助力困扰客户：基于大语言模型的对话式智能分流代理
人机交互
2026-05-19 v1 人工智能
机器学习
摘要
银行每年接收数百万篇欺诈、诈骗及争议交易报告，导致难以将客户准确地引导至合适的专职团队获取帮助。现有的手动流程对客户和工作人员都较为缓慢且增加压力。为此，我们开发了面向客户的 AI 分流代理，利用大语言模型（LLM）进行多轮对话、提出相关问题并对案件进行分类，以实现准确、依据政策的分流，将其嵌入客户旅程中。为评估并持续优化该代理，我们模拟了真实客户的合成数字分身，生成基于历史数据的真实且标记好的对话，用于测试广泛的现实场景。本文详细介绍了分流代理的建模方法、与政策的集成、安全边界与推理框架、合成代理的可扩展评估方法，以及该 AI 系统在准确性、鲁棒性和合规性方面的发现。结果表明，该代理成功提升了历史案例的分流效果，实现了 30.6% 的分类准确率提升，主管部门专家高度满意，凸显了针对性询问在大规模银行运营中实现更有效分流的潜力。
引用
@article{arxiv.2605.16268,
title = {Helping Customers in Distress: An LLM-powered Agent that Converses, Probes, and Routes},
author = {Alankar Atreya and Stefan Sylvius Wanger and Devesh Batra and Robert Hankache and Cristovao Iglesias and Patrick Sinclair and Giulio Pelosio and Michael McMillan and Greig A. Cowan and Raad Khraishi},
journal= {arXiv preprint arXiv:2605.16268},
year = {2026}
}