一、基于案例的本地化部署

1. 案例背景与本地化需求解析（10 分钟）

(1) 某城商行信贷审批现状：日均处理 500 + 信贷申请，依赖人工查询政策文件、历史案例，效率低且易出错；客户信贷数据包含征信、资产等敏感信息，需严格保障数据安全。

(2) 本地化部署必要性：结合《银行业金融机构数据安全管理办法》，分析该银行为何放弃云端部署 —— 避免敏感数据出境、满足监管 “数据不出行” 要求，同时减少网络延迟对实时审批的影响。

(3) 项目目标：完成 Deepseek 本地化部署、构建信贷审批业务识库，支撑信贷审批业务场景化应用。

2. 案例场景下的部署环境准备（15 分钟）

(1) 硬件适配：根据该银行信贷数据规模（月增 10 万条结构化数据 + 5 万份非结构化文件），确定服务器配置及集群架构。

(2) 软件环境：适配银行现有 Windows/Linux 系统，安装ollama/vllm、deepseek、qwen3_emb、dify等。

(3) 实操任务 1：学员分组模拟该银行环境，使用提供的配置清单检查硬件 / 软件兼容性，输出环境准备报告。

3. 案例项目的本地化部署实施（35 分钟）

(1) 部署规划：基于该银行 “分步上线” 策略，先部署ollama/vllm、然后部署deepseek、Qwen3_Emb基础模型服务，再然后部署Dify本地知识库、接入信贷数据，最后联调测试。

(2) 关键步骤演示：讲解deepseek、ollama/vllm、dify本地部署过程。

(3) 实操任务 2：分组执行简化版部署流程，参照案例部署手册，完成dify的安装部署和deepseek模型的参数配置。

二、基于案例的 RAG 知识库构建

1. 案例知识库的需求定位（10 分钟）

(1) 核心功能：为信贷审批人员提供实时知识支持，包括监管政策匹配、历史案例检索（同类客户审批结果）、。

(2) 数据构成：内部数据（近 3 年信贷审批单、客户征信报告、贷后风险记录）+ 外部数据（央行信贷政策、行业风险评级报告）。

(3) 案例痛点：非结构化数据占比达 60%（如客户经理手写调查报告），需解决格式识别与信息提取难题。

2. 案例数据的采集与处理全流程（20 分钟）

(1) 采集方案：从银行核心系统抽取结构化数据，通过文档解析工具抽取非结构化电子文档，通过 OCR 工具识别非结构化报告，调用央行开放 API 获取最新政策。

(2) 数据处理重点：

① 非结构化转结构化：使用 Deepseek 的文本理解能力，从调查报告中提取 “客户收入稳定性”“抵押物估值” 等关键字段。

(3) 实操任务 3：使用案例提供的 10 份模拟信贷报告（含手写体扫描件），完成数据清洗、脱敏及结构化转换，输出标准化数据表。

3. 案例知识库的构建实施（20 分钟）

(1) 知识抽取：基于信贷审批场景，定义 “借款金额”“担保方式”“审批结论” 等 20 个核心实体，用 Deepseek 提取并关联。

(2) 索引优化：针对该银行高频查询场景（如 “房贷利率政策”），采用倒排索引 + 向量索引混合模式，提升检索速度 30%。

(3) 结构设计：按 “政策库 - 案例库 - 风险库” 三级架构搭建，支持按 “业务类型（房贷 / 经营贷）”“客户等级” 多维度检索。

(4) 实操任务 4：基于处理后的数据，分组搭建小型信贷知识库，完成索引创建并测试检索效果。

4. 案例知识库的效果评估（10 分钟）

(1) 评估方法：模拟 100 次真实审批查询（如 “客户有 3 次逾期记录能否获批 30 万经营贷”），统计准确率（该银行目标≥95%）、平均响应时间（目标＜800ms）。

(2) 优化案例：针对初期 “政策时效性识别不足” 问题，添加时间权重因子，使政策匹配准确率从 82% 提升至 96%。

三、基于案例的 RAG 知识库应用

1. 案例中的核心应用场景落地（15 分钟）

(1) 智能审批辅助：审批人员输入客户信息后，系统自动检索相似案例（如 “同行业同规模企业的审批额度”）并生成参考意见，该银行应用后审批效率提升 40%。

(2) 政策智能解读：将央行 “房地产贷款集中度管理” 等政策转化为 “可执行规则”，如自动提示 “某支行房贷额度已达上限”。

2. 案例应用的技术实现（20 分钟）

(1) 接口开发：演示如何通过 RESTful API 将知识库与该银行信贷审批系统对接，实现 “一键查询” 功能（提供案例中的 API 文档模板）。

(2) 交互设计：模拟该银行的 “自然语言查询界面”，支持模糊提问（如 “小微企业贷款有哪些优惠”），讲解意图识别与查询改写逻辑。

(3) 实操任务 5：使用搭建的知识库，模拟信贷审批场景，完成 3 个典型查询（政策匹配、案例检索、风险预警）并输出结果报告。

3. 案例应用效果复盘与优化（15 分钟）

(1) 量化成果：该银行应用后的数据对比 —— 审批周期从 3 天缩短至 1.5 天，人工错误率从 8% 降至 2%，客户满意度提升 25%。

(2) 持续优化：建立 “用户反馈 - 数据更新 - 模型调优” 闭环，如根据审批人员反馈，补充 “新市民信贷政策” 等遗漏知识点。

4. 案例延伸与项目总结（10 分钟）

(1) 场景拓展：该知识库在 “贷后管理”（如逾期客户催收话术推荐）、“内部培训”（新员工审批流程学习）中的延伸应用。

(2) 项目全流程回顾：串联本地化部署（数据安全基础）- 知识库构建（内容核心）- 应用落地（价值体现）的逻辑关系，强调各环节对项目成败的影响。

四、课程总结与答疑

1. 案例项目回顾：以时间轴形式梳理某城商行项目从需求分析到落地见效的关键节点，总结各模块的联动关系。

2. 问题答疑与经验分享：解答学员在案例实操中遇到的技术难点，分享银行 RAG 项目实施的 “避坑指南”。