企业官网建设流程全解析

版权与内容来源声明
本文为原创整理。文中涉及官方文档、开源仓库、论文与公开报道的内容，均在附表 A 中标注来源；引用官方原文保持原样，不作改写。文中命令、版本号与界面截图以本文成文时的实测/核验结果为准，标注「待验证」的部分请以你本地环境实际输出为判断依据。本文不推荐任何不合规的软件获取方式，也不对任何收益结果作承诺。转载请注明出处。

第 1 章 理赔人最值钱的四样东西，正好是「分流」

1.1 先把方向说反一次

如果你在理赔、核保或者保险内勤岗，想转到 AI 大模型应用这条线上，最容易走偏的一步是：想着让模型直接输出「赔」或「不赔」。

这条路技术上不是做不出来，是成本结构通常站不住。理赔结论要签字、要对外、要经得起复议甚至诉讼，模型给出的每条结论，复核人都得从头核一遍；核一遍的成本如果和你自己从头判差不多，这套系统就没省下什么。

所以本文要讲的不是「怎么训一个判赔模型」，而是在把任何模型接进理赔流程之前，先把案件排进三条通道：一条走规则直接出结果，一条让模型出建议、人下结论，一条必须纯人工。顺序反了，省下的时间会被复核成本吃掉。

1.2 你真正值钱的四样东西

理赔岗的经验不是「过时的手工流程」，它在模型时代反而变成了稀缺的判据来源。

• 案卷材料核验：材料齐不齐、真不真、几份材料之间对不对得上。
• 条款与责任判定：条款适用不适用、除外责任碰到没有、因果关系链有多长。这是最难标准化的一段。
• 金额核算：医疗票据、伤残比例、免赔额、赔付限额、社保扣减，这些可以复算。
• 拒赔理由要站得住：拒赔要写给客户看，将来可能被复议、被起诉。理由能不能站住，比赔不赔更考验人。

第二样和第四样，是模型现阶段给不了的；第一样和第三样，模型能帮你提速。分流要做的，就是把这两类活分开。

第 2 章 为什么必须先分流：先算一笔复核成本的账

2.1 省下的时间，和你多花的时间

设一个简单案件人工从头判需要的时间为T。接入模型后，模型能把处理时间压到T的几分之一，看起来很划算。但别忘了，模型每出一条建议，复核人都必须把这条件核到「自己能签字」的程度，这部分成本记为R。

于是有两笔账：模型帮上忙的部分，净收益是T - R，只有为正才算真省了时间；帮不上忙的部分不但没省，还要额外付出「读模型输出、判断它对不对」的时间。所以整体是否划算，取决于有多少案件真的能被模型「过掉」而不是「过一遍」。这个比例上不来，全量接模型就是净亏。

这就是「先分流」的全部理由：分流不是为了多让模型干活，而是为了确保模型只干「复核成本低」的那部分活。

2.2 不分流的三种典型翻车

第一种，全量过模型。所有案件都先让模型跑一遍，复核人变成了「模型输出的审阅者」。简单案件本来 3 分钟能结，现在要 5 分钟。

第二种，只挑「简单案件」给模型。想法没问题，但「简单」谁都没定义过。最后挑出来的往往还是那批材料齐全、本来就不费劲的案件。

第三种，模型直接出结论。模型输出被当作判定结果写进对客文书。一旦客户提出异议，没人说得清这个结论基于哪份材料、哪一条条款、哪个版本的模型。

2.3 分流的排序轴不是「案件重要」，是「结论可验证」

一个常见的误区是按金额排优先级。金额当然重要，但它不是分流的排序轴。真正决定通道的，是第一层问题：这个案件的结论，能不能被独立复核到「另一个人拿着同样材料也能签字」的程度？能，说明依据确定、可复算，机器化空间大；不能，说明判断里含了专业权衡和责任承担，必须人工。这条轴，才是三条通道的分界线。

第 3 章 三条通道的边界：规则直出 / 模型辅助 / 必须人工

3.1 三条通道一表看清

表里的阈值需要各机构按自身数据分布去定，监管文件没有规定统一档位。按金额分档是行业常见做法，具体档位属内部做法（待验证）。

3.2 通道一与通道二分别做什么

规则直出指用确定性规则（if-else 逻辑或者决策表——把条件取值和对应结果列成一张表，逐行匹配）直接给出处理结果，不调用大模型做判定。适合这条的，通常是三类特征同时成立：金额小、条款适用没有争议、材料结构化且齐全。比如免赔额未达到、票据金额与费用清单一致且险种责任明确。这类案件的特点不是「简单」，而是**「换谁判都是这个结果」**。注意：模型在这里最多做材料分类和字段抽取，抽完仍走规则出结果。

模型辅助这条通道里，模型做的是「读材料、找线索、提候选」：读非结构化材料（病历、事故说明、勘验记录）并抽出关键字段；把可能适用的条款列出来并给出判断理由；指出材料间的矛盾点，比如事故时间与就诊时间对不上；给一个倾向性走向和一个置信度（模型对自己这条建议有多有把握的分值，0 到 1 之间）。它的产出不是「赔」或「不赔」，而是一张给人看的建议卡片，字段设计见第 5 章。

3.3 通道三：必须人工

下面这些情况，不管模型多有把握都不进自动流程——这些结论不可能被「独立复核到错不了」：

• 涉及人伤、伤残评定、死亡给付；
• 拒赔、部分拒赔、通融赔付——理由要对外，要经得起复议；
• 金额超过机构自己设定的门槛；
• 疑似欺诈、同一事故多份保单叠加、短期内重复出险；
• 模型置信度低于阈值，或者模型建议与规则引擎结果冲突；
• 已进入投诉、复议、诉讼程序。

最后两条要特别强调：「冲突」和「低置信度」不是异常，是分流系统正常工作的信号。它们的作用是把案件推给人工，而不是让模型勉强给个答案。

第 4 章 阈值怎么定：从「金额一刀切」改成「多维评分」

4.1 先分清两种阈值

很多团队一上来就吵「金额线到底定多少」。更稳的做法是把阈值分成两种：

• 硬门槛：命中就直接进通道三，跟其他分数无关，比如人伤、拒赔、疑似欺诈。这类不讨论权重，讨论的是「还有哪些情况必须加进来」。
• 软分数：多个维度加权打分，用总分区间决定走通道一还是通道二。

硬门槛负责「不许出错」，软分数负责「提高效率」。两类混在一起谈，阈值永远定不下来。

4.2 四个维度比金额一个维度更准

只用金额一个维度会两头错：小额的人伤案件被漏放到规则直出，大额但没争议的续保案件被全部压给人工。四个维度一起看更稳。

4.3 阈值不是一次定死的：回放验证 + 写进配置

阈值定完直接上线风险很大。更稳妥的是灰度回放（拿一批已结案的历史案件重跑一遍分流，不影响真实业务）：这批案件有真实的人工结论可对照，用来观察「分流本身判得对不对」。

回放要看的不是模型判赔准不准，而是三件事：该进通道三的案件有没有被放进通道二；该进通道一的案件有没有被过度拦到人工；模型建议与人工结论不一致的案件属于哪一类。产出应该是一张「不一致案件清单」而不是一个总分——总分只告诉你「还行」，清单才告诉你哪里要改。

阈值一定会调整。如果它散落在代码里，改一次要发一次版，还会导致同一个案件在不同时间被判到不同通道却查不出原因。把规则和阈值抽成配置，是分流系统能被信任的前提。

⚠️代码待验证

# 分流规则配置（示意）version:"rules-2026.10"effective_from:"2026-10-01"hard_gates:# 命中任一即进入通道三，与分数无关-id:injury_involveddesc:涉及人伤、伤残评定、死亡给付-id:claim_denieddesc:拟拒赔、部分拒赔或通融赔付-id:suspected_frauddesc:疑似欺诈、多保单叠加、短期重复出险scoring:weights:customer_impact:0.30# 对客影响度clause_dispute:0.30# 条款争议度evidence_quality:0.20# 材料可验证度model_confidence:0.20# 模型置信度bands:rule_direct_max:0.25# 不高于此值 → 通道一（仍需规则校验通过）model_assist_max:0.65# 不高于此值 → 通道二；高于则通道三confidence_floor:0.60# 模型置信度低于此值 → 直接通道三

配置里带了version和effective_from。每一次判定都要记下当时生效的是哪一版配置，否则事后复盘时，你根本还原不出「当时为什么这么判」。

第 5 章 模型辅助通道：产出必须是「给人看的建议」

5.1 输出结构决定了它会不会被当成结论

同一个模型、同样的能力，只要输出字段名写成「赔付决定：同意」，它在流程里迟早会被当结论用——下游照单执行、业务照着签、客服照着答复客户。反过来，只要输出的是「倾向性建议」「依据的材料片段」「不一致点」「缺失材料」，人就必须自己走完最后一公里。这不是修辞问题，是接口设计问题。

5.2 建议卡片该有哪些字段

一张好的建议卡片，要求是：每个判断都能点回到具体材料和具体条款。

⚠️代码待验证

{"case_id":"示例：案件编号","suggested_direction":"倾向属于责任范围内 / 倾向需要补充材料 / 倾向不属于责任范围","reasons":[{"point":"事故时间落在保单有效期内","evidence_ref":["材料ID-事故证明","材料ID-保单信息"],"clause_ref":"条款编号（写实际编号）"}],"conflicts":["事故时间与首次就诊时间相差超过材料记载范围"],"missing_materials":["伤残评定结论","第三方责任认定书"],"confidence":0.0,"model_version":"固定快照名，不要写 latest","prompt_version":"提示词版本号","rules_version":"当时生效的分流规则版本"}

三处是刻意设计的：suggested_direction用「倾向」措辞、只给三种走向，不给「同意赔付」这种结论；reasons每条都必须带evidence_ref和clause_ref——没有引用支撑的理由不允许出现在卡片里；rules_version让卡片自带上下文。

5.3 建议卡片 vs 结论式输出

最后一行值得单独说：写「最新版」等于没写——模型会升级、提示词会改、规则会调，这三个字半年后指向的是另一个东西。留痕要留的是不可变的快照标识。>《AI 大模型知识库》在线专题：里面的「Agent Skills 创建全流程」和「Claude Skills 完全指南」两份，讲的正是怎么把一段固定的判断流程写成模型能稳定执行的结构化步骤——和本章「建议卡片」的思路是一回事，只是应用场景不同。放在资料包里，扫码即可获取：

第 6 章 每一次判定怎么留痕：谁给的、依据什么、模型版本是什么

6.1 一份判定要留的六类字段

留痕的目标只有一句话：一年后有人问「这个案子当时为什么这么判」，你能在三分钟内还原全过程。

第六类最容易被忽略，也最关键。「命中阈值」本身就是一条证据：它证明了这个案件当时为什么被送进人工，而不是「系统随便拦的」。

6.2 现行规定里，三组必须知道的

下面条号都核到官方原文，截至 2026-10-01 有效，逐条出处见附表 A。先划边界：法规和监管文件是底线，机构内部怎么设阈值、怎么分档属于内部做法，不是监管要求。

一、输入信息和记录的保护。《生成式人工智能服务管理暂行办法》第九条规定，涉及个人信息的，提供者依法承担个人信息处理者责任；第十一条规定，不得收集非必要个人信息，不得非法留存能够识别使用者身份的输入信息和使用记录。落到理赔场景：发给模型的材料先做最小化处理，能去标识化的先去掉。

二、敏感个人信息。《个人信息保护法》第二十八条把「医疗健康、金融账户」列入敏感个人信息（敏感个人信息——一旦泄露或被非法使用，容易危害人格尊严或人身、财产安全的个人信息），并规定「只有在具有特定的目的和充分的必要性，并采取严格保护措施的情形下」方可处理；第二十九条要求单独同意，第三十条要求另行告知必要性及影响。病历、诊断结论、账户信息都在其中——这是处理前提，不是注意事项。

三、自动化决策。同法第二十四条第三款规定，通过自动化决策作出对个人权益有重大影响的决定，个人有权要求说明，并有权拒绝仅通过自动化决策的方式作出决定；第五十五条要求处理敏感个人信息、进行自动化决策等情形事前做个人信息保护影响评估并记录，第五十六条要求相关记录至少保存三年。全自动出赔付结论，本身就踩在「仅通过自动化决策作出决定」这条线附近。

四、行业监管口径。国家金融监督管理总局 2026 年 6 月 18 日发布的《关于银行业保险业人工智能安全开发应用的指导意见》把承保理赔列为高风险应用，要求经本机构风险管理委员会批准后方可实施，「在高风险应用关键环节建立人工监督和干预机制」，并写明「可解释性不足的人工智能技术在高风险场景应用时，仅能作为辅助工具，应由人工进行最终决策」，关键决策须保留原始数据、推理路径及阈值触发记录。这是「指导意见」，属于监管口径，不是可照抄的操作细则。

6.3 留痕的工程做法：只能追加，不能改写

留痕最容易失败的方式是「存在业务表里，允许修改」。判定记录一旦可改，它作为证据的价值就没了。

⚠️代码待验证

# 判定记录写入：只追加，不修改（示意）defrecord_decision(case_id,channel,decision,evidence,model_info,rules_version):"""写一条不可变的判定记录。 改判时不覆盖旧记录，而是新写一条，并用 supersedes 指向旧记录 ID。 """return{"record_id":next_record_id(),# 单调递增，不复用"case_id":case_id,"channel":channel,# rule_direct / model_assist / manual"decided_by":current_operator_id(),# 人工判定必填；规则直出填规则引擎标识"decided_at":now_iso8601_with_tz(),"evidence":evidence,# 材料ID + 版本 + 采集时间"model":model_info,# 快照名 + 提示词版本 + 关键参数"rules_version":rules_version,# 当时生效的分流规则版本"supersedes":None,# 改判时填旧记录 ID}

代码本身不重要，重要的是它的两条约束：记录只能追加、版本号不能是「最新版」。这两条做到了，留痕才算数。

第 7 章 转行者怎么落地：从一张分流表开始

7.1 你的第一个可交付物不是模型

如果想在内部推动这件事，或者拿它当转行作品，第一件该做出来的不是模型，而是这三样：分流规则表（硬门槛有哪些、四个维度怎么打分、分数区间怎么切）、建议卡片模板（字段定义 + 一份手工填写的样例）、留痕字段清单（六类字段各留什么、留多久）。

这三样都不需要算法能力，需要的是你对理赔偿付的真实理解——哪些案件换谁判都一样，哪些必须有人签字。这正是你比算法同学更清楚的部分。

一个可以马上开始的动作：挑一个你最熟的险种，从历史案件里取 30 个已结案的，**手工标出「这个案件该走哪条通道」**并写下理由。隔一天再标一遍，看两次标的一致情况。如果连你自己两次都标不到一起，说明规则定义还不够清楚——这就是你最先要改的地方，而不是先去调模型。

7.2 面试或内部汇报，讲这三件事

不要讲「我训了个模型」。讲这三件：我怎么定的边界（哪些情况命中就直接人工）、我怎么量化的阈值（四个维度看什么、怎么用历史案件回放验证）、我怎么留的痕（六类字段解决什么问题、模型版本为什么必须用快照名）。听的人立刻能判断出你是真的想过流程，还是只跑通过一个 demo。

7.3 三个容易踩的坑

坑一，把行业常见做法说成监管要求。「按金额分三档」是行业做法，不是法规规定；引用《指导意见》也要说清它是指南而非细则。把「法规要求」和「业内做法」分开，是专业度的分水岭。

坑二，用「最新版模型」做留痕。模型迭代远快于案件归档，留「最新版」这三个字，半年后什么都查不到。

坑三，模型和规则冲突时不记录。很多团队把冲突当成 bug 直接吞掉。冲突恰恰是最该留痕的信号——它说明案件落在规则的边界上，而这正是阈值需要调整的地方。

大模型学习路线图：如果你是从理赔、核保这类业务岗转过来，路线图里「能力对照」那部分会帮你先判断哪些旧经验能直接复用、哪些要从头补，省掉不少绕路。放在资料包里，扫码即可获取：

附表 A：本文引用事实与出处对照表

附表 B：术语速查表

写在最后：这篇用到的资料

写这篇文章时，把相关的官方文档和源码又翻了一遍，顺手也整理了几份配套的东西：

• 大模型学习路线图：从零基础到能自己动手做 Agent，按阶段说明每一步该学什么、哪些可以先跳过
• 《LangChain + LangGraph + MCP 智能体开发实战》视频课：7 个模块，从私有化部署、Embedding+RAG 到 MCP+Agent 全流程
• AI 大模型知识库（在线可查）：Agent Skills 从入门到落地、Claude Skills 完全指南等专题，按目录浏览即可
• 640 套 AI 大模型行业报告 + 经典 PDF 书籍：看行业落地案例和别人怎么做的时候用得上
• 大模型零基础到精通教学视频：跟着敲一遍，比只读文档快得多

资料是我自己整理的，放在下面这个码上，扫码即可获取：

添加时备注「AI」，优先通过。

资料按「先路线、再动手、最后查漏」的顺序整理好了，建议先看学习路线那一份，照着它挑一条适合自己当前基础的路径再往下看。