金融科技 · 金融服务 · 行业大模型平台

金融产品匹配 AI 顾问助手

为金融产品运营与渠道同学提供内部 AI 顾问：基于产品档案、匹配规则库与用户画像口径，用自然语言回答「这位用户适合哪几个产品、为什么匹配失败」等问题，减少反复查文档和问老员工。

金融产品团队日常有大量「解释型」工作：渠道问某个用户为什么匹配到 A 产品而不是 B，新人不清楚某条规则的触发条件，风控同事要临时翻文档核对字段口径。这些问题的答案其实都在产品档案和规则引擎里，但检索路径长、版本也对不齐。 我们在匹配中台之上增加一层 AI 顾问：把字段说明、产品匹配条件与常见失败原因做成可检索知识库，对接内部大模型；运营用自然语言提问，系统返回答案并附上引用的规则条目与字段来源，方便二次核对。 定位是「查资料加速器」，不是替代审批。涉及产品准入的最终判断仍走原有流程；顾问只负责把已有规则讲清楚、把口径对齐成本降下来。

业务挑战

• 产品规则与字段说明分散在文档、表格与系统多处，新人上手慢
• 渠道一线问题重复度高，资深同事频繁被打断
• 匹配失败原因需要对照规则条目，口头解释难以留痕

我们的做法

• 整理产品档案、规则库与字段口径，构建可版本化的知识库
• 对接行业大模型 + RAG，回答时附带引用规则与字段出处
• 限定使用场景为内部运营与培训，不直接写入产品准入决策

落地成果

• 常见口径与规则问题可在对话中查到出处，减少重复答疑
• 新人培训可对照同一套知识库，规则变更同步更新
• 与匹配中台共用主数据，避免「顾问说的」和「系统跑的」不一致

项目深读

早上九点，一家区域性金融机构的渠道运营在群里收到合作渠道的提问：这个用户明明符合条件，为什么匹配到的是 A 产品，而不是 B？答案其实已经存在——在产品档案、规则库和字段说明里。但它散落在几处，取出来还要确认版本是不是最新；等回复完，上午已经过去一截。到了下午，同样的场景又出现：刚转岗的新人不清楚某条规则的触发条件，风控同事要核对一个字段口径。这些「解释型」工作不写进任何 KPI，却实实在在占着团队的时间。

问题为什么难：答案都在系统里，缺的是「敢直接用」

表面需求很直接：把散落的文档做成一个能提问的入口。往下拆一层，会发现三件事同时在发生——规则在变，字段口径在不同产品、渠道之间并不完全一致，而提问的人未必知道该信哪一版。再往下拆一层，是权限问题：产品准入有既定的流程和责任人，AI 回答得再好，也不应该越过这条线。

这决定了系统不能是一个通用的问答机器人。它必须是一个有边界、有出处、与运行系统同源的知识入口——否则答案越流利，风险越大。

关键决定一：只做查询加速器，不做审批

最先想清楚的是不做什么：AI 顾问只服务内部运营与培训，不直接写入产品准入决策；涉及准入的最终判断，仍然走原有流程。

这不是保守。在金融场景里，审批是人对结果负责的动作，需要授权、需要留痕。让模型输出一句「建议通过」，除了制造责任真空，并不能让流程快多少。所以它的能力上限被刻意压低：可以引用规则、解释失败原因、对齐字段口径；不能修改规则，也不能替任何人做决定。

另一条常见的路是把所有文档灌进模型做微调，让它「记住」规则。我们没有走。规则会变，模型记住的版本无法同步，也无法说明自己学的是哪一版。检索指向一份可版本化的知识库，真值始终留在该在的位置。

关键决定二：每条回答都要带出处，而且与系统同源

顾问回答时，会把引用的规则条目与字段来源一并返回，方便提问者二次核对。在别的场景里这可能是加分项，在这里是前提——一条没有出处的回答，一线不敢转述给渠道，最后等于没有回答。

更硬的一条要求是同源：顾问的知识库与匹配中台共用同一套主数据与规则版本。顾问讲的口径，必须等于系统跑的口径。否则会出现更糟的局面——系统按 A 规则匹配，顾问按 B 版本解释，团队把时间花在争论谁对，而不是解决问题。

落到工程上：一份知识库，跟着规则版本走

工程本身没有太多花哨的部分。我们先把产品档案、匹配规则库、字段口径整理成可检索、可版本化的知识库；再以行业大模型加 RAG 的方式提供问答，检索层直接指向规则条目与字段说明，回答时把引用一起带出来。

几个细节值得写下来：

• 版本对齐：规则变更时，知识库的对应条目同步更新，避免新旧版本同时流通。
• 克制的答案形态：先给结论，再给依据和出处；模型自己的推断越少，答案越容易被核对。
• 限定使用范围：只服务内部运营与培训，不直接对外开放，也不进入准入流程。
• 共用主数据：不另起一套字段定义，顾问与匹配中台看同一份档案。

这套结构把「解释」变成了一件可以被检查的事。过去的口头答疑没有留痕；现在每次回答有引用、可回溯，新人培训也能对着同一套知识库进行。

上线之后

变化最先出现在日常问答里：常见的口径与规则问题，可以在对话中直接查到出处，资深同事被反复打断的次数少了。这不是因为顾问比人聪明，而是检索路径从「找人问」变成了「系统答、人复核」。

新人培训的变化更明显：培训材料、日常答疑与规则说明来自同一套知识库，规则更新时一起更新，不会出现课件是旧版、系统是新版的错位。

对管理者来说，最有价值的一点是「顾问口径等于系统口径」。此前产品、渠道、风控争论的不少问题，本质上是各自看到了不同版本的规则；现在大家至少在同一张地图上讨论。

这条路径的可复用价值

如果你所在团队也在考虑给内部业务系统加一层 AI 入口，有三点可以直接借用：

1. 先划边界，再谈能力。把 AI 限定为查询加速器而不是决策者，看起来缩小了想象空间，实际上让它更快通过了信任门槛。
2. 出处不是功能，是前提。在受监管的场景里，不能引用的答案等于没有答案。
3. 同源比聪明重要。让顾问与运行系统共用一套主数据与规则版本，一致性比回答的流畅度值钱得多。

AI 顾问不会替代任何一个岗位。它做的是把团队从重复解释里解放出来，让规则回到它本来的位置——一套所有人可以引用、也可以核对的共识。

核心能力

• 行业大模型
• RAG 知识库
• 规则引用
• 运营辅助