理赔车险大模型反欺诈助手

从展示层
到生产层

基模可以"看起来可用"，但专家的判案知识质量，才是数字员工真实价值的天花板。

核心观点

反欺诈专家的判案知识
决定了数字员工
在真实作业中的能力上限

01
问题诊断

基模能做到的 vs 做不到的

✓

基模能做到的

  • ✓ 理解图片内容，识别碰撞部位、损失程度
  • ✓ 进行自然语言推理分析，生成看起来专业的报告
  • ✓ 能力展示很酷，Demo 很惊艳
✗

基模做不到的

  • ✗ 像资深反欺诈专家一样思考
  • ✗ 掌握公司多年积累的判案经验
  • ✗ 输出稳定可靠的业务判断，创造真实价值
💡

关键瓶颈

从"展示层"到"生产层"，最关键的不是技术，而是如何将反欺诈专家的隐性判案经验系统化、高质量地注入模型。

02
核心差异

传统规则 vs 专家判案知识

传统方式

硬编码规则

IF 碰撞点高度差 > 30cm THEN 触发风险预警 IF 图片相似度 > 85% THEN 标记重复索赔
  • 二元判断（Yes/No），死板
  • 无推理过程，黑盒决策
  • 易被绕过，维护成本高
  • 无法解释原因，业务不信任
专家知识注入

推理链知识

"两车追尾，前车后保险杠有凹陷， 但后车前引擎盖无褶皱——不符合力学逻辑。 追尾事故中，后车前端应有明显的挤压变形痕迹。 若无，可能是摆拍或移花接木。 判断依据： - 碰撞力度与变形程度不符 - 两车碰撞点高度和痕迹不吻合"
  • 推理过程 + 判断依据 + 经验直觉
  • 可解释、可追溯、可迭代
  • 灵活应对新场景，业务信任
  • 知识可持续积累，越用越准
03
知识注入

专家知识具体长什么样？

🚗

碰撞逻辑判案知识

场景 追尾事故

观察要点
1. 前车后保险杠凹陷位置、深度
2. 后车前引擎盖变形情况、褶皱程度
3. 两车碰撞点高度是否吻合

判案推理
正常追尾 → 后车前端必然有挤压变形痕迹
若无变形 → 高度疑似摆拍或移花接木

结论 风险等级：高，建议发起调查
📸

照片真实性判案知识

场景 查勘照片真实性核验

观察要点
1. 光影角度是否与报案时间一致
2. 车辆损伤是否为陈旧痕迹
3. 现场环境是否符合事故描述

判案推理
晚间报案 → 照片显示阳光侧照
时间矛盾 → 高度疑似用旧照片冒充现场

结论 风险等级：高，需核实照片来源
04
解决方案

知识工程三步法

1

知识挖掘

专家组拆解真实案例，输出判案推理链，不是 Yes/No 规则

关键产出
推理链文档、知识图谱、案例库
2

知识验证

用历史案件反推，验证知识表达是否准确

关键产出
验证通过的知识库，准确率 >85%
3

知识注入

将结构化知识喂给模型（微调 / RAG）

关键产出
具备专家能力的数字员工
核心原则：专家水平上限 = 数字员工能力上限，知识工程质量决定最终效果
05
案例展示

碰撞逻辑反欺诈 · 完整链路

Step 1

专家经验

资深反欺诈专家口头描述： "追尾事故看碰撞痕迹，如果后车引擎盖没褶皱，八成是假的。"
→
Step 2

结构化知识

知识工程师转化为： IF 追尾事故
THEN 检查后车前端变形情况
IF 无明显变形 → 高概率摆拍
→
Step 3

模型输出

风险等级：高

判断依据：后车前端无明显变形，不符合追尾力学逻辑。
建议发起案件调查。
效果对比
维度 注入前（纯基模） 注入后（专家知识）
判断准确率 62% 89%
可解释性 模糊，无依据 清晰，有推理链
业务信任度 低，不敢用 高，敢决策
维护成本 需持续标注新样本 知识库可持续积累
总结

核心要点

🎯

基模 ≠ 数字员工

基模能做能力展示，但无法替代专家的业务判断。从"看起来可用"到"真有用"，关键在知识注入。

💡

专家知识是核心资产

传统规则是死的，专家知识包含推理过程、判断依据、经验直觉。这才是数字员工需要学习的核心竞争力。

🔄

三步法确保质量

知识挖掘 → 知识验证 → 知识注入。每一步都要有明确产出和质量标准，不能跳过验证环节。

📈

效果可量化

准确率从 62% 提升到 89%，可解释性显著增强，业务信任度从"不敢用"到"敢决策"。

基模可以"看起来可用"，但专家知识质量决定数字员工的真实价值