政务审批系统的 AI 提效——从人工分类到 LLM 自动分派的工程实践

政务审批系统的 AI 提效——从人工分类到 LLM 自动分派的工程实践一、人工分类不是效率瓶颈一致性和覆盖才是政务审批系统的前端窗口每天接收群众提交的大量材料传统流程由受理人员根据事项清单逐份分类再分发到对应审批科室。表面上看是人工分类太慢但深层次问题是分类不一致同类型材料在不同窗口可能被分到不同科室同一个人相隔几天来办分类结果可能不同。当办件量增长三到五倍覆盖问题更加突出——边缘事项、跨部门联办事项的分类准确率会急剧下降。引入 LLM 做自动分派目标不是取代受理人员而是提供一个稳定的分类基线。模型基于事项库、历史分派记录和政策文本做语义理解将材料按标准事项编码输出。受理人员只需在少数低置信度场景下介入确认。实测数据显示分类一致性从人工的 87% 提升到 98.3%首次分派正确率从 76% 提升到 93.5%人工介入率控制在 8% 以内。二、分派管道设计从自然语言材料到结构化事项编码管道的核心设计原则是分级处理。高置信场景直接自动分派中置信场景提示窗口人员确认一个或两个候选项低置信场景回到传统人工流程。这里置信度不是单一分数而是组合判断模型输出概率、事项相似度、材料完整度和历史分派一致性加权计算。阈值参数通过 AB 测试确定不能拍脑袋。OCR 环节也做了针对性优化。政务材料中常见印章遮挡、表格手写、复印件模糊等问题通用 OCR 的准确率约 82%达不到业务可用。我们在通用 OCR 之上叠加了一个政务材料专用纠错层基于词表事项名称、行政区划、证件类型做后处理准确率提升到 95% 以上。三、Java 后端的分类调度与降级实现下面代码展示分类调度的核心逻辑。每个分派请求都带业务流水号用于全链路追踪和幂等控制。public DispatchResult dispatch(DispatchRequest request, String tenantId) { // 第一步文本提取含 OCR 纠错 ExtractedText text textExtractor.extract(request.attachments(), tenantId); if (text.isEmpty()) { return DispatchResult.rejected(request.bizId(), 无法提取有效文本); } // 第二步LLM 分类含 Prompt 模板和事项库 ClassifyResult classify llmClassifyService.classify(text, tenantId); if (classify.isError()) { // 模型异常降级到规则分类 classify ruleClassifier.classify(text); } // 第三步置信度加权计算 double score confidenceCalculator.calculate( classify.modelProbability(), classify.itemSimilarity(), text.completeness(), historyService.matchRate(request.bizId())); // 第四步按分级策略执行 if (score highThreshold) { // 高置信自动分派 dispatchToDept(classify.itemCode(), request); return DispatchResult.autoDispatched(request.bizId(), classify.itemCode()); } else if (score midThreshold) { // 中置信提示窗口人员确认 return DispatchResult.needConfirm(request.bizId(), classify.candidates()); } else { // 低置信回退人工处理 return DispatchResult.manualRequired(request.bizId(), classify.reason()); } }生产环境中还需要关注模型的延迟分位数。政务窗口场景对响应时间敏感用户在线等待通常不能超过 3 到 5 秒。我们采用了模型调用超时 3 秒的保护策略超时后自动降级到规则分类。同时增加了批量预分派的离线管道对提前上传的电子材料在办事群众到达之前完成分类大幅降低在线压力。四、效果度量与持续优化不是上线就结束AI 分派的度量指标需要分层定义。业务层看首次分派正确率、人工介入率和科室退回率技术层看模型调用成功率、P99 延迟和分类一致性用户层看窗口等待时间和群众满意度。每周生成分派质量报告重点关注三类异常高频退回的事项编码、模型与规则分类结果差异大的材料类型、以及低置信聚类中出现的新事项。Prompt 模板的迭代是持续性的。政务事项会随政策调整而变化事项库需定期同步。我们设置了 Prompt 版本管理每次变更记录变更内容、生效时间和对照组数据。新模板先在 10% 流量灰度 24 小时对比关键指标没有劣化后再全量发布。灰度期间还通过影子模式将新版分派结果写入单独的审计表与线上结果对比分析不实际改变业务流程。对数据安全也需要做专项防护。群众提交的审批材料含大量个人隐私信息LLM 调用前需要脱敏处理。我们实现了字段级脱敏策略姓名只保留姓氏、身份证号只保留前 6 位和末 4 位、电话号码替换为标记位。脱敏后在 LLM 侧看到的都是语义正确的结构化文本而非原始敏感数据。同时建立脱敏规则审计日志记录每条脱敏规则的命中次数和场景分布。五、总结政务审批系统的 AI 分派改造核心是把分类从经验依赖转变为基础的能力基线。分级处理策略平衡了效率和安全性置信度加权避免了单一阈值的误判在线降级和离线预分派保证了可用性。度量指标定义清楚Prompt 管理和数据脱敏前置模型分派才不会沦为演示功能。