一、项目背景及目标

传统保险营销人员常面临专业知识更新快、客户咨询量大且多样化、个性化推荐难度大等困境，智能营销助手系统，采用前沿人工智能技术进行搭建，具备7*24小时智能问答、保险知识管理和智能推荐的能力，能有效减轻营销人员负担，同时也能帮助营销人员更更精准地触达目标客户，助力营销人员拓展业务提升服务质量和效率，增强市场竞争力，实现业务的持续增长，为保险营销和企业发展注入新的活力。

销售人员获取知识需要层层问询相关人员，耗时长、效率低且信息损耗较大，无法及时向销售人员反馈正确的信息。在销售人员面对面与客户销售时，无法第一时间给与支持，仅能依赖销售人员个人知识与技能。系统上线后，销售人员可随时随地自行询问，大幅提高知识获取效率，成为展业出单的得力助手。

二、创新点

智能营销助手系统在技术体系建设方面，由传统业务驱动的定制建设模式转变为AI平台化的服务能力建设模式。建立从开发到运行、到运维监控的软件全生命周期管理和治理能力，实现技术+管理双驱动，并广泛应用分布式数据库、缓存、消息中间件等技术，满足多种营销场景，同时具备弹性部署，快速扩容的能力，实现对未来业务高增长下的持续性能保障。另外，研发管理上实现了迭代升级可控的项目实施过程。该平台的建设为我司营销活动开展及业务增长注入新动力，向智能化发展迈出坚实一步。

三、项目技术方案

（1）基础设施层：

·使用Kubernetes作为容器编排平台，用于管理和运行应用程序的容器化实例。

·在Kubernetes集群上配置自动伸缩、高可用性、负载均衡和服务发现等功能。

（2）微服务架构：

·使用Spring Cloud提供的组件，如Ribbon（客户端负载均衡）、Hystrix（熔断器）、Feign（声明式REST客户端）等来构建微服务架构。

·将应用程序拆分成独立的微服务单元，每个服务单元具有特定的业务功能，并运行在独立的容器中。

·使用Nacos来管理应用程序的配置信息，实现配置的统一管理和动态更新。

（3）持续集成与持续部署：

·使用git工具进行代码的持续迭代和管理，使用发布脚本进行分发部署。

（4）日志与监控：

·使用ELK+Skywalking+Elasticsearch收集和分析应用程序的日志。

·使用天牛平台（基于Kubernetes）对服务和组件进行管理和监控。

（5）安全与权限管理：

·使用Kubernetes的角色based访问控制（RBAC）功能，对集群和资源进行访问控制和权限管理。

·在应用程序层面，使用Spring Security来实现身份验证和授权，保护微服务的安全性。

（6）基础设施监控和故障恢复：

·使用天牛平台（基于Kubernetes），对集群和容器的运行状况进行监控和警报。

·实施自动扩展，根据应用程序的负载和指标进行动态伸缩。

除了开放实践中描述的底层技术栈外，还是使用了ASR、TTS、NLP、RAG等技术组件和方案。

相关技术与项目业务目标完成智能问答相吻合。

本次是创新性使用人工智能技术为业务赋能。

四、项目过程管理

随着人工智能的快速发展，保险业也在不断变化，使用人工智能赋能销售。同时公司数字化转型加速、健康险产品多样化，营销人员面临着销售压力大、保险产品条款专业性强、疾病种类复杂难懂等问题，为解决营销人员的问询需求，因此建设保险智能销售助手，打破时空限制、实现即问即答、让线上咨询更高效、服务不中断，从而提升渠道营销人员销售能力。

2024年6月完成了第一阶段功能建设：包括本地NLP模型的传统知识库搭建以及产品中心、运营百宝箱等系统基础功能的建设。

2025年3月完成了第二阶段功能建设：包括大模型对接、RAG知识库的搭建、“双引擎”流程闭环的搭建等。

五、运营情况

自上线以来用户覆盖4000余人，完成超40余万次的问答交互。

六、项目成效

智能营销助手是为公司和渠道营销人员打造的学知识、提能力的专属智能展业工具，在其现有全面产品信息、专业智能问答的基础上，本次通过引入并应用DeepSeek模型以及通义千问模型，并创新性地使用“双引擎”模式，使用传统NLP模型与大模型相结合，实现公司级知识库内循环，完成整体知识闭环流程，在节约算力、提升效能等方面将得到进一步增强。

七、经验总结

智能营销助手深度融合DeepSeek、Qwen等大模型，通过多模态数据处理与多任务协同技术，显著提升分析精度与运行效能。该系统具备三大核心能力：一是智能推理引擎，突破传统数据分析边界，实现用户画像、消费行为轨迹、风险偏好多维度数据的融合解析，深度洞察用户需求，实现"一人一策"的精准保障方案定制，推动营销人员的服务从标准化向个性化跃迁。二是内置智能知识库，集成动态进化的企业级知识图谱，构建包含产品特色、公司内产品分析的立体化知识矩阵。通过自然语言处理技术实现复杂业务场景的智能解析，为营销人员提供实时决策支持，赋能从业人员实现从经验驱动向数据驱动的专业提升。三是依托大模型的算力优化技术，系统在保持低资源消耗的同时，处理复杂需求的响应速度大幅提升，缩减人工处理问题时间，提供更流畅的交互体验，进一步提升用户体验和满意度，使其聚焦高价值客户深度解析，实现营销能力和服务质效双升级。