智谱 × 公积金 12329:国产 RAG 客服
国产大模型 + 国产合规要求,这是国内 FDE 最常遇到的落地形态。
客户是某省公积金中心,运营全国统一的 12329 公积金服务热线。 公积金是典型的“高频、政策密集”政务服务:缴存、提取、贷款、转移、账户查询……每一条业务背后都挂着厚厚的政策文件、地方细则、办理流程,且各省市规则差异极大。
原来的服务模式是纯人工坐席:咨询量极大(尤其月末、季末、政策调整期),坐席成本高、流失率高、新人培训周期长。 更头疼的是答案一致性——同一个“异地贷款能不能贷、怎么贷”的问题,不同坐席可能给出口径不一致的答复,引发投诉和舆情。
公积金中心的核心痛点可以归成三条:①政策咨询量大,人工扛不住;②人工坐席成本高、不稳定;③答案口径必须统一、必须基于最新政策,不能“模型瞎编”。 这正是 RAG(检索增强生成)最理想的应用场景——答案必须 grounded 在权威政策文件上,且必须数据不出境、模型可国产化。
智谱作为国产大模型厂商,和合作伙伴一起为该公积金中心交付了一套基于 GLM + RAG 的智能客服系统,接入 12329 热线和线上渠道。
- 模型:智谱 GLM 系列国产大模型(满足政务数据本地化、可国产化要求)
- 检索框架:RAG,基于公积金政策知识库(政策原文 + 业务 QA + 办事流程)
- 检索策略:混合检索(稀疏关键词 BM25 + 稠密向量)+ Rerank 重排序,先粗召再精排,大幅提升答案相关性
- 护栏:答案必须带政策原文引用,不确定的问题转人工坐席,保证政务口径权威性
- 接入层:对接 12329 电话语音 + 线上图文渠道,统一知识库底座
| 指标 | 上线前 | 上线后 |
|---|---|---|
| 问题回答正确率 | 约 60% | 90%+ |
| 服务时段 | 工作时间人工 | 7×24 全天候 |
| 人工坐席压力 | 高峰排队严重 | 大幅下降,人工聚焦疑难与办理类 |
| 答案一致性 | 因坐席而异 | 统一基于政策原文,口径一致 |
正确率从 60% 提到 90%+,核心提升来自混合检索 + Rerank:单纯向量检索容易召回“看似相关其实不对”的政策片段,加上 BM25 关键词命中和 Rerank 精排后,模型拿到的是真正对的政策段落,答案质量随之跃升。
- 对应模块 4(RAG 进阶):这是“混合检索 + Rerank”在国内政务场景的最典型落地。 模块 4 会拆开讲为什么单向量检索不够、Rerank 怎么把召回质量拉上来。 看完这个案例你就知道,模块 4 讲的那些技术细节不是空谈——它直接决定正确率是 60% 还是 90%。
- 国产合规视角:政务/金融/医疗等场景,模型必须国产化、数据必须本地化。 模块 4 会专门讲国产大模型(GLM、豆包、通义、文心)的选型与对接,这是国内 FDE 区别于海外的硬约束。
- FDE 视角:公积金中心不在乎你用什么 SOTA 模型,它在乎口径权威、答案可追溯、出了问题能转人工。 这种“非技术但决定成败”的约束,是模块 7 现场交付的核心命题。
- 智谱开放平台 — 行业案例(国产 GLM 模型与行业落地案例入口)
- 12329 住房公积金热线 — 官方介绍(服务背景与业务范围)
- 智谱 GLM 系列 RAG 实践(混合检索 + Rerank 的国产大模型落地参考)
← 上一篇:一汽丰田 × 腾讯云 | 下一篇:Palantir × Airbus →