随着大模型的出现，银行业务正逐渐从传统模式向数智化模式转变。在客服领域，传统工单处理模式已难以满足实际需求，大模型技术驱使银行客服工单系统进行变革。对此，兴业银行推出了基于大模型的智能工单预填创新应用，助力银行增效降本。

过去，传统工单处理需要座席客服结合实际通话内容进行人工总结后填写，录入过程繁琐且耗时耗力，还可能因人为操作导致工单信息不准或遗漏；此外，不同座席客服的填写习惯和风格差异较大，导致工单内容呈现非结构化特征，给后续的数据分析带来阻碍，影响客户满意度。

基于此，兴业银行自2023年开始探索基于大模型技术实现智能化工单预填。经过多轮模型迭代优化、业务人工评测验证，该应用已在该行客服系统上线。据悉，智能工单预填是一种可自动识别客户语音、智能提取关键信息、快速生成预填工单，从而辅助处理业务流程的智能服务。它能从通话内容中提取客户意图、情绪、需求及相关实体等信息，帮助座席客服自动总结工单的核心要素信息，进而形成简洁完整的工单主体内容摘要。座席客服只需对大模型生成的预填内容进行复核或局部调整即可，无需从头填写。这不仅缩短了工单处理时间，还能确保工单信息的准确性和完整性，为后续运营效率的提高和客户体验的优化奠定基础。

不过，在初期效果验证环节，兴业银行发现大模型生成的工单存在总结有误、遗漏要素、无中生有、格式不规范等问题，与座席客服实际填写内容相比，整体准确率不足25%。兴业银行结合实际工单数据分析，可能存在以下原因：一是生成工单前需通过自动语音识别（ASR）将语音转译为文字，而转译过程中存在的语气词，会对大模型生成工单产生影响；二是对话长度较长，而大模型的输入长度存在限制，这会对其工单总结生成造成影响；此外，不同工单对预填内容的要素和格式也有不同要求，具有一定的复杂度。

为了进一步优化工单生成效果，兴业银行制定了六项应对策略。

一、清洗合并对话数据以提升大模型理解效果。在数据预处理阶段，对对话内容进行清洗，可在一定程度上缩减对话长度，有利于大模型对整体的理解，提升工单生成质量。

二、敏感词替换处理，避免大模型无法有效输出。在座席与客户对话过程中，客户有时情绪激动，导致对话中包含一些可能触发大模型生成的敏感词。兴业银行梳理了约200个工单场景的高频敏感词，对敏感词进行替换处理，工单有效生成率从原来的不到90%提升至99%以上。

三、抽象化生成各类工单模板，避免要素遗漏缺失。细化梳理各类业务工单，将不同类型工单抽象化为不同工单生成要素模板，结合专家要素生成要求，细化提示词，避免通用模式下要素遗漏。

四、给出清晰业务定义提示，避免大模型理解偏差。由于大模型的判断标准与实际业务存在偏差，需进一步细化提示词，明确相关要素的业务判断标准依据，以优化大模型的生成效果。

五、对比校验通话内容，减少大模型无中生有。结合实际通话内容进行比对核实验证，确保生成要素信息在通话内容中真实存在。

六、静动态少样本提示学习和大模型微调提示生成效果。不同大模型对业务场景的指令遵守程度不同，工单预填复杂对话场景中，除针对性优化提示词，还引入静态和动态相似示例以提升效果；针对要素多、需求复杂的工单类型，引入大模型微调技术以应对。

兴业银行工单系统上线至今，借助大模型已累计生成数万笔智能工单，整体内容的准确率超过72%，线上采纳率高达75%，座席客服每笔操作可节省3～5分钟。

据兴业银行2024年度报告显示，其大模型应用已从客服领域延伸至风控、投研等70多个场景，孵化并推广了“兴小二”债券交易机器人、“随兴写”反洗钱可疑案宗智能生成方案等多个项目。值得一提的是，近期，兴业银行昆明分行还基于本地化部署的DeepSeek大模型，自主研发出了AI智能体“云小助”。