“周志”这个词，最初看到时我以为是某位同事的名字，后来才知道这是一个贷后管理项目的代号，也可以理解为“周度业绩日志”的简称。项目并不复杂，但有一个很有代表性的矛盾：流程本身非常成熟，话术模板、客户分级、催收节奏、日报汇总，每一个环节都有固定做法，可真正执行起来却极其依赖人工。每天打开Excel登记客户、翻模板改沟通话术、打几十通电话后凭记忆补录记录、下班前再手动汇总数据写日报——这些事情占掉了一大半的精力，真正需要人决策的部分反而没时间想。
这篇博客就围绕一个真实可落地的场景展开：用华硕弘道AI笔记本作为运行底座，把“客户导入 → 自动分级 → 话术生成 → 通话复盘 → 周报输出”这条催收工作流完整搭建起来。需要先给出一个明确判断：这类AI PC真正带来的不是硬件性能上的简单升级，而是把大模型从云端搬到了本地方案里，让催收这类高敏感业务可以在数据不出本机的前提下，跑起一套自己的AI工作流。
全文会分成四个部分来看：先讲清楚为什么催收业务需要AI工作流、AI工作流和传统流程引擎有什么区别；然后在华硕弘道AI笔记本上部署本地大模型环境；接着用一个完整示例把催收工作流的每一个环节用代码落实；最后给出常见问题、合规边界和工程建议。整个过程不涉及复杂架构，一台AI笔记本加几个Python脚本就能跑通。
1. 这篇文章真正要解决的问题
先聊聊为什么催收团队特别需要AI工作流。
传统催收流程表面上是一套“标准化动作”：客户逾期后先进入短信提醒阶段，然后电话沟通，再根据客户反馈决定是否寄送函件、是否协商还款方案。但真正干过贷后管理的人都知道，这套标准动作在落地时非常依赖人的经验。客户分级是否准确、话术是否踩到合规红线、通话记录是否完整、每日数据是否及时汇总，稍有不慎就会出问题。
实际中痛点集中在四个环节。第一是客户分级，Excel里几千行数据，要看逾期天数、金额、历史还款行为，纯靠人工筛选分类，效率低而且口径容易不统一。第二是话术生成，虽然公司有统一模板，但不同客户的情况差异很大，一个逾期5天的客户和一个逾期120天的客户，沟通策略完全不一样，每次都要人工去调话术。第三是通话复盘，打完电话要写沟通记录、提取客户承诺还款日期、识别风险客户，这些靠回忆和手打，有时候打完几十通电话再看记录根本记不全。第四是日报汇总，催收员每天下班前要整理当天联系了多少人、有效沟通多少人、承诺还款多少笔，这些统计数据手动统计既费时间又容易出错。
AI工作流能改变的，正是这四个低效环节。它的核心不是“无人化”，而是“把AI能力嵌入到业务流程的每一个步骤里”：让AI做分类、起草、摘要、汇总，让人类做判断、审核、决策。过去要实现这种效果，要么买一套昂贵的业务系统，要么自己搭服务器部署模型，中小团队基本没有这个条件。
华硕弘道AI笔记本这类设备出现以后，门槛被大幅拉低。它搭载的Intel Core Ultra处理器内置了NPU，可以在本地运行大模型，配合Ollama等工具，一台笔记本就能充当AI推理服务器。催收数据不需要上传到任何云端服务，敏感信息始终在本地处理。也就是说，中小催收团队不需要独立机房，不需要高端GPU服务器，用一台商用AI笔记本就能把工作流跑起来。
什么人适合读这篇文章？如果你正在做贷后管理、金融客服，或者要给团队搭建一套带AI能力的业务辅助工具，这篇文章可以直接作为落地参考。如果你只是对AI PC感兴趣，也可以从中看到一个真实的端侧AI应用场景——不是跑分测试，不是聊天机器人，而是实实在在嵌入业务流的工程实践。
2. 基础概念：AI工作流、端侧AI与商用AI笔记本
“工作流”这个词在技术圈有很多含义。在BPM领域，它往往指流程引擎，比如Flowable、Activiti，强调审批节点、状态流转、任务分配，是一种“流程自动化”工具。但这里要说的AI工作流是另一回事：它以大模型为核心，把业务流程拆解成多个步骤，每一步由AI承担文本生成、分类、摘要、抽取等任务，再由脚本把步骤串起来。
以催收场景为例，传统工作流引擎擅长管理“催收任务从A部门流转到B部门”的审批流程；AI工作流擅长的是“根据客户数据生成一条合规话术”“把一段通话转成结构化记录”“把一周的数据汇总成报告”。前者解决流程管理，后者解决内容生产。两者可以结合，但对于中小团队，先用好AI工作流就能解决大部分效率问题。
再来看端侧AI。端侧AI是指在本地设备上运行AI模型，而不是把数据发送到云端接口。它依赖两个条件：硬件上有足够算力，软件上有推理框架。华硕弘道AI笔记本的思路很明确，用Intel Core Ultra处理器里的NPU承担AI运算，CPU和GPU作为辅助，再配合Ollama这类推理框架，就能在本地运行7B参数级别的开源大模型。跑一个7B模型，量化之后大概占用4到6GB内存，32GB内存的笔记本运行起来没有任何压力。
选择本地模型而不是云端API，对催收业务有非常现实的意义。催收数据涉及客户姓名、电话、欠款金额、还款行为，属于敏感个人信息。按照个人信息保护的要求，这类数据在上传外部服务之前必须做严格评估。本地部署意味着数据从头到尾不出这台电脑，合规压力小很多。另外，催收团队经常需要批量生成话术，如果按API调用次数付费，每天几百次调用也是一笔不小成本；本地部署只有电费，没有按量计费的问题。
华硕弘道AI笔记本在整个方案里扮演的角色，可以理解为一个“端侧AI工作站”。它不需要连接外网调用模型，不需要把业务数据传到第三方平台，所有处理都在本地完成。它内置的“AI专属键”可以一键唤起AI助手，快速完成文档处理、会议摘要、内容总结等日常任务；配合AI视频会议、AI降噪等功能，在团队远程同步场景下也比较实用。不过，文章的核心还是把它当作工作流的运行底座，用代码把流程真正跑通。
下面用一张表来对比传统工作方式和AI工作流的差异：
| 环节 | 传统做法 | AI工作流做法 | 时间对比（以千条数据为例） |
|---|---|---|---|
| 客户分级 | 人工在Excel里筛选、判断 | 脚本自动清洗数据并调用模型分类 | 数小时 → 数分钟 |
| 话术生成 | 复制模板、逐条修改 | 模型按客户画像生成个性化话术 | 半小时 → 5分钟 |
| 通话记录 | 打完电话后手工录入 | 模型根据通话文本生成结构化摘要 | 1小时 → 5分钟 |
| 数据汇总 | 手动统计、粘贴进Excel | 脚本自动聚合生成Markdown报告 | 半小时 → 即时 |
3. 需求设计与工作流整体方案
在写代码之前，先把整个催收工作流的需求拆清楚。这个项目叫“周志”，我们把它定义成一个以周为周期运行、自动生成“业绩日志”的贷后管理辅助工作流。它的输入是一堆客户数据，输出是一份周报和一批可执行的催收任务。
流程分成五个环节。
第一个环节是数据导入。催收团队每天会从业务系统导出一份客户清单，包含客户ID、姓名、手机号、欠款金额、逾期天数、最近还款日期等字段。这份Excel数据质量参差不齐，有的字段是空值，有的日期格式不统一，需要先做清洗。
第二个环节是客户分级。按照逾期天数、欠款金额、历史联系情况，把客户分成A到D四个等级。不同等级的客户对应不同的催收频率和沟通策略。分级规则可以写死在脚本里，也可以用AI模型来做辅助判断，但为了稳定性和可解释性，建议先用规则处理，规则覆盖不了的边界情况再交给模型。
第三个环节是话术生成。这是整个工作流中AI价值最明显的部分。给模型传入客户等级、逾期天数、欠款金额、历史沟通记录摘要，让它生成一段合规的沟通话术。关键约束是：不能出现威胁性语言、不能泄露债务信息给第三方、必须包含还款方案引导。模型生成之后，必须由催收员审核再使用。
第四个环节是通话复盘。电话沟通结束后，催收员把通话转写的文本粘贴到一个文本文件里，脚本调用本地模型生成结构化摘要，包括客户还款意愿、承诺还款金额、承诺还款日期、风险提示。这个环节在很多团队里是纯手工完成的，AI的提效作用最直接。
第五个环节是报表输出。脚本汇总本周的分级结果、通话记录、承诺还款情况，生成一份Markdown格式的周报，方便团队负责人快速查看整体进展。周报只需要编写，不需要用邮件系统自动发送，减少系统对接成本。
整个工作流的角色设计是：AI负责清洗、分类、起草、摘要、汇总；人类负责导入数据、审核话术、执行电话沟通、确认最终方案。人不被AI替代，但重复劳动被显著压缩。
4. 环境准备：在华硕弘道AI笔记本上部署本地AI环境
本节开始进入实操。先说明一下：以下版本和命令以当前主流的开源工具链为例，实际操作中版本会有更新，本文的重点是演示通用思路，版本号不必纠结，只要保证兼容性即可。
4.1 硬件与系统要求
- 操作系统：Windows 11 或 Ubuntu 22.04 均可以。
- 处理器：Intel Core Ultra系列（带NPU），华硕弘道B系列、B9等商用机型均可。
- 内存：建议16GB以上，32GB更稳妥。
- 硬盘：建议固态硬盘，预留至少20GB空间存放模型文件。
- 网络：首次下载模型需要联网，之后日常运行可以完全离线。
需要特别说明：“NPU”是什么？它是神经处理单元，专门用来加速AI推理计算的芯片。在Intel Core Ultra处理器上，NPU可以和CPU、GPU协同工作，跑大模型推理时能降低CPU占用和整机功耗。在接下来的示例中，我们用CPU也能跑，但NPU的存在让推理更顺滑、续航更好。
4.2 安装Ollama并下载模型
Ollama是目前最简单易用的本地大模型运行工具，支持Windows和macOS。到官网下载安装包，安装完成后打开命令行工具，执行下面的命令：
ollama --version确认安装成功之后，拉取一个适合文本生成的开源模型。对于催收话术生成这类任务，Qwen2.5 7B是一个不错的选择，中文能力强、显存占用适中：
ollama pull qwen2.5:7b这个模型的大小约为4GB到6GB，下载时间取决于网速。下载完成以后，可以做一次最简单的验证：
ollama run qwen2.5:7b "请用一句话说明什么是催收"如果模型能正常输出中文内容，说明本地推理环境已经就绪。
4.3 安装Python依赖
工作流脚本用Python编写，需要安装以下几个库。建议使用虚拟环境，避免和系统环境冲突：
mkdir -p weekly-collection-workflow && cd weekly-collection-workflow python -m venv venv source venv/bin/activate # Windows下执行 venv\Scripts\activate pip install pandas openpyxl requests各库的作用：
| 库名 | 用途 |
|---|---|
| pandas | 读取和清洗Excel客户数据 |
| openpyxl | pandas读写Excel所需的引擎 |
| requests | 调用Ollama本地API |
4.4 验证本地API
Ollama启动后默认在本地11434端口提供HTTP API。可以用一条命令验证API是否可用：
curl http://localhost:11434/api/generate -d '{ "model": "qwen2.5:7b", "prompt": "你好", "stream": false }'如果返回的JSON里包含response字段，说明API就绪。Python脚本后续会通过这个接口调用本地模型。
5. 核心实现：从脚本到工作流
环境准备好以后，开始编写工作流的核心脚本。整个代码按模块拆分成四个文件，每个文件对应一个环节，职责清晰，方便单独调试。
weekly-collection-workflow/ ├── prepare_data.py # 环节1：数据清洗与客户分级 ├── gen_talk.py # 环节2：话术生成 ├── gen_summary.py # 环节3：通话摘要与待办提取 ├── gen_report.py # 环节4：周报生成 ├── data/ │ ├── customers.xlsx # 客户数据（演示用） │ ├── calls/ # 通话转写文本存放目录 │ └── output/ # 输出目录5.1 数据清洗与客户分级
第一个文件prepare_data.py，负责读取Excel客户数据，完成基础清洗，然后按规则把客户分成A到D四个等级。
分级规则设计如下：
| 等级 | 条件 | 策略建议 |
|---|---|---|
| A（高优） | 逾期天数 >= 90 或 欠款金额 >= 50000 | 电话+函件，2天内必联 |
| B（中优） | 逾期天数 >= 30 且 < 90 | 电话为主，3天内必联 |
| C（关注） | 逾期天数 >= 7 且 < 30 | 短信+电话提醒 |
| D（常规） | 逾期天数 < 7 | 短信提醒即可 |
# 文件路径：weekly-collection-workflow/prepare_data.py import pandas as pd from datetime import datetime INPUT_FILE = "data/customers.xlsx" OUTPUT_FILE = "data/output/customers_classified.xlsx" def classify_customer(row): overdue_days = row.get("overdue_days", 0) amount = row.get("amount", 0) if overdue_days >= 90 or amount >= 50000: return "A" elif overdue_days >= 30: return "B" elif overdue_days >= 7: return "C" else: return "D" def main(): df = pd.read_excel(INPUT_FILE, engine="openpyxl") # 基础清洗：日期列转为标准格式，欠款金额转成数值 df["last_payment_date"] = pd.to_datetime(df["last_payment_date"], errors="coerce") df["amount"] = pd.to_numeric(df["amount"], errors="coerce").fillna(0) df["overdue_days"] = pd.to_numeric(df["overdue_days"], errors="coerce").fillna(0) # 删除关键字段为空的行 df = df.dropna(subset=["customer_id", "customer_name", "mobile"]) # 客户分级 df["level"] = df.apply(classify_customer, axis=1) # 按等级和逾期天数排序，方便催收员优先处理高优客户 level_order = {"A": 0, "B": 1, "C": 2, "D": 3} df["level_order"] = df["level"].map(level_order) df = df.sort_values(["level_order", "overdue_days"], ascending=[True, False]) df = df.drop(columns=["level_order"]) # 输出 df.to_excel(OUTPUT_FILE, index=False, engine="openpyxl") print(f"处理完成，共 {len(df)} 条客户数据，输出到 {OUTPUT_FILE}") # 打印分级统计 print(df["level"].value_counts().to_string()) if __name__ == "__main__": main()关键逻辑说明：
pd.to_datetime和pd.to_numeric用于清洗数据，避免脏数据导致后续脚本报错。- 分类函数用规则实现，逻辑简单、结果可解释，方便团队统一口径。
- 输出前按等级和逾期天数排序，催收员直接打开Excel就能从最紧急的客户开始处理。
运行方式：
python prepare_data.py预期输出：
处理完成，共 1000 条客户数据，输出到 data/output/customers_classified.xlsx A 120 B 280 C 420 D 1805.2 调用本地大模型生成合规话术
第二个文件gen_talk.py，读取步骤5.1生成的客户分级结果，为指定客户生成一条合规沟通话术。
这里需要设计一个合理的提示词。提示词对输出质量的影响非常大，尤其要强调合规边界。我们给模型传入客户等级、逾期天数、欠款金额和一个“合规要求”，让它输出一段口语化、有温度、不含威胁语的沟通话术。
# 文件路径：weekly-collection-workflow/gen_talk.py import json import requests import pandas as pd OLLAMA_URL = "http://localhost:11434/api/generate" MODEL_NAME = "qwen2.5:7b" # 不同客户等级的沟通重点 LEVEL_GUIDE = { "A": "客户逾期较久或金额较大，需要明确还款方案和逾期后果，但语气必须冷静、专业，不得威胁或辱骂。", "B": "客户属于中期逾期，需要了解逾期原因，引导客户提出明确的还款计划。", "C": "客户刚逾期不久，重点是提醒还款并确认客户是否遇到困难。", "D": "客户逾期时间短，主要以友善提示为主，避免造成心理压力。", } def generate_talk(level, overdue_days, amount, customer_name): guide = LEVEL_GUIDE.get(level, "") prompt = f"""你是一名银行贷后管理客服，需要给逾期客户打电话沟通还款事宜。 客户信息如下： 姓名：{customer_name} 逾期天数：{overdue_days}天 欠款金额：{amount}元 客户等级：{level} 沟通要求： {guide} 请生成一段开场白和核心沟通话术，要求： 1. 语气温和、专业，不得出现威胁、恐吓、辱骂词汇； 2. 向客户说明逾期状态，并主动询问逾期原因； 3. 引导客户说出可承受的还款金额和还款时间； 4. 不泄露客户隐私，不提及其他第三方； 5. 字数控制在150字以内。 """ payload = { "model": MODEL_NAME, "prompt": prompt, "stream": False, "temperature": 0.7, } resp = requests.post(OLLAMA_URL, json=payload, timeout=120) resp.raise_for_status() data = resp.json() return data["response"].strip() def main(): df = pd.read_excel("data/output/customers_classified.xlsx", engine="openpyxl") # 取前3条客户作为示例，实际可以处理所有行 sample = df.head(3) for _, row in sample.iterrows(): print("=" * 50) print(f"客户：{row['customer_name']}，等级：{row['level']}，逾期：{row['overdue_days']}天") print("-" * 50) talk = generate_talk( level=row["level"], overdue_days=row["overdue_days"], amount=row["amount"], customer_name=row["customer_name"], ) print(talk) if __name__ == "__main__": main()运行之前，确保Ollama已经在后台运行。如果Ollama没有启动，调用requests.post会直接报连接错误。
运行方式：
python gen_talk.py预期输出（示例，模型输出会有差异）：
================================================== 客户：张三，等级：A，逾期：120天 -------------------------------------------------- 您好，请问是张三先生吗？我是XX银行贷后管理部门的客服人员。今天联系您，是想和您确认一下您名下一笔贷款已经逾期120天的情况。我们理解您可能遇到了一些困难，所以想了解一下具体原因。这个逾期状态如果持续下去，会对您的个人信用记录产生比较明显的影响。您方便和我聊一下目前的情况吗？如果压力比较大，我们可以一起商量一个您能承受的还款方案。这里有一个很重要的提醒：模型生成的内容只能作为参考草稿，必须在人工审核确认之后才能使用。原因是任何大模型在业务场景中都可能出现幻觉，比如编造还款政策、承诺不存在的减免方案。这一步省不了。
5.3 通话记录摘要与待办提取
第三个文件gen_summary.py，处理催收员通话后的复盘环节。催收员把通话转写的文本保存成一个txt文件，脚本读取后调用本地模型生成结构化摘要，包括客户还款意愿、承诺还款日期、风险提示、下一步待办。
# 文件路径：weekly-collection-workflow/gen_summary.py import json import requests from pathlib import Path OLLAMA_URL = "http://localhost:11434/api/generate" MODEL_NAME = "qwen2.5:7b" CALLS_DIR = Path("data/calls") OUTPUT_DIR = Path("data/output/summaries") OUTPUT_DIR.mkdir(parents=True, exist_ok=True) def summarize_call(call_text: str) -> str: prompt = f"""你是一名贷后管理团队的助理，需要把一段电话录音的转写文本整理成结构化沟通摘要。 通话文本如下： {call_text} 请从以下维度输出： 1. 客户当前还款意愿：高/中/低 2. 客户承诺还款金额：元 3. 客户承诺还款日期：具体日期或未承诺 4. 客户逾期的主要原因 5. 风险提示（例如客户失联、拒绝沟通、情绪激动等） 6. 下一步建议动作 要求：简洁、客观，不要主观编造，只根据通话文本提取信息。 """ payload = { "model": MODEL_NAME, "prompt": prompt, "stream": False, "temperature": 0.3, } resp = requests.post(OLLAMA_URL, json=payload, timeout=120) resp.raise_for_status() return resp.json()["response"].strip() def main(): # 处理data/calls目录下所有txt文件 for txt_file in CALLS_DIR.glob("*.txt"): call_text = txt_file.read_text(encoding="utf-8") print(f"正在处理：{txt_file.name}") summary = summarize_call(call_text) out_file = OUTPUT_DIR / f"{txt_file.stem}_summary.md" out_file.write_text(summary, encoding="utf-8") print(f"摘要已保存到：{out_file}") print("-" * 50) if __name__ == "__main__": main()通话转写文本从哪里来？催收员使用的电话系统通常提供录音转写功能，导出文本后放到data/calls目录即可。这里给出的示例是验证流程用的，实际操作时需要和团队现有的录音系统做对接。
预期的摘要输出类似这样：
1. 客户当前还款意愿：中 2. 客户承诺还款金额：2000元 3. 客户承诺还款日期：2025-06-15 4. 客户逾期的主要原因：做生意资金周转困难 5. 风险提示：客户表示近期收入不稳定，存在二次逾期风险 6. 下一步建议动作：6月15日前电话确认客户是否完成还款；如未还款，按B类客户标准安排第二次跟进。5.4 自动生成日报和周报
最后一个脚本gen_report.py把前面的处理结果汇总成一份Markdown周报。它读取客户分级结果、通话摘要目录，按照周维度统计关键指标。
# 文件路径：weekly-collection-workflow/gen_report.py import pandas as pd from pathlib import Path from datetime import datetime CLASSIFIED_FILE = "data/output/customers_classified.xlsx" SUMMARY_DIR = Path("data/output/summaries") REPORT_FILE = "data/output/weekly_report.md" def main(): df = pd.read_excel(CLASSIFIED_FILE, engine="openpyxl") total = len(df) level_counts = df["level"].value_counts().to_dict() total_amount = df["amount"].sum() # 统计通话摘要中有承诺还款的客户数量 commitment_count = 0 risk_count = 0 for md_file in SUMMARY_DIR.glob("*_summary.md"): content = md_file.read_text(encoding="utf-8") if "承诺还款金额" in content: commitment_count += 1 if "风险提示" in content and ("失联" in content or "拒绝沟通" in content or "情绪激动" in content): risk_count += 1 now = datetime.now().strftime("%Y-%m-%d %H:%M") lines = [] lines.append("# 催收工作周报") lines.append("") lines.append(f"> 生成时间：{now}") lines.append("") lines.append("## 一、总体数据") lines.append("") lines.append(f"- 本周处理客户总数：{total}") lines.append(f"- 欠款总额：{total_amount:,.2f} 元") lines.append("") lines.append("## 二、客户等级分布") lines.append("") lines.append("| 等级 | 客户数 | 占比 |") lines.append("| --- | --- | --- |") for level in ["A", "B", "C", "D"]: count = level_counts.get(level, 0) percent = count / total * 100 if total else 0 lines.append(f"| {level} | {count} | {percent:.1f}% |") lines.append("") lines.append("## 三、跟进情况") lines.append("") lines.append(f"- 已完成通话摘要：{len(list(SUMMARY_DIR.glob('*_summary.md')))} 条") lines.append(f"- 有承诺还款记录：{commitment_count} 条") lines.append(f"- 有风险提示记录：{risk_count} 条") lines.append("") report = "\n".join(lines) Path(REPORT_FILE).write_text(report, encoding="utf-8") print(f"周报已生成：{REPORT_FILE}") print(report) if __name__ == "__main__": main()运行方式：
python gen_report.py预期输出是一份Markdown格式的周报，可以直接复制到团队文档或企业微信群里。数据汇总部分完全省掉了人工统计。
6. 运行结果与效果验证
整个工作流跑完之后，有两个层面的验证：业务层面是否真正能帮到催收团队，技术层面是否稳定可靠。
从业务角度看，最直观的变化是催收员的工作内容发生了肉眼可见的转移。原来每天要花一两个小时做客户分类和话术修改，现在变成打开Python脚本跑一遍、在输出Excel里筛选高优客户、把生成的话术草稿稍微调整就能用。通话记录从“打完电话再写”变成“粘贴转写文本等AI生成摘要”。数据汇总从下班前手忙脚乱变成一条命令输出周报。
从技术角度看，需要验证以下几点：
- 客户分级是否符合规则。可以随机抽取一些分级结果和人工判断做对比，避免规则写错导致分类偏差。
- 话术生成是否踩线。重点检查生成内容里有没有“再不还钱就起诉你全家”“联系你单位”之类的高风险表述。如果出现，需要修改提示词，增加更强硬的禁止性描述。
- 通话摘要是否准确。摘要里的“承诺还款金额”“承诺还款日期”必须从通话文本中有依据，不能凭空生成。建议抽检一批摘要，核对原文本。
- 脚本运行是否稳定。确认脚本在无人值守下能跑完整个流程，不会因为某一行的脏数据中断。
如果验证中发现AI输出质量不稳定，通常不是笔记本性能问题，而是提示词设计问题。提示词要具体、有约束条件、给出输出格式要求，并且对禁止内容做显式说明。
7. 常见问题与排查思路
在实际搭建过程中，会遇到一些比较典型的问题。下面整理成表格，便于排查。
| 问题现象 | 可能原因 | 排查方式 | 解决方案 |
|---|---|---|---|
| Ollama启动后本地API无法访问 | 服务未启动或端口被占用 | 运行ollama list确认服务状态，`netstat -ano | findstr 11434`查看端口 |
| 首次运行脚本报连接错误 | Python里Ollama URL配置错误 | 检查OLLAMA_URL是否为http://localhost:11434/api/generate | 确认Ollama监听端口，改为实际端口 |
| 模型生成话术出现不合规表述 | 提示词中合规约束不够强 | 输出生成内容，检查是否有威胁、恐吓词语 | 在提示词中增加禁止性描述，如“严禁出现威胁、恐吓、辱骂词汇” |
| Excel中文乱码 | 编码问题 | 检查输入文件编码 | 使用UTF-8编码的CSV，或在pandas中指定encoding='utf-8' |
| 模型推理速度偏慢 | 模型未充分利用NPU，或内存不足 | 打开任务管理器查看CPU/内存占用 | 确认使用ollama run qwen2.5:7b，关掉无关程序，优先用8B以下模型 |
| 通话摘要内容偏离原文 | 提示词过于开放，模型自行发挥 | 对照原始转写文本检查摘要 | 在提示词中增加“只根据通话文本提取信息，不得主观编造” |
| 脚本处理到一半报错 | 客户数据中含异常值 | 查看报错栈定位具体行 | 在清洗步骤增加更多容错处理，如errors='coerce' |
| 周报数据统计为0 | 摘要文件没有生成或读取目录错误 | 检查data/output/summaries目录下是否有文件 | 确认先运行gen_summary.py，再运行gen_report.py |
补充一个容易忽略的问题：如果你在用笔记本电脑的NPU跑本地模型，但Ollama默认可能只用CPU或GPU，不一定自动启用NPU。想要确认实际使用情况，可以观察任务管理器里的NPU占用率，或者查看Ollama的日志。启用NPU的具体方式与Ollama版本和驱动版本有关，不同版本可能略有差异，建议以官方文档为准。这个不做深究也不影响整体流程跑通。
8. 最佳实践与工程建议
到这里，一套能在华硕弘道AI笔记本上跑通的催收AI工作流已经完成了。但现实中真正重要的是把这套东西放到业务里去用，还要用得好、不踩坑。下面给几个工程层面的建议。
8.1 把合规红线写进提示词和审核流程
催收业务最大的风险不是技术风险，而是合规风险。AI生成的话术如果出现威胁、辱骂、泄露债务人信息、骚扰第三人等行为，不仅违反监管规定，还可能带来法律后果。因此，提示词里必须写清楚禁止性要求，业务上必须设置人工审核环节。建议所有AI生成的话术模板都配上“审核人”和“审核时间”字段，做到可追溯。更稳妥的做法是建立一份“违禁词表”，在话术输出后用脚本做一次自动检查，命中违禁词的直接拦截，不允许进入发送环节。
8.2 分级规则优先用确定性逻辑
客户分级这类对准确率要求高的环节，优先使用确定性规则，而不是让AI判断。原因是规则脚本有明确的可解释性：为什么这个客户是A级？因为逾期90天以上。责任人可以去核对规则。如果用AI做分类，虽然也能做，但模型输出不稳定，一旦出错还要花时间解释“为什么模型把这个人分到C级”。更合理的策略是：规则能做的用规则，规则做不了的边界场景再交给AI。话术生成、摘要提取这种没有唯一正确答案的内容生产任务，才适合交给大模型。
8.3 模板和提示词要版本化管理
提示词本质上是业务逻辑的一部分。同一个工作流，话术风格调整、合规要求变化，最终都要改提示词。建议把每一个提示词模板存成独立的文本文件，放在prompts/目录下面，用文件名和修改时间做版本记录。出问题的时候能快速回退到上一版。不要让提示词散落在代码里。
8.4 数据安全与最小权限
催收客户数据是典型的敏感个人信息。这些数据只应该存储在受控的电脑上，脚本运行过程不做数据外传。Ollama的运行完全本地，这一点已经保障了数据主体不出本机。但还要注意：不要让团队成员随便复制包含客户信息的Excel文件到U盘或网盘；操作数据库时如果涉及更新，要在测试环境验证并保留备份。无论笔记本的AI能力多强大，数据权限管理仍然是底线。
8.5 适度扩展：从脚本工作流到平台化
脚本工作流的好处是轻量、直观、可调试；缺点是当团队人数变多、流程变复杂之后，维护成本会上升。后续可以考虑把脚本串成Dify、n8n这类可视化AI工作流平台，把节点界面化，让业务人员也能参与配置。或者用Flowable等流程引擎把AI能力和任务审批结合起来，做成完整的贷后管理系统。这些都是后续演进方向，但从现在的脚本版开始，已经能明显感受到效率提升。
9. 总结与后续学习方向
回到标题的问题：用华硕弘道AI笔记本搭建催收工作流，到底是什么体验？
体验的核心在于“边界”二字。过去想跑AI工作流，要么把客户数据传到云端API，要么自己买GPU服务器，前者有合规顾虑，后者有成本压力。华硕弘道AI笔记本的出现把这两者都解决了：数据留在本机，模型在本地推理，交付形态只是一台商用笔记本加一个Python脚本。它让一个十几人的催收团队也能用上“私有化大模型”，而不需要任何基础设施团队。
从技术实现的角度看，整套工作流其实不复杂。Ollama提供了模型运行环境，Python脚本做了业务编排，华硕弘道AI笔记本提供了算力底座。真正需要花心思的是业务拆解：哪些环节适合交给AI，哪些环节必须由人来判断。这个判断准确了，AI工作流的价值就会自然浮现。
下一步如果继续深入，可以从两个方向走：方向一是把工作流平台化，用Dify、n8n或Flowable把脚本升级成可视化流程，让非技术人员也能调整流程节点；方向二是结合华硕AI助手、AI视频会议这些端侧能力，把会议记录、文档总结也纳入到日常工作流里，让笔记本的AI能力覆盖更多业务场景。
建议先把今天这套脚本在真实的客户数据上跑一遍，用两周时间积累运行反馈，再逐步优化提示词和分级规则。工具本身不是一个解决问题的魔法，真正有效的，是把工具放到一个具体业务流程里持续打磨的过程。
