在政务数字化转型的浪潮中，如何让政务服务更加主动、精准、贴心，一直是政府与技术开发者共同追求的目标。本文聚焦于“用户空间”这一创新服务模式，探讨了如何通过引入大模型技术，突破传统标签体系的局限，实现对用户需求的深度理解和精准推送。

在政务数字化的这几年，我们一直在努力做一件事：服务要主动、要精准、要贴心。

所以，与客户共同推出了“用户空间”。它面向企业和群众，目标很简单——政策、服务、热线，不再靠群众自己找，而是“送上门去”。

但在真正落地过程中，我们发现一个现实的问题：虽然有了平台、有了数据、有了标签，推送却总是不够准。

比如，一个用户可能刚办完一项审批，接下来其实可以直接申请扶持政策，但我们却没能第一时间提示他。另一个用户搜索了“公司注销”，我们却推了“企业成长”的服务上去。

大家的抱怨就一句话：不是我要的，不看。

这不是个例，而是普遍。

那么，问题到底出在哪？有没有更好的解决办法？

我们尝试把目光放到了大模型身上。

01 传统推送：标签体系难以支撑复杂需求

在政务场景中，用户类型复杂、事项流程多样、政策条件细致，仅靠“贴标签”的方式已难以支撑推送逻辑的持续演进。

举个简单的例子：一个用户刚刚完成企业注册，可能需要在规定时限内完成税务登记、社保开户等后续事项，还可能符合特定区域或行业的新办企业补贴。

但这些信息往往被切割在不同的政策口径和事项环节里，若靠标签关联，必须精确覆盖每一层逻辑，而这在人力维护上几乎无法完成。

而对于个人用户，例如一个低保家庭的老人，当他通过空间查看医保缴费情况时，其实也可能同时需要了解民政救助、居家养老服务、康养机构信息等关键信息——传统模型下，这类跨部门、跨主题的潜在需求识别是极为困难的。

这意味着，仅靠人工构建的“标签-服务”体系，很难在复杂、多变、个性化的政务服务场景下，做到真正“送到点上”。

另外还有不同系统之间有不同的标签和规则，并没有形成合力，这也是突破的核心点。

02 大模型的介入：不是替代标签，而是理解关系

大模型的优势，不在于“更强的标签匹配能力”，而在于对用户行为和政务知识之间关系的理解与推演能力。

我们尝试引入大模型技术，作为“理解引擎”，融入当前用户空间的推送机制，主要承担三个核心任务：

一是识别用户意图。不再仅靠标签判断用户“是做什么的”，而是通过其搜索、点击、办理记录等一系列行为，综合判断其当前可能关心的内容。

例如，一个用户频繁查看“残疾证申请”“康复服务”相关信息，模型可以识别出其可能正在准备申请或协助亲属申办残疾人服务，自动关联出所需前置材料、后续事项及相关补贴。

二是解析事项之间的结构化关系。许多政务服务存在“前置-后续”结构，如完成营业执照申请后，才能申请税务登记、刻章备案。模型可以根据用户完成事项的阶段，实时计算其下一个可能关心的流程，主动提示“可办理事项”，同时推荐相关政策。

三是生成更自然的推荐内容。相比传统的“推荐列表”，大模型可根据用户情况，生成带有解释性和引导性的内容。例如：“您已完成企业注册，符合我市新办企业创业资金扶持条件，可在线申请，审核时间约为5个工作日。”——更具引导性，也更容易被用户理解和接受。

这类推送，不再是简单的“信息堆叠”，而是具备“理解上下文”和“个性化提示”的主动服务。

03 实际落地方法：模型接入与数据治理

数据是基础，提示是桥梁，落地是关键

要在政务平台中稳健应用大模型，需要综合考虑技术与合规：

1. 模型部署方式：优先采用政务云/私有化部署，确保用户数据不出本地。例如利用国产大模型（如文心一言、晓悟、山海、盘古等）在政务信创环境中部署secrss.com；也可与云厂商合作，将模型放置于闭环网络，数据仅在受控环境中处理。若需接入开源或商用云端API（如GPT-4），必须评估跨境数据合规风险，并对外部服务进行安全评审。
2. 模型定制与微调：针对政务领域，可对模型进行微调，使其掌握更多政策文本和办事流程。利用政府内部的政策文件库、历史办件描述等（经脱敏）对模型进行训练，让模型熟悉政务专业术语和业务逻辑。还可构建特定知识库，通过检索增强生成（RAG）技术，把最新政策动态及时纳入模型咨询范围。
3. 数据隐私和合规：严格遵守中国《个人信息保护法》《网络安全法》等法规。关键做法包括：用户行为数据采集前做好隐私提示和授权；对日志中涉及的个人敏感信息（姓名、身份证号、联系方式等）进行脱敏或加密；在模型输入层面屏蔽直接暴露的敏感字段。采用访问权限控制、日志审计和安全隔离，防止内部数据滥用。同时，可考虑联邦学习或差分隐私等技术，在多部门协作时降低单侧数据泄露风险。
4. 端到端推送链路设计：建立完整的“用户行为–模型预测–内容生成–推送分发”流程。一般流程为：行为数据收集与分析模块生成用户画像 → 候选事项/政策检索模块筛出相关条目 → 大模型推理模块评估匹配度并生成推送内容 → 推送系统向用户发送通知。模型输出要可追踪，如记录推荐理由和匹配分数，便于后续效果验证和模型优化。
5. 与现有标签体系融合：在继承原有标签规则的基础上，引入大模型作辅助。例如在原有推送触发条件之上，增加模型判断流程：仅对初步匹配的用户推送中，再由模型二次打分确定是否真正符合。长期来看，可逐步用模型能力替换原先粗糙的标签规则，提升自动化水平。

最后的话

回到最初的问题：为什么要做用户空间？

本质上，是希望政务服务从“能办”走向“好办”——不再只是一个一个孤立的事项，而是能串联、能引导、能理解用户需求的整体服务体验。

而大模型的引入，不是为了“炫技”，而是作为一种真正能落地的“能力补足”——让用户少找一点、多懂一点、快走一步。

我们始终相信：技术只是工具，真正有价值的，是技术与公共服务场景深度结合之后带来的体验改变。同时，我们正在持续探索大模型在问答、办事引导、政策解释等方向的应用，让“用户空间”更懂用户，也更贴近生活。

希望带给你一些启发，加油！