3、核心概念与术语：NLP、意图识别、实体抽取、对话管理、RAG、大模型微调、API、SLA等必备术语
在AI金融助手的研发与运营过程中，团队内部、团队与业务方之间、以及对外汇报时，频繁使用着一套专业术语。如果对这些概念的理解停留在表面，极易在需求评审、技术方案选型和故障定责时产生严重偏差。本章将围绕NLP、意图识别、实体抽取、对话管理、RAG、大模型微调、API与SLA这八个核心术语，从原理、判断方法、实战场景和常见误区四个维度展开，帮助课程参与者建立统一的语言体系与认知框架。
上图展示了八个术语之间的逻辑关系：NLP是底层基础能力，意图识别与实体抽取是NLP在金融场景中的两项关键任务，对话管理负责多轮交互的状态维护；RAG与大模型微调是提升模型金融专业能力的两种互补手段；API是系统对外提供服务的工程载体，SLA则是保障服务质量的契约约束。理解这一分层关系，有助于在项目推进中合理分配资源与设定预期。
3.1 NLP：金融文本理解的基石
核心原理
NLP（Natural Language Processing，自然语言处理）是让计算机理解、生成和处理人类语言的技术集合。在AI金融助手中，NLP承担着将用户口语化、碎片化的金融问题转化为结构化语义表示的任务。金融文本具有专业术语密集、数字敏感度高、上下文依赖强、合规要求严格等特点，这对NLP的准确性提出了远高于通用场景的要求。例如“我买的那只基金今天跌了2个点，要不要赎回？”这句话，需要同时识别出“基金”、“跌”、“2个点”、“赎回”等关键信息，并理解其背后的投资咨询意图。
判断方法与操作流程
在实际项目中，判断NLP能力是否满足金融场景需求，通常从以下四个维度进行验证：
- 分词与词性标注准确性：金融术语如“结构化存款”、“固收+”等是否被正确切分。
- 句法分析能力：能否正确解析“如果明天大盘继续下跌，我就把仓位降到五成”这类条件复句。
- 语义相似度判断：“查一下我的余额”与“我还有多少钱”是否被识别为同一语义。
- 鲁棒性：对错别字、口语化表达、中英混杂（如“帮我看看BTC的行情”）的容忍度。
操作流程上，建议先使用通用NLP工具（如Jieba、LTP、HuggingFace Pipeline）进行快速验证，再根据金融语料进行针对性优化。切勿一开始就投入大量资源训练自定义模型。
实战场景：金融舆情分析
某券商需要监控关于“新能源板块”的舆情，以辅助投资决策。初始使用通用NLP模型时，将“新能源车销量超预期”与“新能源板块估值过高”都归类为“正面/负面”单一维度，导致信息失真。经过优化，引入金融领域的情感分析模型，并增加“行业景气度”、“政策风险”、“资金流向”等细粒度标签，才真正满足业务需求。这一案例说明，金融NLP不是简单的“分词+情感打分”，而是需要结合领域知识进行深度定制。
3.2 意图识别与实体抽取：理解用户的两把钥匙
核心原理
意图识别（Intent Recognition）是判断用户输入文本背后的目的或需求类别，例如“查询余额”、“转账”、“基金申购”、“理财咨询”等。实体抽取（Entity Extraction）则是从文本中提取出关键的信息片段，例如金额、日期、产品名称、账号等。两者通常串联使用：先识别意图，再抽取该意图下所需的实体。例如用户说“帮我赎回5000元的易方达蓝筹”，意图是“基金赎回”，实体是“金额=5000元”和“基金名称=易方达蓝筹”。
判断方法与操作流程
在金融助手中，意图识别通常采用“分类模型+规则兜底”的双层架构。分类模型负责处理常见表达，规则兜底处理长尾或敏感场景。实体抽取则采用“序列标注模型+词典匹配”的方式。判断一个意图识别系统是否合格，需要关注以下指标：
| 指标 | 定义 | 金融场景参考值 |
|---|---|---|
| 意图准确率 | 正确识别意图数 / 总测试数 | ≥ 95% |
| 意图召回率 | 正确识别意图数 / 实际意图总数 | ≥ 90% |
| 实体F1值 | 实体抽取的精确率与召回率的调和平均 | ≥ 0.90 |
| 拒识率 | 对无法确定意图的输入主动拒绝回答的比例 | 5%-10% 为宜 |
实战场景：多轮对话中的槽位填充
用户说“我要买基金”，系统识别意图为“基金申购”，但缺少“基金名称”和“金额”两个必填实体。此时对话管理模块介入，引导用户补充：“请问您想申购哪只基金？申购金额是多少？”用户回答“买5000块的易方达消费”，系统抽取实体并完成交易前的确认。这一过程中，意图识别和实体抽取需要与对话管理紧密配合，任何一环出错都可能导致交易失败或资金损失。
3.3 对话管理：掌控多轮交互的“交通警察”
核心原理
对话管理（Dialogue Management）负责维护对话状态、决定下一步动作。在金融助手中，对话管理需要处理用户中途改变话题、否定之前输入、同时咨询多个产品等复杂情况。例如用户说“先查余额，再帮我看看最近有什么好的理财”，对话管理需要维护一个状态栈，先完成余额查询，再切换到理财推荐。对话管理通常分为基于规则的有限状态机（FSM）和基于深度学习的端到端模型两种实现方式。金融场景出于稳定性和可审计性要求，多采用FSM或基于框架（Frame-based）的对话管理。
判断方法与操作流程
评估对话管理系统的核心指标是“任务完成率”和“平均对话轮数”。操作流程上，建议先梳理出所有可能的用户对话路径，形成状态转移图，再针对每个状态定义系统动作。例如：
- 用户输入 → 意图识别 → 判断是否缺槽位
- 缺槽位 → 系统提问 → 用户补充 → 槽位填充
- 槽位齐全 → 调用后端API → 返回结果 → 用户确认
- 用户否定 → 回到槽位填充状态 → 重新询问
案例拆解：银行APP中的“转账”流程
某银行AI助手在转账场景中，初始设计为“一步到位”式，即要求用户一次性说出“转账给XX，金额XX元”。但实际用户往往分步表达：“帮我转钱给张三”、“转2000块”。系统无法处理这种渐进式输入，导致大量失败。优化后，对话管理采用“槽位逐个确认”策略，每获取一个实体就向用户复述确认，最终任务完成率从68%提升至92%。这一案例说明，对话管理必须基于真实用户行为数据持续迭代，而非仅依赖产品经理的假设。
3.4 RAG与大模型微调：提升金融专业能力的双引擎
核心原理
RAG（Retrieval-Augmented Generation，检索增强生成）是一种将信息检索与文本生成相结合的技术。当用户提问时，系统先从知识库中检索相关文档片段，再将检索结果与用户问题一起输入大模型，生成最终回答。大模型微调（Fine-tuning）则是在预训练模型的基础上，使用金融领域数据进一步训练，使模型掌握金融术语、合规要求和业务逻辑。两者的核心区别在于：RAG不改变模型参数，而是通过外部知识增强回答；微调则直接修改模型权重。
判断方法与操作流程
选择RAG还是微调，需要根据具体场景判断：
| 维度 | RAG | 大模型微调 |
|---|---|---|
| 知识更新频率 | 高（实时更新知识库） | 低（需重新训练） |
| 回答可解释性 | 高（可引用检索来源） | 低（黑盒） |
| 合规审计难度 | 较低（可追溯） | 较高 |
| 初始成本 | 中（需搭建向量数据库） | 高（需算力与数据标注） |
| 适用场景 | 产品说明书、政策解读、实时行情 | 固定话术、风格统一、专业术语生成 |
实战场景：理财产品的合规问答
某基金公司需要AI助手回答关于“基金风险等级”的问题。使用RAG方案，将基金合同、招募说明书、风险揭示书等文档向量化存入知识库。当用户问“这只基金的风险等级是什么？”系统检索到对应文档片段，生成回答并附上来源页码。这种方式既保证了准确性，又满足了合规审计要求。而如果使用微调方案，则需要准备大量“问题-答案”对进行训练，且每次产品更新都需要重新微调，成本较高。
3.5 API与SLA：工程交付与服务保障
核心原理
API（Application Programming Interface，应用程序接口）是AI金融助手与外部系统（如银行核心系统、基金交易系统、行情数据源）交互的标准方式。API定义了请求格式、响应格式、错误码和鉴权方式。SLA（Service Level Agreement，服务等级协议）则是服务提供方与使用方之间关于服务质量的正式约定，通常包含可用性、响应时间、吞吐量、错误率等指标。在金融领域，SLA不仅是技术指标，更是合规要求的一部分。
判断方法与操作流程
设计API时，需要遵循以下流程：
- 梳理业务能力，确定API边界（如“查询账户余额”、“发起转账”）
- 定义请求/响应数据结构（JSON或Protobuf）
- 设计鉴权机制（OAuth2.0、、双向TLS）
- 制定错误码规范（如40001表示“余额不足”）
- 编写API文档并设置沙箱环境供联调
SLA的制定则需要明确以下关键参数：
- 可用性：如99.9%的月度可用性，意味着每月停机时间不超过43分钟
- 响应时间：如P95响应时间小于500ms
- 吞吐量：如每秒支持100笔交易查询
- 错误率：如5xx错误率低于0.1%
实战场景：行情数据API的SLA设计
某金融科技公司为AI助手提供实时行情API。初始SLA设定为“可用性99.9%”，但未对“数据延迟”做出约定。上线后发现，虽然API始终可用，但行情数据延迟达到30秒，导致AI助手给出的投资建议严重滞后。用户投诉后，公司在SLA中增加了“数据延迟不超过5秒”的指标，并建立了监控告警机制。这一案例说明，SLA必须覆盖业务真正关心的维度，而非仅关注技术层面的可用性。
3.6 术语间的协同与项目落地建议
在AI金融助手的实际项目中，这八个术语并非孤立存在，而是构成了一条完整的技术链路：用户输入自然语言 → NLP进行基础处理 → 意图识别与实体抽取提取结构化信息 → 对话管理维护多轮状态 → RAG或微调后的模型生成回答 → 通过API调用后端系统执行操作 → 全程以SLA为质量标尺。任何一环的薄弱都会影响整体体验。
建议项目团队在启动初期就建立术语表，并组织跨部门培训，确保产品、研发、测试、运营、合规团队对术语的理解一致。同时，在技术选型时，应优先考虑成熟稳定的方案，而非盲目追求新技术。例如，在对话管理上，如果业务场景相对固定，FSM可能比端到端模型更可靠；在模型增强上，如果知识更新频繁，RAG通常优于频繁微调。