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。

　　英文摘要：This case details the "Large Language Models (LLMs Customer Service Intelligent Quality Inspection" solution developed by Changjiang Securities. Addressing challenges including tightening financial market regulation, significant limitations of manual quality inspection, and complex rules with difficult traceability in traditional NLP-based inspection products, Changjiang Securities implemented an intelligent quality inspection solution integrating the strengths of large language models (LLMs and small models. By establishing a multimodal data ingestion architecture, building an intelligent quality inspection model matrix, and deploying an LLM-based inspection system, the solution conducts "LLM semantic inspection small-model rule-based inspection" on the entirety of service content. This effectively addresses complex semantic scenarios difficult for traditional inspections to identify. Combined with continuous operational management, the inspection accuracy rate is elevated to meet practical operational requirements, promoting enhanced business operational efficiency and compliance quality while optimizing the customer experience.

　　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。

王擎宇