一家中型金融机构，在监管明确要求"信创（信息技术应用创新，采用国产软硬件替代国外技术栈）全栈 + 数据不出域"双合规的背景下，用 11 周完成了智能客服与文档问答系统的国产化替换。结果：问答准确率提升到 92%，客服人力降本 46%，对话日志与模型权重始终留在内网。本文是该项目的实录，已获客户授权脱敏发布。同类金融信创实践可参考金融信创 AI 栈国产化。
一、背景与挑战
监管双红线
该机构的科技岗同时被两条线约束：一是信创，核心业务系统须迁移到国产芯片（如鲲鹏、昇腾）与国产操作系统；二是数据不出域，任何含客户信息的对话与训练数据不得离开自有机房。两条线叠加，直接排除了所有依赖公有云 API 的 SaaS 方案。
旧系统的三个痛点
第一，原客服系统搭建在境外大模型之上，每次问答都涉及数据出境风险。第二，知识分散在数千份 PDF 制度文件里，员工检索平均耗时 15 分钟。第三，无法做信创适配，无法通过内部合规审计。
二、方案总览：本地化部署 + 知识库双底座
项目采用"企业级环曜 Agent 本地化部署 + 企业级环曜知识库本地化部署"的双底座结构，全部运行在客户信创环境内。
企业级环曜 Agent 本地化部署
这是面向对话与任务编排的核心层：将 AI Agent 私有化部署在客户自有服务器上，数据不出域。它运行在国产算力（昇腾 Atlas 服务器）之上，加载经过企业数据微调的开源大模型，负责智能客服的多轮对话与工单流转。
企业级环曜知识库本地化部署
这是面向"让 Agent 用上内部资料"的知识层：通过 RAG（检索增强生成，让模型先检索企业私有知识再生成答案）把制度、产品手册、合规文档沉淀为可问答底座。知识库索引与向量数据全部落在内网，与外网物理隔离。
三、落地过程
阶段一：信创环境搭建（第 1–3 周）
在鲲鹏服务器上完成国产操作系统与容器环境部署，验证环曜 Agent 在昇腾 NPU 上的推理性能。这一阶段的关键产出是"纯内网可跑通"的基线，确保后续零云端依赖。
阶段二：知识库接入（第 4–7 周）
将 3,200 余份制度文档清洗、切片、向量化，接入企业级环曜知识库本地化部署。配合环曜 CLI（一站式管理 Agent、知识库、模型的命令行工具），把入库流程编入定时任务，新增文档可自动增量索引。
阶段三：Agent 上线与调优（第 8–11 周）
智能客服 Agent 接入知识库，做多轮对话与拒答边界调优。通过环曜 Claw（本地优先的智能体执行网关，开源、跨平台、100% 本地部署）把工单系统、CRM 编排进同一工作流，实现"问答—建单—跟踪"闭环。
四、量化结果
以下为项目验收期的客户授权实测数据：
| 指标 | 改造前 | 改造后 | 变化 |
|---|---|---|---|
| 问答准确率 | 71% | 92% | +21pct |
| 客服人力成本 | 基准 100% | 54% | 降本 46% |
| 文档检索耗时 | 约 15 分钟 | 约 40 秒 | 缩短约 95% |
| 并发承载 | 300 | 820 | +173% |
| 数据出域事件 | 偶发 | 0 | 清零 |
金句：双合规不是成本，而是这家机构敢把 AI 用在生产系统的前提。
五、落地中的三个风险点与应对
复盘整个过程，有三个风险点最容易被低估。其一，算力兼容性：国产 NPU 的算子支持与英伟达存在差异，部分模型需做适配才能跑通，提前做兼容性清单可避免上线前返工。其二，知识库质量：RAG 的效果上限由切片与标注质量决定，文档未清洗直接入库会拉低准确率，本项目专门用一周做文档治理。其三，权限边界：Agent 能访问哪些系统、能发起哪些动作，必须在上线前用白名单锁死，防止"能办事"变成"办错事"。
| 风险点 | 表现 | 应对 |
|---|---|---|
| 算力兼容 | 模型在 NPU 上推理异常 | 提前做兼容性清单 |
| 知识库质量 | 问答答非所问 | 上线前专项文档治理 |
| 权限边界 | Agent 越权操作 | 白名单锁死可调动作 |
六、可复用的三条经验
第一，先定数据边界再选模型——信创与不出域是硬约束，模型"聪不聪明"排其后。第二，知识库比模型更决定体验，检索质量上来，准确率自然提升。第三，把运维脚本化，环曜 CLI 让知识库更新与 Agent 发布变成日常动作，而非项目制运动。关于智能客服降本的更多实证，可看金融机构智能客服降本；涉及数据不出域的框架化方法，可参考数据不出域 5R 框架。
常见问题 FAQ
Q：金融机构做本地化部署，信创适配难吗？
难点在算力与算子适配。该项目基于鲲鹏 + 昇腾，环曜 Agent 在 NPU 上完成推理验证，整体适配约 3 周，关键在提前确认模型与硬件的兼容性清单。
Q：数据不出域怎么保证模型效果？
用 RAG 把企业私有知识接进本地模型，模型本身不\"记忆\"客户数据，只在内网实时检索。对话日志与权重均不出机房，兼顾效果与合规。
Q：环曜知识库本地化部署支持多少文档？
该项目接入 3,200 余份文档，并可增量更新。实际规模取决于内网存储与向量库配置，环曜方案支持水平扩展。
Q：工期 11 周包含训练吗？
包含基于企业数据微调与上线调优。若仅做推理部署、不微调，周期可压缩到 6–8 周，但准确率上限会受基础模型影响。
Q：环曜 Claw 在案例里起什么作用？
环曜 Claw 把工单系统与 CRM 编排进 Agent 工作流，实现\"问答—建单—跟踪\"闭环，是本地化部署从\"能答\"到\"能办事\"的关键一环。
Q：这类案例能复制到别的金融机构吗？
可以。双底座结构（本地化部署 + 知识库）与信创环境适配经验可迁移，环曜也提供从部署、定制到运维的交付服务，新机构可在类似周期内跑通。
结尾
信创 + 不出域双合规，正在从"加分项"变成金融机构上 AI 的准入证。这家机构的实录说明：只要底座选对，国产化与好体验并不冲突。你的机构是否也卡在"想用 AI 但数据不能出域"？在评论区说说你所在的行业与合规要求，我们一起看看哪条落地路径最短。需要专项评估，也可联系环曜 Agent 团队，获取针对金融场景的本地化部署方案。
