# 智能核保助手：基于LLM Agent的保险风险评估原型系统

> 一个面向商业网络保险核保的Agentic原型系统，结合LLM智能体、MCP风格上下文选择、RAG检索、结构化提取和编排逻辑，实现从提交件录入到报价决策的全流程自动化辅助，展示了AI Agent在保险行业垂直领域的应用潜力。

- 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm)
- 发布时间: 2026-05-29T22:16:07.000Z
- 最近活动: 2026-05-29T22:21:52.996Z
- 热度: 163.9
- 关键词: 保险科技, 核保自动化, LLM Agent, RAG, MCP, 风险评估, 商业网络保险, 智能助手, 工作流编排, AI应用
- 页面链接: https://www.zingnex.cn/forum/thread/llm-agent-62fe97ff
- Canonical: https://www.zingnex.cn/forum/thread/llm-agent-62fe97ff
- Markdown 来源: ingested_event

---

## 原作者与来源

- **原作者/维护者**: QiaoJiang123
- **来源平台**: GitHub
- **原始标题**: agentic-underwriting
- **原始链接**: https://github.com/QiaoJiang123/agentic-underwriting
- **发布时间**: 2026年4月创建，2026年5月更新

## 项目背景与行业痛点

商业网络保险核保是一个复杂且劳动密集型的流程。传统模式下，核保员需要花费大量时间处理以下任务：
- 搜索和整理来自多个渠道的提交文件
- 核对经纪人邮件并跟进缺失信息
- 检查所需的证据材料是否齐全
- 审查历史理赔记录
- 应用标准操作流程（SOP）规则
- 解释模型输出结果

QiaoJiang123开发的Agentic Underwriting系统，正是针对这些痛点设计的AI辅助平台。它将分散的核保活动整合到一个统一的工作空间中，让核保员能够按需获取特定数据，从而显著提升效率。

## 系统架构与核心组件

项目采用Python后端（FastAPI）加前端Web界面的架构，实现了完整的端到端核保工作流：

### 核心功能模块

1. **提交件搜索与录入**：支持50个模拟网络保险提交件的选择，提供手动录入、粘贴表单文本提取、多文档自动录入三种方式

2. **提交件工作队列**：显示就绪/审核/转介数量、平均报价就绪度、队列优先级、经纪人上下文和下一步行动建议

3. **全窗口聊天工作区**：包含聊天历史、文档管理、文件选择、指南编辑、笔记记录和文档预览功能

4. **核保系统工作台**：可展开的详细审核界面，包含清算审核、评级报价、外部研究等功能区域

5. **决策工作流门控**：支持报价就绪、转介、报价批准和绑定就绪等决策节点

6. **任务与阶段管理**：保存核保阶段、计划任务、截止日期日历、任务标记和阶段提交锁定

7. **分析仪表板**：包含报价、绑定、What If情景和组合级别的指标分析

### 技术实现亮点

#### MCP风格上下文选择

系统实现了类似MCP（Model Context Protocol）的上下文选择机制。后端检索技能会根据提示词自动决定是否需要拉取以下数据：
- 文档内容
- 分析模型/数据
- 理赔记录
- 经纪人档案
- SOP步骤
- 任务和阶段状态

这种按需检索的设计避免了将所有上下文一次性加载到LLM中，既节省了token成本，又提高了响应相关性。

#### 多步信息Agent编排

系统实现了正式的多步编排流程：
- **规划器（Planner）**：决定需要执行哪些工具
- **工具执行循环**：按规划执行检索操作
- **置信度检查**：评估检索结果是否充分
- **重试扩展**：在置信度不足时自动扩展查询
- **Agent追踪持久化**：记录完整的执行轨迹供审计

#### 权限感知的Agent技能

项目实现了完整的权限系统，包括用户、角色、权限、提交件范围等概念。信息Agent会在执行检索前检查当前用户是否具备所需权限，确保数据访问的安全性。

## 数据模型与存储设计

项目使用JSON文件和文件夹作为数据存储（演示用途），展示了完整的数据布局设计：

### 核心数据实体

- **提交件元数据**：存储在`data/submissions/<id>/metadata.json`，包含文档元数据、关键事实、时间线、风险标记和开放问题
- **聊天历史**：按提交件隔离存储，支持多轮对话上下文
- **指南与笔记**：核保员提供的系统指令和地面真实上下文
- **任务与阶段**：支持计划任务和保存的核保阶段检查点
- **理赔记录**：模拟理赔系统记录，与核保工作台关联
- **经纪人数据库**：可复用的经纪公司、联系人、关系和投放指标

### 模型治理与可解释性

系统包含模型治理注册表，记录：
- 模型批准状态
- 预期用途
- 限制条件
- 监控指标
- 覆盖策略
- 必需的核保员控制

所有模型输出都附带来源引用，显示检索到的上下文，增强了决策的可解释性。

## 业务价值与影响模型

项目文档中提供了详细的业务价值计算框架，展示了预期的ROI：

### 核心价值杠杆

| 影响杠杆 | 计算公式 | 示例假设 | 示例年度价值 |
|:---|:---|:---|:---|
| 核保生产力 | 年度提交件 × 单件节省小时 × 小时成本 | 3000 × 0.75 × $95 | $213,750 |
| 返工减少 | 年度提交件 × 返工率降低 × 返工小时 × 小时成本 | 3000 × 10% × 0.8 × $95 | $22,800 |
| 更快跟进带来的绑定提升 | 年度提交件 × 报价率 × 绑定率提升 × 平均保费 × 边际贡献 | 3000 × 55% × 2% × $18,000 × 25% | $148,500 |
| 损失泄漏减少 | 绑定保单 × 平均保费 × 损失率改善 | 550 × $18,000 × 1.0% | $99,000 |
| **总 modeled 年度价值** | 上述总和 | | **$484,050** |

### ROI计算示例

假设年度平台成本为$120,000，则ROI为：
```
($484,050 - $120,000) / $120,000 = 303%
```

作者强调这些是规划假设而非实测结果，实际试点中应替换为观察到的基线和上线后指标。这种诚实的价值声明方式值得赞赏。

## 目标用户与使用场景

### 主要用户群体

1. **网络保险核保员**：需要更快的账户分类、证据审查和报价就绪检查
2. **核保助理**：收集文档、维护任务状态、准备经纪人跟进
3. **核保经理**：需要一致的SOP应用、可审计性和组合可见性
4. **面向经纪人的团队**：需要清晰、有针对性的请求而非通用缺失信息邮件

### 高价值工作流

- **新提交件录入**：上传多文档、提取草稿字段、创建提交件文件夹、保留源文件
- **证据完整性审查**：对照所需网络保险文档和SOP元数据检查提交件
- **核保问答**：为每个提示词检索相关文档、笔记、指南、理赔、经纪人记录、模型、任务、阶段或SOP步骤
- **经纪人跟进**：起草针对缺失证据、控制不确定性、理赔问题和SOP要求的有针对性的问题
- **报价和绑定支持**：显示概率输出、瀑布驱动因素、What If情景和补充网络风险模型

## 当前限制与未来方向

### 演示版本限制

作者明确列出了当前原型的限制：

1. **数据存储**：使用JSON文件和文件夹而非生产数据库
2. **模拟数据**：理赔、经纪人、模型和组合记录均为演示数据
3. **演示模型**：逻辑回归和GLM工件是演示模型，非批准的生产模型
4. **PDF/文本提取**：故意简化，生产环境需要强化OCR、扫描文档和文档分类
5. **最终决策**：应保持人工所有，模型输出仅作为决策支持

### 潜在改进方向

- 迁移到生产级数据库（PostgreSQL等）
- 集成真实的理赔系统和经纪人数据库
- 强化文档提取管道
- 添加更复杂的模型治理和监控
- 支持更多保险产品线（不仅是网络保险）

## 实际应用价值与启示

### 垂直领域AI Agent的范例

该项目是AI Agent在特定垂直领域（保险核保）应用的优秀范例。它展示了如何将通用LLM能力通过精心设计的上下文选择、RAG检索和编排逻辑，转化为特定业务场景的生产力工具。

### 复杂工作流的Agent设计模式

项目的多步编排设计（规划器→工具执行→置信度检查→重试扩展）为复杂工作流的Agent实现提供了可复用的模式。这种结构化的Agent设计比简单的单步LLM调用更适合生产环境。

### 人机协作的最佳实践

系统始终坚持"最终决策保持人工所有"的原则，模型输出仅作为决策支持。这种人机协作的务实态度，是AI在企业级应用中获得接受的关键。

### 业务价值量化方法

项目提供的ROI计算框架，展示了如何将AI系统的价值转化为可量化的业务指标。这种价值论证方式对于推动AI项目获得预算和支持至关重要。

## 总结与核心要点

Agentic Underwriting是一个设计精良的保险核保AI助手原型，展示了如何将LLM Agent技术应用于复杂的业务流程自动化。其核心创新在于MCP风格的上下文选择和多步编排机制，这些设计使得系统能够在保持响应质量的同时控制成本。

对于希望构建类似垂直领域AI应用的开发者，关键学习点包括：
1. 复杂业务工作流的Agent编排模式
2. 按需检索的上下文选择策略
3. 权限感知的数据访问设计
4. 模型治理和可解释性的实现
5. 业务价值量化的方法论

项目的详细文档和完整的数据布局设计，为保险科技和AI应用开发者提供了宝贵的参考。