如何通过 LangChain 将 MUFG 银行的销售效率提升 10 倍

三菱日联金融集团 (MUFG Bank) 是日本最大的银行，也是世界领先的金融机构之一。他们为主要企业客户提供资本市场解决方案，并促进全球经济增长。

问题：解决企业销售的数据过载问题

在 MUFG 银行的全球资本市场部门，外汇及衍生品销售团队面临着一个关键挑战。外汇及衍生品销售团队成员需要收集和分析大量的企业数据，以便创建引人注目的客户演示文稿——从 10K 报告到市场数据，再到财务披露。这是一个耗时的过程，并且依赖于技能（初级成员通常需要额外的指导和帮助），这限制了效率。

为了应对这些挑战，MUFG 的 AI/ML 团队利用生成式 AI (GenAI) 来简化数据消化并自动化演示材料的创建。他们的目标是使销售团队能够快速获得洞察力，减少人工负担并确保更有效的客户互动。

解决方案：使用 LangChain 进行检索和摘要

为了改进外汇及衍生品销售团队的客户研究流程，MUFG AI/ML 团队实施了两个关键步骤

1) 数据提取和摘要

年度报告通常长达 100-200 页，但只有一小部分包含与销售团队相关的见解。通过使用 LangChain，MUFG 开发了一个系统来高效地提取关键财务数据——他们实施了微调的提示工程和检索增强生成 (RAG)，以便为销售团队呈现最相关的部分。

2) 自动生成演示文稿

外汇及衍生品销售团队需要根据提取的见解定制演示文稿。为了确保这些见解具有可操作性，AI/ML 团队实施了少样本提示技术和逐步指导，帮助外汇及衍生品销售专业人员——即使是那些经验有限的人员——快速分析财务机会并提供结构化的建议。

这使销售团队能够评估利率风险，识别潜在的外汇衍生品购买，并提出区域货币定位策略。

生产 RAG 应用程序现在作为企业销售团队的知识共享工具，简化了内部文档和交易想法的搜索。

影响：将销售流程效率提升 10 倍

采用 LangChain 驱动的 GenAI 为 MUFG 的企业销售团队带来了显著的改进。具体而言，分析企业客户数据和生成演示材料的过程已从数小时缩短至仅 3-5 分钟。

以前，只有经验丰富的销售人员才能手动生成富有洞察力的演示文稿。有了新系统，现在数百名销售专业人员可以获得相同水平的智能，从而使获得定制化财务建议的企业客户数量增加了 10 倍。

这些效率提升也已开始转化为切实的业务成果，交易执行时间在过去六个月中有所缩短。

幕后揭秘：LangChain 如何助力 MUFG 取得成功

MUFG AI/ML 团队在以下两个阶段受益于 LangChain 编程库

研发/PoC 阶段

MUFG AI/ML 团队选择了 Python 版本的 LangChain，并构建了一个简单的聊天和 RAG 应用程序。LangChain 与 Streamlit 集成良好，使他们能够轻松管理对话历史记录并实现交互式应用程序。这使他们能够快速开始实验，收集销售人员的反馈并迭代改进。此外，得益于 Retriever 接口，他们能够在几个特定的向量数据库和搜索引擎之间切换，从而以较低的实施成本比较和验证准确性。

开发/生产阶段

MUFG 团队切换到 TypeScript 版本的 LangChain，以便通过 Next.js 实现更可持续和安全的应用程序。该界面与 Python 版本几乎相同，确保了平稳过渡。此外，Runnable Lambda 使他们能够根据需要动态更改内容过滤器和目标索引，并使他们能够在自定义 RAG 链中调用它。