做保险理赔异常检测，不只是多表关联，还要先完成数据清洗、规则判断和风险分级，才能产出真正可用的风控分析结果。传统做法通常需要 Python + SQL 配合完成，门槛高、流程长、上手成本也更高。

今天给大家介绍一种更简单的 AI 工作流 方案：

不用写 Python，也不用懂 SQL，直接在本地电脑上完成千万级 XLSX/CSV 电力数据的清洗、关联、列转行分析和结果输出。

通过提示词配置好 AI 工作流 ，可以进一步生成统计结果表与可视化大盘，如下图：

统计出的结果表：

 工作流涉及的主要内部技术：

• 数据清洗技术：通过Python智能体，完成日期格式统一、金额字段转数值、空值填充、险种与出险类型归一化等处理，为后续异常检测提供干净一致的数据基础。
• 数据统计技术：通过 SQL 智能体，基于异常评分表完成 GROUP BY 分组聚合、 SUM/COUNT 汇总、异常案件条件统计、占比计算、 ORDER BY 排名以及按月份的趋势统计，并按风险等级筛选高风险案件明细。
• 本地存储技术：通过 DuckDB + 本地磁盘，支持保险理赔相关 XLSX/CSV 数据在本地完成千万级数据导入、清洗、关联与统计分析。
• 可视化技术：   通过 AI + HTML + ECharts 图表组件，自动生成风险分布、异常率和趋势分析图表。

通过对这些复杂技术的包装，即使没有 Python 和 SQL 基础，也可以完成保险理赔场景下千万级数据的异常检测与风险分析。

接下来我们就来看下这个案例实战：保险理赔异常检测与风险分级分析。

一、案例需求分析

本案例聚焦保险理赔数据的异常检测与风险分级。由于数据分散在多张表中，且日期、金额、险种、出险类型等字段口径不统一，因此需要先完成数据清洗、多表关联和宽表构建。
在此基础上，再基于多条异常规则完成风险判断、分级统计和结果输出。

1、源表数据清洗流程

AI工作流内置了Python Agent，通过提示词就能实现任意清洗逻辑，本案例需要清洗的表和具体逻辑如下：

清洗理赔申请表

• "出险日期""报案日期"统一为 yyyy-MM-dd 格式

• "理赔金额"去除￥符号和千分位逗号

• "出险类型"归一化："车辆碰撞""车祸""碰撞"统一为"车辆碰撞"，"自然灾害""天灾"统一为"自然灾害"

清洗保单信息表

• "生效日期""到期日期"统一为 yyyy-MM-dd 格式

• "保额"去除￥和千分位逗号

• "险种"归一化："车损险""车辆损失险"统一为"车损险"

清洗历史理赔表

• "历史理赔总额"去除￥和千分位逗号

• "历史理赔次数"空值填充为 0

2、最终输出哪些统计结果表

AI工作流内置了SqlAgent， 会通过你描述的统计提示词，翻译成sql进行统计，这个案例会输出4个结果统计表。

• 险种风险统计表 ：以 险种 + 风险等级 为统计维度，统计各险种下不同风险等级的案件数、理赔金额汇总、案件数占比和理赔金额占比，用来观察不同险种的风险分布情况，识别哪些险种的高风险案件更多、风险金额更集中。
• 出险类型异常率表 ：以 出险类型 为统计维度，统计总案件数、异常案件数和异常率，并按异常率降序排序，用来比较不同出险类型的异常表现，识别哪些出险类型更容易出现异常理赔。
• 高风险案件明细表 ：筛选 风险等级 = 高风险 的理赔记录，保留理赔号、保单号、险种、出险类型、报案日期、理赔金额、风险等级、命中异常规则等字段，用来快速定位需要优先审核的重点案件。
• 风险等级月度趋势表 ：以 月份 + 风险等级 为统计维度，统计各月不同风险等级的案件数量变化，用来观察高风险、中风险、低风险案件的月度波动趋势，判断风险分布是否存在阶段性上升或异常变化。

3、业务数据涉及哪些源表

 源表是指直接从业务系统沉淀下来的基础数据，它们保存的是最原始的业务明细，不是最终展示用的统计结果表，而是后续进行数据清洗、多表关联、宽表构建、异常检测和统计分析的基础输入。

本案例共涉及 3 张核心源表：

• 理赔申请表 ：记录理赔号、保单号、报案日期、出险日期、理赔金额、报案人、出险类型等信息，是理赔异常检测的核心业务明细来源。后续可基于这张表完成日期格式统一、理赔金额转数值、出险类型归一化等处理，并作为理赔关联宽表的主体，支撑异常规则判断、风险分级和高风险案件识别。
• 保单信息表 ：记录保单号、投保人、被保人、险种、保额、生效日期、到期日期等信息，是补充保单属性和保障口径的重要维表来源。后续可用于补充险种、保额、生效日期、到期日期等字段，并与理赔申请表按保单号进行关联，为金额异常、时间异常和累计异常等规则判断提供基础信息。
• 历史理赔表 ：记录保单号、历史理赔次数、历史理赔总额等信息，是反映保单历史风险表现的重要来源。后续可基于这张表完成历史理赔总额转数值、历史理赔次数空值填充等处理，并与理赔申请表按保单号进行关联，为频度异常和累计异常判断提供历史参考。

二、工作流提示词整理

在工作流配置之前，需要先把这次业务处理逻辑整理成一份提示词。

这一步的作用，就是先明确 清洗哪些表 、 怎么关联 、 输出哪些报表 。整理好之后，这份提示词就可以作为工作流配置输入，指导后续执行。

这里也需要说明一点： 提示词不一定非要写成固定模板 。只要表达得 清晰 、 明确 、 简洁 ，让人一眼能看懂要做什么、按什么顺序做、最后输出什么结果，就可以了。

本次案例整理出的提示词如下：

整体要求：生成保险理赔异常检测和风险分级报告：

第一步 - 清洗理赔申请表：
1. "出险日期""报案日期"统一为 yyyy-MM-dd 格式
2. "理赔金额"去除￥符号和千分位逗号
3. "出险类型"归一化："车辆碰撞""车祸""碰撞"统一为"车辆碰撞"，"自然灾害""天灾"统一为"自然灾害"

第二步 - 清洗保单信息表：
1. "生效日期""到期日期"统一为 yyyy-MM-dd 格式
2. "保额"去除￥和千分位逗号
3. "险种"归一化："车损险""车辆损失险"统一为"车损险"

第三步 - 清洗历史理赔表：
1. "历史理赔总额"去除￥和千分位逗号
2. "历史理赔次数"空值填充为 0

第四步 - 生成理赔关联宽表：
1. 理赔申请表 关联 保单信息表（按"保单号"匹配），再 关联 历史理赔表（按"保单号"匹配）
2. 新增"报案延迟天数" = 报案日期 - 出险日期
3. 新增"月份"：取"报案日期"的 yyyy-MM，作为后续月度趋势统计口径

第五步 - 生成异常评分表：
1. 基于"理赔关联宽表"，逐行判断是否命中以下异常规则，同一条理赔记录可同时命中多个规则：
    - "金额异常"：理赔金额 > 保额 * 80%
    - "频度异常"：历史理赔次数 >= 3
    - "时间异常"：出险日期距生效日期 < 30天（等待期内出险）
    - "累计异常"：历史理赔总额 + 本次理赔金额 > 保额 * 150%
    - "延迟异常"：报案延迟天数 > 7天
2. 新增"命中规则数"：统计每条理赔记录命中了几条异常规则
3. 根据"命中规则数"新增"风险等级"：命中 3 条及以上为"高风险"，命中 2 条为"中风险"，命中 1 条为"低风险"，命中 0 条为"正常"

第六步 - 生成险种风险统计表：
1. 基于"异常评分表"
2. 按"险种"+"风险等级"分组，统计：案件数、理赔金额汇总、案件数占该险种总案件数比例、理赔金额占该险种总理赔金额比例
3. 输出"险种风险统计表"

第七步 - 生成出险类型异常率表：
1. 基于"异常评分表"
2. 按"出险类型"分组，统计：总案件数、异常案件数（风险等级为"低风险""中风险""高风险"的案件）、异常率 = 异常案件数 / 总案件数，并按异常率降序排名
3. 输出"出险类型异常率表"

第八步 - 生成高风险案件明细表：
1. 基于"异常评分表"
2. 筛选条件：风险等级="高风险"
3. 输出"高风险案件明细表"（含理赔号、保单号、险种、出险类型、报案日期、理赔金额、风险等级、命中的异常规则列表）

第九步 - 生成风险等级月度趋势表：
1. 基于"异常评分表"
2. 按"月份"+"风险等级"分组，统计：各风险等级案件数量趋势
3. 输出"风险等级月度趋势表"

三、落地实现：工作流配置

 工作流是由多个智能体节点组成的，这个案例我们涉及到下面几个智能体：

• 文件助手： 获取磁盘的文件或目录。
• 内容清洗器： 专门用来做数据清洗的，只要输入清洗描述就可以对文件数据进行任意整理。
• 数据入库：将文件数据转成本地数据库，用于后面作SQL统计。
• 表统计： 对本地数据库表进行SQL统计，不需要写sql，只需要统计的描述就可以了。
• 报表导出： 对数据库表进行导出，支持导出csv，xlsx，HTML（可视化显示） 。

根据这几个智能体还有上面描述的提示词，我们就可以完成工作流的配置了。

1. 配置文件助手

”文件助手“ 可以用来获取磁盘上任意的一个或多个文件。打开DT-Bot工作流， 配置一个 “文件助手”智能体节点，描述原始数据文件位置，如图：

DT-Bot工作流，解决方案获取可以看文章末尾名片。

根据提示词描述，获取到了”理赔申请表.csv“原始表格，给后面智能体使用。

2. 配置内容清洗

“内容清洗器” 很强大，内部是通过python agent执行引擎处理的， 可以对文件进行任意数据整理，我们直接输入清洗提示词就可以了， 如图：

3. 数据入库

清洗节点智能体任然返回的是文件，后面需要统计，还必须得入到本地数据库里面，

数据入库内置了本地数据库引擎，支持千万级数据量SQL统计。如图：

无需配置任何提示词， 入库后，就是在本地开启数据库，并且生成了一张表，表名就是前面的文件名， 支持批量文件入库。

同理，所有的源表清洗都是这个套路。我就不一一配置了。 

4. 表统计

接下来我们需要进行表统计，直接用“表统计”智能体就好了， 也是直接输入提示词描述，工作流内部会生成相关sql进行统计（全程不用你操心），下面是我配置完成的图：

5. 导出报表

表统计后，只生成了结果表到数据库里面，还需要从数据库里面下载出来，这是要用“报表导出”智能体，可以指定哪些表，下载类型（支持CSV+HTML），如下图：

配置完成后，我们发布工作流执行就可以了。

四、结尾语

这个案例的价值，不只是产出了多张风险分析结果表，更重要的是把分散的理赔业务数据整理成了更标准、更适合异常检测和风险分级分析的数据结构。通过清洗、关联、异常判断和统计输出，整个处理链路更清晰，也更贴近保险理赔审核与风控分析的实际场景。

按照 AI 工作流配置好处理要求后，不需要手写 Python 和 SQL，也可以把原始理赔数据快速整理成可直接用于审核、筛查和汇报的结果表。