这次我们来看一个很具体的落地场景用华硕弘道AI笔记本跑一套完整的“周志催收工作流”。这里的“周志”不是项目名而是一位贷后运营专员的典型角色。他每天要面对一张又一张逾期客户名单把客户按逾期天数、欠款金额、历史沟通次数分级再逐一生成跟进任务、准备沟通话术、记录通话结果、汇总日报。以前这些活靠手工做批量大了以后很容易漏人、漏日、话术不统一。现在把华硕弘道AI笔记本作为本地算力底座配合开源模型和自动化流程工具可以搭出一条“名单导入 - 客户分级 - 任务生成 - 话术辅助 - 通话转写 - 日报汇总”的完整工作流。这套工作流最值得关注的点是数据不出笔记本。催收跟进涉及大量客户个人信息把名单传到云端大模型去生成话术很多公司不放心合规层面也讲不通。用弘道AI笔记本本地跑小参数模型再通过工作流引擎做编排既能拿到AI辅助的效果又能把隐私风险控制在本机范围内。更直接的好处是支持批量任务Excel名单批量导入后自动出跟进计划晚上下班前自动生成日报整个流程可以用API对接现有CRM系统。本文会带大家把这条工作流从零搭起来。内容分成几个部分先看核心能力速览再讲环境准备和部署启动然后按功能模块做测试验证接着给出批量任务和接口API的调用示例最后结合实际使用观察资源占用并提供一套排查清单。如果你正在纠结“AI PC到底能干什么”或者团队里刚好有贷后管理、客户跟进类的业务场景这篇文章可以直接收藏。1. 核心能力速览能力项说明项目定位在本地AI笔记本上搭建贷后催收跟进工作流覆盖客户导入、分级、任务生成、话术辅助、通话转写、日报汇总硬件底座华硕弘道AI笔记本建议16GB以上内存有NPU或独立显卡更好软件栈Ollama Qwen2.5量化模型、faster-whisper、PaddleOCR、n8n或Dify、Python脚本部署方式本地命令行启动也可用Docker启动工作流引擎主要功能批量名单处理、逾期分级、合规话术生成、录音转写、OCR识别、定时任务、API接口是否支持API支持Ollama自带REST API业务脚本和n8n均可以HTTP方式调用是否支持批量任务支持Excel名单批量导入批量生成任务和话术是否支持离线支持模型全部本地运行断网可用适合场景小额信贷、消费金融、应收款跟进的合规贷后管理不适合任何暴力或非法催收行为实际效果判断小批量名单在本地生成话术速度可接受具体耗时需按本机CPU、内存和模型量化版本实测需要说明的是“周志催收工作流”本质上不是一个现成的开源项目而是一条组合方案。你可以把它理解成“用AI笔记本 开源模型 自动化引擎”搭出来的私有化贷后工作流。这套路的最大价值不是某一个模型多强而是把敏感数据留在本地通过批量和接口能力替代重复劳动。2. 适用场景与使用边界这套工作流适合的团队通常是这几类情况客户名单数量大但没法直接上云、需要生成统一合规话术、每天要写大量跟进记录、管理者希望自动汇总日报。比如小额贷款公司的贷后专员每个月初要处理几百条逾期名单之前靠Excel筛选和手工备注现在可以让工作流自动完成分级和任务分配。再比如做应收账款的商务团队客户逾期后要定期电话提醒AI可以先把客户背景和欠款信息整理成一段沟通提纲再由人工确认后执行。使用边界必须讲清楚。催收在国内是一个强监管领域任何涉及暴力、威胁、骚扰、伪造身份、泄露债务人隐私的操作都是违法的。本文里的工作流只做“信息整理、任务提醒、话术辅助、录音归档”最终由人工决定是否联系客户以及如何沟通。系统里不应该出现“威胁、恐吓、辱骂”这类提示词也不应该把客户敏感信息明文导出到不安全的目录。如果你所在团队没有合法催收资质或没有取得客户授权请不要把这条工作流用于实际业务。另外本地部署不等于无责。模型生成的话术仍需审核批量任务需要加日志客户名单文件要加密保存。华硕弘道AI笔记本只是一个算力容器真正的合规责任在于使用流程和权限管控。团队落地时最好做到话术模板由法务确认、通话录音按规定留存、系统操作日志可追溯、客户信息脱敏后再分析。3. 环境准备与前置条件3.1 硬件要求华硕弘道AI笔记本是商务向产品线不是传统游戏本。在真实部署中能不能跑得动主要看内存、CPU和NPU/GPU。内存建议至少16GB如果能到32GB会更稳因为本地大模型加载到内存后会占去好几个GB再叠加浏览器、工作流引擎和Python进程16GB属于“能跑但偏紧”32GB属于“比较舒服”。CPU方面如果笔记本搭载的是带NPU的Intel Core Ultra系列处理器Ollama这类推理框架可以利用NPU做一部分加速体验会比纯CPU核显好一些。如果笔记本带有入门级独立显卡比如RTX 2050或4050那效果更直接。不过华硕弘道AI笔记本的具体型号很多有些是轻薄本不一定有独显部署前最好先用设备管理器确认一下自己的配置。磁盘空间建议预留30GB以上。Qwen2.5 7B量化模型文件大约5GB左右faster-whisper的medium模型大约1.5GBPaddleOCR模型大约几百MB再加上Docker镜像或Python环境整体占用并不小。如果后续要换更大的模型预留50GB会更从容。3.2 软件依赖系统建议用Windows 11或Ubuntu 22.04/24.04。Windows下安装Ollama和Python比较省事Ubuntu下跑Docker更顺。如果对命令行不熟可以优先用Windows版本把Ollama、Python、Node.js装好再装一个n8n桌面运行方式。Dify对内存要求更高建议用Docker Compose部署对笔记本压力较大n8n更加轻量适合作为这条工作流的主编排工具。需要安装的软件清单如下Ollama负责本地运行大模型提供HTTP API。Python 3.10负责写批量脚本、调用API、处理Excel。n8n负责工作流编排、定时触发、HTTP请求。faster-whisper负责通话录音或语音条转文字。PaddleOCR负责识别欠条、合同、票据等图片中的文字。办公软件或pandas负责读取Excel名单。如果不想用Docker也可以直接用n8n的npm安装方式或者用Python的FastAPI把所有步骤封装成一个本地服务。这里提供的是最小可运行方案不要求一次装齐。4. 安装部署与启动方式4.1 安装Ollama并下载模型Ollama是本地跑大模型最方便的一层服务。先安装Ollama然后拉取一个适合在笔记本上跑的模型。这里以Qwen2.5 7B的量化版为例。在Windows下直接在Ollama官网下载安装包装完以后打开终端执行ollama pull qwen2.5:7b ollama run qwen2.5:7b第一条命令下载模型第二条命令启动交互式对话。能正常对话说明Ollama已经跑通。实际使用时我们不会在终端里聊天而是通过API调用。验证API是否可用在另一个终端执行curl http://localhost:11434/api/generate -d {\model\:\qwen2.5:7b\,\prompt\:\你好\,\stream\:false}正常情况下会返回一段JSON里面包含模型生成的文本。如果这一步通了后面的Python调用和n8n调用就都有了基础。4.2 安装n8n工作流引擎n8n是一个可视化流程编排工具可以把它理解为“本地版的自动化工作台”。用Docker启动最干净docker run -it --rm \ --name n8n \ -p 5678:5678 \ -v n8n_data:/home/node/.n8n \ n8nio/n8n启动后访问http://localhost:5678首次进入需要创建账号。n8n里可以拖出“Schedule Trigger”“HTTP Request”“IF”等节点把“每天9点读取Excel - 调用Ollama生成话术 - 写入CSV”这种流程串起来。如果不想用Docker也可以用npm方式安装npm install -g n8n n8n start这种方式不用拉镜像但需要本机装好Node.js 18以上。n8n不是必须的如果你的自动化能力集中在Python完全可以直接用脚本调度。这里引入n8n主要为了让非程序员也能看到任务状态和日志。4.3 安装faster-whisper和PaddleOCR通话录音转写和票据识别是两个独立服务。先把Python依赖装好pip install faster-whisper paddleocr paddlepaddlefaster-whisper比原版whisper快不少在CPU上也能跑。代码里调用时可以用small或medium模型中文识别效果在小模型里“够用”如果对错字敏感就换medium。PaddleOCR用于识别图片中的表格、文字。比如客户拍了一张还款凭证或者合同扫描件里有关键日期可以用PaddleOCR批量抽取。到这里本地基础环境就绪了。接下来进入功能测试一条一条验证工作流是否真的有用。5. 功能测试与效果验证5.1 客户名单批量导入测试测试目的确认Excel名单能批量读入系统并生成标准化的待处理记录。先准备一份测试Excel字段至少包含客户编号、姓名、手机号、欠款金额、逾期天数、最近联系时间。用pandas读取import pandas as pd df pd.read_excel(customers.xlsx) print(df.head()) print(df.shape)预期结果是能正确打印出前几行和总条数。常见问题有两个一是Excel里手机号被读成科学计数法需要把手机号字段转成字符串二是列名不一致脚本读不到指定字段。读入数据后建议把手机号等敏感字段先做脱敏再进到下一步流程比如只保留前三位和后四位。5.2 逾期分级与任务生成测试测试目的验证系统能按照业务规则给客户自动分级并生成每个客户今天的跟进任务。分级规则可以是逾期1到15天为“提醒级”16到60天为“关注级”超过60天为“重点级”。同级别内再按欠款金额排序。示例代码def grade_customer(row): days row[逾期天数] if days 15: return 提醒级 elif days 60: return 关注级 else: return 重点级 df[分级] df.apply(grade_customer, axis1) today_task df[[客户编号, 姓名, 分级, 欠款金额, 逾期天数]].copy() today_task[任务] 电话联系客户确认还款意愿 today_task[状态] 待执行 today_task.to_csv(today_tasks.csv, indexFalse, encodingutf-8-sig) print(today_task)预期结果是生成一份today_tasks.csv每行一个客户带分级和任务状态。这一步是后续所有自动化动作的入口。5.3 合规催收话术生成测试测试目的验证本地大模型能否根据客户等级生成合规、礼貌、有效的沟通提纲。调用Ollama APIimport requests prompt 你是贷后运营助手。请根据以下信息生成一段合规的催收沟通提纲 客户逾期天数为20天欠款金额为3000元历史联系次数2次。 要求语气礼貌不威胁不辱骂不透露与债务无关的个人信息提供还款方案引导。 输出控制在100字以内。 response requests.post( http://localhost:11434/api/generate, json{model: qwen2.5:7b, prompt: prompt, stream: False}, timeout300, ) result response.json()[response] print(result)预期结果是一段类似“您好请问是XX先生/女士吗我们注意到您有一笔款项已经逾期想和您确认一下还款时间如果有困难我们可以协商分期”的提纲。如果生成内容出现威胁或不当语言说明提示词约束不够要在系统里加入关键词过滤甚至让法务审核模板。这个模块的重点不是让AI直接打电话而是辅助人工准备沟通思路。AI会受训练数据影响生成内容不一定完全合规所以“人审”这一关不能省。5.4 通话录音转写测试测试目的验证销售或贷后人员打完电话后录音文件能自动转成文字记录。用faster-whisperfrom faster_whisper import WhisperModel model WhisperModel(small, devicecpu, compute_typeint8) segments, info model.transcribe(call_001.wav, languagezh) transcript .join(segment.text for segment in segments) print(transcript)预期结果是能输出录音里的中文文字。注意电话录音的采样率和噪声会影响识别效果建议用16kHz单声道的WAV文件。转写完以后可以让工作流把“摘要、客户承诺还款日期、下次跟进时间”写入CRM。如果中文识别错误率高先换medium模型再试。速度会慢一些但在本地批量处理离线录音是可控的。另一点提醒录音转写涉及个人敏感语音信息录音文件本身要加密保存转写结果也尽量脱敏后再进入共享目录。5.5 日报与统计测试测试目的验证工作流能否在一天结束后自动汇总当天执行情况。统计逻辑今日新增任务数、已完成联系数、客户承诺还款总额、明日待跟进数。report { 今日新增任务: df.shape[0], 已完成联系: 18, 客户承诺还款总额: 56000, 明日待跟进: 7, } import json with open(daily_report.json, w, encodingutf-8) as f: json.dump(report, f, ensure_asciiFalse, indent2) print(report)实际场景里“已完成联系”应该从通话记录表中统计这里只是验证流程能输出结构化日报。日报生成后可以进一步接入企业微信、钉钉机器人或邮件通知。到这里一个简单的催收跟进闭环已经跑通。6. 接口API与批量任务6.1 Ollama APIOllama自带REST API最常用的是生成接口和对话接口。把模型封装成API以后n8n、Python、Excel插件等都能调用。生成接口示例curl http://localhost:11434/api/generate \ -H Content-Type: application/json \ -d {\model\:\qwen2.5:7b\,\prompt\:\生成合规催收话术\,\stream\:false}如果希望多轮对话可以使用/api/chat接口。对于批量任务建议关闭流式输出也就是设置stream: false这样Python脚本更容易拿到完整结果。6.2 批量任务脚本批量任务的核心是读取客户名单 - 逐条调用Ollama生成个性化话术 - 写入结果文件。import requests import pandas as pd df pd.read_excel(customers.xlsx) results [] for _, row in df.iterrows(): prompt f根据以下信息生成合规沟通提纲 逾期天数{row[逾期天数]}天 欠款金额{row[欠款金额]}元 要求语气礼貌不威胁不辱骂。 response requests.post( http://localhost:11434/api/generate, json{model: qwen2.5:7b, prompt: prompt, stream: False}, timeout300, ) text response.json()[response] results.append({ 客户编号: row[客户编号], 姓名: row[姓名], 分级: row[分级], 话术: text, }) print(f已处理: {row[客户编号]}) output pd.DataFrame(results) output.to_excel(话术生成结果.xlsx, indexFalse)批量生成时注意三点一是加time.sleep(1)或限速避免把CPU占满影响其他办公操作二是要打印进度日志方便跑挂了以后定位到具体客户三是如果某个请求失败不要整个脚本退出可以捕获异常并记录到失败列表中最后重试。6.3 n8n定时触发如果不想每天手动跑脚本可以在n8n里配置一个Schedule Trigger。每天上午8点执行一次工作流读取指定目录下的Excel - 调Ollama API - 把结果写入今天的任务表。n8n的节点结构大致是Schedule Trigger - Read Excel File - HTTP Request (Ollama) - Code (整理数据) - Google Sheets / CSV这个流程的好处是运行记录可视化哪个节点失败一眼就能看到。缺点是n8n本身也要占内存如果笔记本配置不高建议定时任务数量少一点避免同时跑多个流程。7. 资源占用与性能观察本地跑这套工作流资源占用最明显的地方是模型推理。以Qwen2.5 7B量化版为例模型加载进内存后内存占用会明显升高。如果笔记本有独立显卡Ollama会优先使用CUDA显存占用通常在4GB到8GB之间具体取决于量化版本和上下文长度。如果没有独显CPU推理时内存占用会接近8GB到12GB。这里的数字只是经验参考实际要以本机任务管理器为准。观察方法很简单Windows下打开任务管理器切换到“性能”页看内存、CPU、GPU利用率。启动Ollama后再打开一个对话可以看到至少一个核心或GPU的利用率瞬间拉高。批量生成话术时CPU利用率会持续高位续一段时间后会降下来。faster-whisper在CPU上转写录音时也会把多核CPU吃满。如果转写和话术生成同时跑内存很容易吃紧。建议在n8n或脚本里做串行调度不要同时启动太多推理任务。PaddleOCR相对轻量但也会占用几百MB内存。降低资源占用的办法有几个模型选小一点的比如用Qwen2.5 3B而不是7BWhisper用small而不是medium批量任务增加间隔减少并发Docker镜像不要开太多容器n8n用npm方式会比Docker省内存。如果笔记本出现明显卡顿优先关掉不用的浏览器标签页和后台应用。8. 常见问题与排查方法问题现象可能原因排查方式解决方案Ollama启动后API无法访问服务未启动或端口被占用执行ollama list检查11434端口重启Ollama或更换端口生成话术速度很慢没有GPU加速CPU推理观察CPU和内存占用换3B模型或增加请求间隔录音转写中文错字多模型太小或音频质量差换成medium模型检查音频格式用16kHz单声道WAV降噪处理Excel手机号变成科学计数法pandas默认读取为数值打印dtypes确认字段类型用dtype{手机号: str}读取批量任务跑到一半卡住内存不足或请求超时查看终端日志确认卡在哪个客户增加timeout分批跑加进度日志n8n页面无法打开Docker容器未启动或端口冲突检查5678端口重新启动容器改端口映射模型生成威胁性内容提示词缺少约束查看提示词和输出日志加入合规约束词设置关键词过滤磁盘空间不足模型和Docker镜像占用过大检查磁盘空间清理旧模型和未使用镜像9. 最佳实践与使用建议第一次搭建不要一上来就跑全量。先用几十条测试数据把流程走通确认分级、话术生成、录音转写、日报输出都正常再扩展到真实业务。建议保留一套最小可运行配置比如“Ollama Qwen2.5 3B Python脚本”这套配置占用低、容易排错日常维护也简单。文件和目录要分清楚。输入名单放在inputs目录输出结果放在outputs目录录音和转写记录按日期建子目录。脚本里所有路径建议写相对路径避免换电脑后跑不起来。模型文件放默认目录就好不要随便动。批量任务一定要加日志和失败重试。默认情况下一个客户请求失败不应该导致整个脚本崩溃。可以使用Python的try...except把失败记录到failed.log跑完后自动重试一次。接口调用需要设置合理的timeout模型推理不像普通Web请求那么快timeout设成5秒肯定不够建议至少120秒。接口服务要限制访问范围。Ollama监听的是本机地址不要把它暴露到局域网除非你有明确的共享需求。如果为了让团队其他同事访问也应该加一层反向代理和访问控制避免任意设备都能调用本地模型。涉及客户人脸、声音、手机号、身份证号等敏感信息时必须确认已经获得合法授权。人脸识别、声音克隆这类能力在这个工作流里不需要坚决不要引入。如果业务上必须使用也要单独走授权流程。本地部署确实降低了数据上传风险但仍然要注意笔记本丢失、病毒入侵、权限滥用这些本地安全问题。话术模板要定期复核。模型生成的话术不能直接对外使用建议由业务负责人或法务每周抽检。可以随机导出几条生成结果按“是否威胁、是否泄露隐私、是否提供还款渠道”三个维度打分。一旦发现违规输出要立即修正系统提示词并检查原因。10. 总结与下一步华硕弘道AI笔记本跑“周志催收工作流”最值得尝试的点不是某一个AI功能而是“本地算力 工作流引擎 批量API”的组合方式。对个人来说它解决了重复整理客户名单、手写跟进话术、录音转写费时间的问题对团队来说它把催收跟进过程变成可审计、可复现、可追溯的标准化流程。建议拿到笔记本后先安装Ollama把Qwen2.5 7B量化版跑通再导入一份测试Excel走一遍“批量生成话术”的流程。这是最容易验证、也最能直观感受到效率提升的一步。最容易踩的坑是内存不够别一边开着20个浏览器标签页一边跑批量推理否则卡顿会让人误以为模型有问题。后续可以扩展的方向有几个一是接入客户关系管理软件把生成的任务回写到现有系统二是用定时任务自动生成日报并推送到企业微信三是把通话录音转写接到外呼系统形成“拨号 - 录音 - 转写 - 摘要 - 回填CRM”的闭环四是基于历史结果训练一条更符合自己业务风格的提示词模板。这套方案不算复杂但它很务实适合作为团队里第一个本地AI工作流项目推进。建议收藏备用部署时按这篇文章的步骤一步步来遇到问题直接翻第8章的排查表。