客户案例Case Study
长亮科技：信贷参数识别智能体
结合 RAG 与大模型能力，将信贷规则和业务资料沉淀为统一知识体系，支持规则查询、关联匹配与智能调用。
项目背景
信贷参数识别需要在业务规则与相关资料之间反复检索、匹配和判读。资料分散时，查找过程容易占用大量精力，同一问题也需要重复核对。这次围绕知识检索与参数识别，将 RAG 检索和大模型能力结合，帮助业务人员更方便地找到规则、关联知识并调用内容。
原来的问题
业务资料分散
规则与参考资料分布在不同位置，查询一个问题需要先找到对应材料。
规则查找费时
从较多资料中定位相关规则，需要反复搜索和阅读，查询过程不够直接。
参数匹配靠核对
识别信贷参数时，需要将业务问题与规则知识逐项比对，关联关系不易快速找到。
知识调用不连贯
找到资料后还需要整理相关内容，检索、匹配与使用之间存在重复操作。
先还原业务，再决定怎么做
- 规则资料归集→
- 知识检索→
- 业务问题输入→
- 关联内容匹配→
- 参数识别→
- 规则判读→
- 内容调用
先明确业务人员在找什么、需要匹配哪些规则，再组织资料与知识关系，让检索结果服务于具体的参数识别和业务判读，而不是只做通用问答。
最后，我们重点跑通了这几件事
规则与资料归集
将分散的业务规则和参考资料纳入知识检索体系，为后续查询与匹配提供统一的信息基础。
RAG 知识检索
围绕业务问题检索相关知识，让需要的规则和资料更容易被找到并用于后续处理。
信贷参数识别
结合检索内容与大模型能力，辅助识别信贷参数，减少反复翻找资料的过程。
业务规则匹配
将业务问题与相关规则关联起来，帮助使用者整理判读所需的知识和参考内容。
知识内容调用
把查询、匹配与内容调用衔接起来，让检索到的知识能够继续服务于实际业务处理。
实际落地界面
从业务问题进入知识检索，再查看关联规则和参数识别内容，形成连续的使用路径。
从分散推进，到持续可追踪
| BEFORE原来 | AFTER落地后 |
|---|---|
| 规则与资料分散查找 | 统一进入知识检索体系 |
| 业务问题需要反复翻阅材料 | 根据问题检索相关知识内容 |
| 参数与规则依赖逐项人工比对 | 借助检索和模型能力进行关联匹配 |
| 找到资料后还要再次整理使用 | 查询、匹配与内容调用相互衔接 |
先轻量落地，也为后续扩展留足空间
- 一期优先解决最高频、最影响效率的核心业务链路。
- 低频和复杂场景分步推进，避免前期系统过重。
- 底层数据关系、权限与流程结构按可扩展方式设计。
- 后续可按实际业务，逐步扩展复杂审批、第三方系统集成、自动化、AI 与经营分析能力。
一期做轻，不代表能力做薄；先把核心跑顺，再随着业务需要持续扩展。
