自动化，但在处理复杂流程和逻辑时耗时较长。

大模型智能质检系统，可实现对全量对话数据的及时处理，能迅速发现并解决问题，预防隐患，显著提高运营效率。

如果采取实时质检的业务策略，大模型智能质检系统具备在服务对话过程中进行伴随式质检，实时指出潜在风险问题，在服务结束瞬间即可完成分析、快速生成质检报告，检测效率实现“降维打击”，使业务流程更高效顺畅，减少人工投入和时间消耗，促进运营成本降低。

3、增体验：优化客户服务，增强客户满意度

大模型智能质检系统不仅能守住合规底线，还可以从客户角度出发，通过分析客服对话，判断客服的服务态度、服务意识、回答准确性、响应速度等，针对性地优化服务环节，致力于提升客户服务体验。

在证券行业，优质的客户服务能增强投资者信任和粘性，大模型智能质检借助标准化质检规则，减少服务质量波动，让专业、耐心、精准的服务成为常态，为提升公司客户服务水平提供有力支撑，构建差异化竞争优势，促进业务稳健发展。

4、增价值：激活数据资产，赋能业务决策

证券行业积累的海量服务对话数据，在传统质检模式下，90%沦为了“沉默资产”，而大模型智能质检通过深度挖掘，可以使其转化为支撑业务发展的高价值数字资产。

系统通过对服务规范、业务趋势、客户高频问题、客户满意度等多维度分析，为公司相关业务部门提供服务信息。公司可基于这些数据洞察市场需求、客户偏好，进而优化业务流程、产品设计和营销策略，让数据成为驱动业务发展的重要资产，促进业务决策从“经验驱动”向“数据驱动”转型。

四)经验总结及展望

智能质检系统建设及运营是技术与业务深度融合的工程，系统建成投产只是万里长征第一步，从系统运营角度看，大模型语义质检规则配置、模型调优是一项长期性的工作，需从底层逻辑、迭代机制、跨域协同等维度构建长期优化体系。系统的价值实现需要经历“功能落地—规则校准—场景融合—生态构建”的渐进过程。

1、选择合适的大模型及技术架构

市场上大模型众多，各公司应结合自身业务特点和需求，考虑模型性能、可扩展性、部署成本等因素，选择适配的大模型实施本地化部署。同时，采用合理技术架构，通过大小模型协同方案，对全量会话进行“大模型语义质检+小模型规则质检”，以大模型解决复杂语义问题，小模型保障高性价比规则质检，实现效果与性能双重保障。此外，确保系统具备良好兼容性，能与现有业务系统无缝对接，减少集成难度和成本。

2、注重人机协同

大模型智能质检虽然强大，但不可能完全替代人工。在实践中，应建立人机协同工作模式。大模型负责快速处理海量数据、识别潜在风险，人工则对复杂问题、特殊情况进行深度分析和判断。通过人机优势互补，既能发挥大模型高效性，又能借助人工灵活性，实现更精准、全面的质检。

3、持续优化与迭代

证券行业业务不断变化，监管政策持续更新，大模型智能质检系统需持续优化迭代。建立反馈机制，收集业务运营人员使用反馈，及时发现系统问题和不足。根据新业务需求、新风险类型，不断调整模型参数、优化算法，添加新质检规则，让系统始终贴合业务实际，保持高准确率的质检水平，为客服业务运营提供持续有力支持。

4、重视数据质量和数据治理

大模型智能质检的本质是“数据驱动的智能决策”，其效果取决于数据质量的“纯度”与数据治理的“精度”。

证券行业客服数据涵盖电话录音、在线文字会话、视频客服录像等多模态形式，大模型智能质检收集多渠道、多场景下的对话数据，质检的准确率与数据的准确性、完整性和一致性息息相关，在业务运营过程中，要构建“清洗—标注—溯源—应用”的数据治理闭环，不仅能提升质检精准度，更能将合规数据转化为业务增长的驱动力，为客服智能化转型提供可复制的“数据基建”案例。