本發(fā)明屬于金融，具體涉及一種基于大模型rag技術的信貸業(yè)務系統(tǒng)演化方法及裝置。

背景技術：

1、在當代銀行領域中，線上信貸業(yè)務具有極其重要的作用，它不僅是銀行的核心業(yè)務之一，也是銀行實現盈利、服務實體經濟、促進社會資金流動的關鍵途徑。為滿足日益增長和不斷變化的各類資金需求，在滿足監(jiān)管的各項要求下，銀行的對私、對公信貸產品不斷發(fā)展創(chuàng)新，持續(xù)推出不同形式、不同類型、不同體量的金融產品。

2、為實現新的信貸產品及時上線，需要保證產品研發(fā)的時效性，這要求對新產品的業(yè)務邏輯進行快速解構，與現有產品業(yè)務進行比對，區(qū)分出共性業(yè)務邏輯和特殊業(yè)務邏輯，并在系統(tǒng)演化的設計和實現層面進行業(yè)務模塊與軟件構件的準確掛鉤，迅速識別、組裝和擴展可復用系統(tǒng)功能構件。此外，還需要考慮系統(tǒng)的可靠性和運維的及時性，這要求在新產品上線后，對新產品及原有業(yè)務的正常運轉進行及時的異常發(fā)現、精準的問題定位、快速的迭代修復。

3、信貸業(yè)務系統(tǒng)需要支持多渠道、多類型信貸產品的聯機業(yè)務流程、批量業(yè)務流程，不同產品具有上下游系統(tǒng)的接口異構性、功能模塊之間的流程異構性、功能模塊內部的邏輯異構性。同時，各產品之間也存在著局部業(yè)務重疊，根據產品的軟件架構要求，需要實現共性接口復用、模塊復用、邏輯代碼復用?；谛刨J業(yè)務及其系統(tǒng)的以上特點，研發(fā)新產品時，需要分別從業(yè)務視角、系統(tǒng)視角、數據視角對已有的線上信貸產品進行分析，之后，開展產品需求設計、系統(tǒng)演化設計，以此保證產品落地方案的可行性、資源成本投入的準確性，以及變更對原有功能的影響程度。

4、在信貸業(yè)務系統(tǒng)這一不斷發(fā)展和變化的領域，如果直接依賴通用的預訓練大語言模型及其技術來支持研發(fā)和運維工作，將具有以下局限：

5、1、通用模型的局限性：通用預訓練大語言模型通常缺乏特定行業(yè)和企業(yè)的私有化知識。在銀行信貸等領域，這些模型無法直接解決各銀行特定的信貸業(yè)務和系統(tǒng)相關問題，需要通過額外的方法來使模型習得這些私有知識。

6、2、微調技術成本高昂：微調技術是對大語言模型本身進行增量訓練，調整并固化模型參數，使模型習得私有知識。對于不斷演化的信貸產品和系統(tǒng)，每當業(yè)務有新增或變更，使用微調技術訓練模型會帶來較大的時間開銷和計算成本投入，這限制了微調技術的廣泛應用和頻繁更新。

7、3、提示詞工程的不足：不同于微調技術，提示詞工程無需進行昂貴的模型訓練，其依賴于用戶對提問時的語言結構、背景信息進行設計和添加，以提示和控制大語言模型輸出的規(guī)則和形式。然而，提示詞工程的效果很大程度上取決于提示詞的設計，這需要用戶對模型的理解和領域知識的深入掌握，此外，該方法還具有數據偏差、知識局限等不足。

8、4、rag技術的優(yōu)勢與困境：rag檢索增強技術，是在進行大語言模型調用前，通過檢索專有知識庫獲取私域知識，讓大模型結合知識上下文進行推理，相比微調和提示詞技術，該方法成本低，且能有效緩解大模型幻覺(llm?hallucination)，增加推理精確度和專業(yè)度。然而，未經有效設計的檢索方法和架構，可能由于文檔分塊方式、文本嵌入方法、檢索匹配算法的選擇不當，以及知識組織方式、知識檢索流程的設計不足，導致知識檢索時效性差、知識聚合完整度低、知識關聯精確度不足等缺陷。此外，由于缺乏自動反饋更新機制，用戶無法直接對回答誤差進行糾正并參與知識庫的調整，從而影響了知識的及時更新及模型的長期準確性。

技術實現思路

1、本發(fā)明提供一種基于大模型rag技術的信貸業(yè)務系統(tǒng)演化方法及裝置，以解決背景技術中所述的問題。

2、為實現上述目的，本發(fā)明提供如下技術方案：一種基于大模型rag技術的信貸業(yè)務系統(tǒng)演化方法及裝置，包括如下步驟：

3、獲取信息資源，對信息資源進行分類，得到多組主題資源，通過多組主題資源和獲取的人工輸入的問答語料同步輸入至大模型，通過大模型輸出多個主題文本，生成主題知識庫，提煉問答語料，生成前置知識庫，將主題知識庫與前置知識庫相關聯，并儲存至向量數據庫；

4、獲取提問文本，在提問文本中提取精確詞匯，并向量化精確詞匯，得到提問向量，判斷前置知識庫中能否檢索到提問向量的答復文本，若能，則得到答復文本；若否，則通過前置知識庫，路由主題知識庫進行檢索，得到標準文本；將答復文本或標準文本輸入至大模型，基于預設的輸出模板，得到結果文本；

5、基于輸出的結果文本，獲取人工輸入的反饋信息，調用前置知識庫，判斷前置知識庫中是否存在答復文本，若不存在，則將提問向量、結果文本和反饋信息更新至前置知識庫中，若存在，則二次更新前置知識庫。

6、優(yōu)選的，所述輸出多個主題文本包括如下步驟：

7、獲取問答語料，得到問答訓練文本及問答結果，其中，問答結果包括正面結果和負面結果；

8、獲取正面結果及相對應的問答訓練文本，得到問答訓練文本，向量化問答訓練文本，得到精煉知識語料；

9、向量化精煉知識語料，得到熱點知識文本；

10、根據熱點知識文本，獲取問答語料中相匹配的關鍵詞及主題標簽；

11、向量化關鍵詞及主題標簽，得到關鍵詞向量和標簽向量。

12、優(yōu)選的，所述將主題知識庫與前置知識庫相關聯，包括如下步驟：

13、獲取多組主題文本，分別對多個主題文本進行向量化，生成主題知識庫，獲取熱點知識文本，構建熱點知識文本與主題知識庫之間的內部關聯；

14、獲取關鍵詞及主題標簽，將關鍵詞向量和標簽向量與熱點知識文本相關聯，生成前置知識庫，并建立熱點集合，將熱點知識文本儲存至前置知識庫中的熱點集合中；

15、在前置知識庫中建立主題集合，將關鍵詞向量和標簽向量儲存至主題集合；

16、將主題知識庫與前置知識庫儲存至向量數據庫。

17、優(yōu)選的，所述判斷前置知識庫中能否檢索到答復文本，包括如下步驟：

18、獲取提問向量；

19、在前置數據庫的熱點知識文本中匹配提問向量，根據預設的相似度閾值，判斷前置數據庫中是否存在檢索到答復文本，若存在，則返回答復文本，并獲取答復文本對應的主題知識庫的主題標簽；

20、若不存在，則調用題知識庫進行檢索。

21、優(yōu)選的，所述通過前置知識庫路由主題知識庫進行檢索，包括如下步驟：

22、獲取精確詞匯；

23、根據精確詞匯檢索主題集合，得到對應的關鍵詞向量，根據關鍵詞向量得到主題標簽，根據主題標簽得到目標主題知識庫；

24、獲取提問向量；

25、基于提問向量檢索目標主題知識庫，根據預設的相似度閾值，獲取相似度達到設定閾值的知識文本段；

26、獲取與知識文本段相應的主題文本，得到標準文本。

27、優(yōu)選的，所述將答復文本或標準文本輸入至大模型，得到結果文本，包括：

28、將答復文本輸入至大模型，得到結果文本，需執(zhí)行如下步驟：

29、獲取提問文本，得到提問文本中的主題關鍵詞，根據主題關鍵詞匹配關鍵詞，得到相對應的主題標簽；

30、結合主題標簽，獲取人工輸入的輸出模板，將答復文本與提示詞同步輸入至大模型，并通過輸出模板，輸出結果文本；

31、將標準文本輸入至大模型，得到結果文本，需執(zhí)行如下步驟：

32、獲取提問文本，得到提問文本中的主題關鍵詞，根據主題關鍵詞匹配關鍵詞，得到相對應的主題標簽；

33、結合主題標簽，獲取人工輸入的輸出模板，獲取知識文本段，將知識文本段與提示詞同步輸入至大模型，并通過輸出模板，輸出結果文本。

34、優(yōu)選的，所述檢索前置知識庫是否存在提問文本，之前還需要進行如下操作：

35、獲取反饋信息，判斷反饋信息為正向反饋或負向反饋；

36、若為正向反饋，則檢索前置知識庫是否存在提問文本；

37、若為負向反饋，則獲取糾錯信息。

38、優(yōu)選的，所述二次更新前置知識庫，包括如下步驟：

39、獲取反饋信息，判斷反饋信息為正向反饋或負向反饋；

40、若為正向反饋，則獲取提問文本、提問向量和結果文本，并更新至前置知識庫；

41、若為負向反饋，則執(zhí)行如下步驟：

42、刪除前置知識庫中的結果文本；

43、獲取糾錯信息，向量化糾錯信息，得到糾錯向量；

44、將提問文本和糾錯向量更新到前置知識庫。

45、一種基于大模型rag技術的信貸業(yè)務系統(tǒng)演化裝置，包括：

46、資源預處理模塊，用于獲取信息資源，對信息資源進行分類，得到多組主題資源，將多組主題資源與獲取的人工輸入的問答語料同步輸入至大模型，輸出多個主題文本，生成主題知識庫，提煉問答語料，生成前置知識庫，將主題知識庫與前置知識庫相關聯，并儲存至向量數據庫；

47、輸入處理模塊，用于在提問文本中提取精確詞匯，并向量化精確詞匯，得到提問向量；

48、數據檢索模塊，用于判斷前置知識庫中能否檢索到提問向量的答復文本，若能，則得到答復文本；若否，則通過前置知識庫，路由主題知識庫進行檢索，得到標準文本；

49、結果輸出模塊，用于將答復文本或標準文本輸入至大模型，基于預設的輸出模板，得到結果文本；

50、反饋校驗模塊，用于基于輸出的結果文本，獲取人工輸入的反饋信息，調用前置知識庫，檢索前置知識庫；

51、反饋處理模塊，用于判斷前知識庫中是否存在答復文本的檢索結果，若不存在，則將提問向量、結果文本和反饋信息更新至前置知識庫中，若存在，則二次更新前置知識庫。

52、一種計算設備，包括存儲器和處理器，所述存儲器中存儲有可執(zhí)行代碼，所述處理器執(zhí)行所述可執(zhí)行代碼時，所述處理器執(zhí)行所述計算機程序時實現一種基于大模型rag技術的信貸業(yè)務系統(tǒng)演化方法。

53、本發(fā)明的技術效果和優(yōu)點：通過對大模型的自主學習和人工干預的方式，提高大模型學習和理解業(yè)務領域知識的能力，提高迭代演化的研發(fā)效率、質量以及運維時效；通過優(yōu)先選擇前置知識庫，并通過熱點知識文本鏈接主題知識庫的方式，快速、準確地得到結果文本，提高反饋效率；在輸出結果文本后，獲取人工反饋信息，根據反饋信息不斷改進熱點知識文本，完善前置知識庫，以確保前置知識庫可及時更新，并保證大模型輸出內容的準確性和完整性；在演化過程中，提高產品設計效率、增強研發(fā)質量、提升系統(tǒng)運維時效、減少非必要人力投入，達到降本增效目的。