请选择您感兴趣的产品

得助大模型平台

模型训练平台

一站式服务简化大模型训推评全流程
智能体平台

高效、低成本构建大模型企业级应用

知识管理

财富助手

为财富顾问提供一站式智能问答服务
知识助手

组合式AI打造大模型企业知识助手

智能客服

全媒体呼叫中心

全渠道全媒体、一站式AI+呼叫中心
语音机器人

外呼大模型加持，听得准确说得自然
文本机器人

即时文本对话，自研知识引擎
智能陪练

大模型拟真，千人千面沉浸式AI对练

智能运营

音视频服务平台

全场景自研AI+RTC实时音视频服务
OCR识别

高精度、高安全的图文检测识别服务
智能RPA

AI+RPA深度融合，赋能企业自动化
多模态防伪

全链路生物数据核验，守卫安全防线
多模态质检

大模型赋能合规，金融级多模态质检
对话式BI

自然语言交互，可视化智能分析数据

企业出海

全媒体呼叫中心(海外版)

企业跨语种无界沟通，赢占国际市场
文本机器人(海外版)

多语言国际服务，跨时区沟通无障碍
语音机器人(海外版)

多语言智能交互助力全球营销与服务
智能质检(海外版)

大模型赋能国际企业多模态质检服务

智能营销

企微SCRM

智能营销服引擎，高效转化私域流量
营销平台

打通营销全链路，赋能企业增速业务
企业直播

打造超低延迟、超稳定的直播平台

其他

通用人力外包

为企业提供多场景、高质量专业服务
线路

安全稳定、应用多场景的线路服务

描述具体需求(选填)

欢迎微信扫码咨询

中关村科金得助智能-小得

跳过

完成

城市医保局智能体开发平台应用案例实录：如何用大模型破解政务服务的"最后一公里"难题？

成功案例

2025-04-21 13:48:18

作者：wenqian

阅读量：164

文章目录

文章摘要："我们的智能客服系统，市民问10个问题，有4个要么答错，要么干脆回答'我不清楚'。"——这是某市医保局项目启动会上，技术负责人的一句无奈吐槽。在数字化政务快速发展的今天，智能客服已成为政府服务的标配，但真正能精准解决市民问题的却寥寥无几。本文将深度复盘某市医保局智能客服升级案例，看如何用大模型技术开发智能体应用平台，突破政务智能化的"最后一公里"。

"我们的智能客服系统，市民问10个问题，有4个要么答错，要么干脆回答'我不清楚'。"——这是某市医保局项目启动会上，技术负责人的一句无奈吐槽。在数字化政务快速发展的今天，智能客服已成为政府服务的标配，但真正能精准解决市民问题的却寥寥无几。本文将深度复盘某市医保局智能客服升级案例，看如何用大模型技术开发智能体应用平台，突破政务智能化的"最后一公里"。

城市医保局智能体开发平台应用案例实录：如何用大模型破解政务服务的

一、项目背景：当传统客服遇上大模型时代

1. 原有系统的三大痛点

某市医保局此前使用的传统客服系统，面临的核心问题包括：

准确率瓶颈：对医保政策等专业问题回答准确率仅50%左右，例如，在面对市民咨询 “异地就医备案需要哪些材料” 这一常见问题时，系统要么回答不全面，要么直接转接人工客服，难以满足市民的需求。

数据困境：可直接使用的训练数据仅300条，且存在大量噪声，包含过时信息以及混杂的 HTML 代码等，严重影响了模型训练的质量

竞争压力：相关竞争性平台已接入大模型能力，对比体验差距明显，相关竞争性平台已接入大模型能力，在服务体验上形成了明显差距，如竞争者能够精准列出异地就医备案材料清单并附带办理链接，这使得医保局传统客服系统亟待升级。

2. 医保服务的特殊挑战

医保服务本身具有独特的复杂性和高要求。一方面，医保领域涉及上千项政策条款，具有极强的知识依赖性，客服系统需要准确理解和运用这些政策知识来回答市民的问题。另一方面，医保服务要求零容错率，任何回答错误都可能导致市民多跑腿甚至遭受经济损失。此外，医保咨询往往需要多轮交互，平均每个咨询需 2.3 轮对话才能解决，这对客服系统的理解能力和交互能力提出了更高的要求。

二、解决方案：不是简单"接个大模型"，而是全链路重构

1.技术架构升级

此次升级采用了 “大模型 + 智能文本机器人” 双引擎模式开发智能体平台，并进行私有化部署，以保障医保敏感数据的安全。引入 RAG（检索增强生成）架构，实现将最新政策文件实时纳入知识库，确保客服系统能够及时响应政策变化。同时，建立混合推理机制，对于简单问题走传统 FAQ（常见问题解答）流程，快速给出答案；对于复杂问题，则触发大模型进行深度分析，提供更精准的解答。

2.关键突破点

数据治理与知识库构建：面对原始数据量少且质量差的问题，医保专家团队耗时 2 周对 300 条原始数据进行逐条审核清洗，去除其中的噪声。在此基础上，新增电子医保卡使用指南等 12 个专题知识包，丰富知识库内容。此外，将客服系统与医保局 OA 系统对接，实现政策变更自动同步，确保知识库的动态更新。正如数据工程师所言：“最痛苦的是清洗那些带着 HTML 标签的回答，就像从垃圾堆里找金子。” 但通过努力，成功实现了从少量噪声数据到可用知识库的转变。

意图识别优化：采用 DeepSeek - V3 构建多层级分类器，同时邀请医保局业务人员参与标注 2000 条典型问句，为意图识别模型提供更准确的训练数据。通过 A/B 测试持续优化模型，最终将意图识别准确率提升至 92.3%，实现了从 “猜谜” 式回答到 “读心” 般精准理解市民问题的跨越。

RAG 机制完善：为确保 RAG（检索增强生成）机制的可靠性，设计了 “刹车系统”。在召回环节进行校验，确保检索到的政策文件是最新版本；对生成内容进行约束，禁止大模型自行编造报销比例等关键数字；当模型回答的置信度低于 85% 时，自动转接人工客服，实现人工兜底。技术负责人表示：“给大模型‘戴缰绳’比让它自由发挥难多了。” 但这一举措有效保障了回答的准确性和可靠性。

三、实施成果：服务质量与运营效率的双重提升

1.量化指标提升

经过升级优化，智能体开发平台的各项量化指标得到显著提升。准确率达到 90.2%，市民投诉量随之下降 67%，有效提高了市民对医保服务的满意度。命中率提升至 76.5%，人工转接率从 45% 大幅降至 12%，极大减轻了人工客服的工作压力。平均响应时间缩短至 2.3 秒，并且在高峰期可承受 10 万 + 并发咨询，系统的性能和稳定性得到大幅增强。

2.市民真实反馈

升级后的智能体开发平台获得了市民的广泛好评。退休人员张阿姨表示：“原来要打 3 次电话才能问清楚的事，现在一次搞定。” 程序员李先生也称赞道：“深夜也能立即得到准确答复，不用等第二天上班了。” 这些反馈充分体现了新系统在提升市民服务体验方面的显著成效。

3.运营效率变革

在运营层面，客服团队实现了从 “回答机器” 到 “质量监督员” 的角色转型，工作重点从简单重复的问题回答转向对客服系统回答质量的监督和优化。政策更新到生效的延迟从 3 天缩短至 2 小时，新员工培训时间由 1 个月压缩至 1 周，大幅提升了医保局内部的工作效率，使得医保服务能够更加及时、准确地响应市民需求。