保险理赔 Agent¶

项目背景与目标¶

保险理赔是保险服务的核心环节，传统理赔流程面临材料繁琐、人工审核慢、定损标准不一、欺诈风险高等问题。客户体验差且运营成本高。基于 AI Agent 的智能理赔系统可以实现报案受理、材料识别、条款匹配、理赔计算、欺诈筛查的全流程自动化，将车险小额案件从数天压缩到分钟级赔付。

本项目目标是构建一个保险理赔 Agent，支持车险、医疗险、意外险、财产险等多险种，输出理赔决策（赔付/拒赔/调查）与计算明细，保证合规、反欺诈、可解释。

需求分析¶

输入材料：报案信息、事故照片、医疗发票、病历、维修清单、警方证明、保单 核心能力： 1. 材料智能识别与分类（OCR + 图像识别） 2. 保单条款匹配（保险责任、免赔额、赔付比例、限额） 3. 理赔金额计算（按条款公式精确计算） 4. 欺诈筛查（事故真实性、过度医疗、串通） 5. 决策与结案（通过/拒赔/转调查） 6. 客户沟通与进度通知

业务约束：医疗险须校验社保目录；车损须对接配件价格库；所有决策可追溯。

技术选型说明¶

模块	技术方案	选型理由
OCR	PaddleOCR + 医疗专用模型	票据/病历识别
图像识别	YOLOv8 + ResNet	车损部位/程度识别
Agent 编排	LangGraph	多险种差异化流程
条款匹配	向量检索 + LLM	保单条款语义匹配
理赔计算	规则引擎 + 公式	精确计算不依赖 LLM
欺诈检测	规则 + 图谱 + 模型	多维识别
后端	Spring Cloud	对接核心业务系统
数据库	MySQL + MinIO	案件数据 + 材料文件

架构设计¶

flowchart TD
    REP[报案受理] --> UP[材料上传]
    UP --> OCR[OCR/图像识别]
    OCR --> CLS[材料分类]
    CLS --> POL[保单查询]
    POL --> AGENT[理赔 Agent]
    AGENT --> MATCH[条款匹配]
    AGENT --> CALC[理赔计算]
    AGENT --> FRAUD[欺诈筛查]
    MATCH --> VEC[(条款向量库)]
    CALC --> RULE[规则引擎]
    FRAUD --> GRAPH[(关联图谱)]
    AGENT --> DEC{决策}
    DEC -->|赔付| PAY[计算赔付额]
    DEC -->|拒赔| REJ[拒赔+原因]
    DEC -->|调查| INV[转调查队列]
    PAY --> SET[结案+通知]

关键模块实现思路¶

模块1：材料识别与分类¶

材料类型多样：医疗发票、费用清单、病历、事故现场照片、驾驶证、维修清单。先用图像分类模型判定材料类型，再调用对应 OCR 模型抽取字段。医疗发票需识别发票号、金额、项目明细、医保统筹金额；车损照片需识别受损部位、损伤程度（划痕/凹陷/破裂）。

def classify_and_extract(image):
    doc_type = classifier.predict(image)  # invoice/photo/medical_record
    fields = ocr_models[doc_type].extract(image)
    fields["doc_type"] = doc_type
    return fields

医疗 OCR 模型需在通用基础上用医疗票据微调，识别准确率要求 > 98%。

模块2：保单条款匹配¶

保单条款自然语言化、晦涩难懂，传统关键词匹配召回低。构建条款向量库（保险责任、免责条款、赔付比例、免赔额、等待期分块向量化），LLM 根据事故情形检索相关条款，再判断是否属于保险责任。

匹配结果须输出条款原文引用，保证可解释。等待期、免赔额等硬约束用规则引擎强制校验，避免 LLM 误判。

模块3：理赔计算¶

理赔金额必须用确定性规则引擎计算，不交给 LLM。计算逻辑示例：

def calc_medical_claim(expenses, policy):
    # 仅社保内用药，扣除免赔额后按比例赔付
    in_plan = sum(e.amount for e in expenses if e.in_plan)
    reimbursable = max(0, in_plan - policy.deductible)
    payout = reimbursable * policy.rate
    return min(payout, policy.limit)

车损计算需对接配件价格库（EPC）与工时费标准，按损伤部位累计。计算结果输出明细（每项费用、扣减项、最终金额），客户可查看。

模块4：欺诈筛查¶

欺诈检测多维度： - 规则层：报案时间异常、事故地点与报案地不符、短期内多次出险 - 图谱层：报案人/驾驶员/修理厂/医院的关联图谱，识别团伙 - 模型层：基于历史欺诈样本训练的异常检测模型

高风险案件转人工调查，调查结论回流为标注数据。欺诈判定须谨慎，避免误伤正常客户。

核心流程详解¶

理赔主流程： 1. 客户报案 → 上传材料（APP/小程序） 2. 材料识别 → 分类抽取字段 3. 查询保单 → 校验有效性（在保、未过等待期） 4. Agent 编排：条款匹配 → 理赔计算 → 欺诈筛查 5. 决策：赔付/拒赔/转调查 6. 赔付：金额计算 → 审核规则（大额转人工）→ 打款 → 结案通知 7. 拒赔：生成拒赔原因（引用条款）→ 通知客户申诉渠道

小额快赔流程： 1. 案件金额 < 5000 且无欺诈标记 → 走快赔通道 2. 自动计算 → 直接结案 → 打款 3. 事后抽检 5%，发现异常回溯

部署与优化建议¶

材料预处理：上传时即时 OCR 预览，减少客户重复上传
模型分级：小额快赔用轻量模型，大额案件用强模型 + 人工复核
配件价格库：定期更新，避免报价偏差引发纠纷
欺诈图谱：跨险种共享关联图谱，识别跨险种骗保
客户沟通：进度实时推送，减少催办电话压力

常见问题与解决方案¶

问题	原因	解决方案
OCR 票据识别错	票据褶皱/遮挡	多角度拍摄 + 置信度过滤
条款匹配漏判	条款表述复杂	条款分块细化 + LLM 复核
配件价格争议	价格库滞后	多源比价 + 4S 店与汽配城分档
欺诈误判	模型过敏感	高风险转人工而非直接拒赔

扩展方向¶

视频报案：客户实时视频连线，AI 辅助定损
健康管理联动：可穿戴设备数据辅助理赔
反欺诈联盟：跨公司共享欺诈黑名单（联邦学习）
预测性理赔：根据伤情预估赔付区间，提前准备资金