案例名称

杭银消金金融风控策略优化智能体应用

案例简介

杭银消金聚焦消费信贷策略归因与优化，针对坏样本策略迭代依赖人工经验、周期长、小样本归因难、统计学习方法易过拟合且解释不足等问题，依托自研HiAgent平台、风控大数据平台和分布式建模平台，建设策略归因优化智能体，实现从坏样本输入到可审核策略输出的自动化闭环：自动召回坏样本特征与决策树结果，检索历史策略知识库生成候选策略，转换为SQL在验证集计算BadRate与命中数，通过网格化搜索自动调优，输出策略逻辑、评估指标与业务解读，经策略分析师审核或驳回后触发再调优。项目已在本公司策略归因平台落地试运行，实现建模及策略人员效率提升30%，国产化率达68.46%，具备向同业及零售信贷场景复制推广价值。

创新技术/模式应用

本项目基于自研HiAgent大模型应用开发平台，采用“大模型+策略归因优化智能体+MCP数据查询+风控大数据平台+分布式建模平台”技术架构，底层由国产大模型与国产算力组成的模型算力层统一支撑，属“数智平台—智能运营”类创新应用。

一是任务管理与人机交互工作台。策略分析师可配置任务名称、坏样本客户、验证集、历史策略、决策树结果、调参轮数和BadRate目标，系统校验参数完整性，展示任务状态、创建信息，并支持修改、查看操作。

二是特征召回与知识检索。智能体根据坏样本ID自动获取用户特征、特征元数据、变量值、风险等级和决策树结果，并从历史策略知识库检索相似策略作为参考，降低特征口径理解和经验检索门槛。

三是策略生成、验证与网格化调优。大模型基于坏样本特征、决策树路径和历史策略生成标准化JSON策略，系统将其转换为SQL在验证集计算BadRate与命中数；若未达目标，智能体按轮次生成多组阈值组合并循环验证，保留效果最优策略，避免人工重复实验。

四是结果输出与人工审核。智能体输出JSON或SQL策略逻辑、预计BadRate、命中数、用户特征透视和业务解读；策略分析师可通过或驳回，驳回原因回传智能体触发再调优，形成“智能体生成与验证、人员审核与驳回、驳回原因反馈再调优”的人机协同闭环。

五是执行监控与数据安全。平台实时展示特征分析、策略生成、反思调优和异常处理日志；通过MCP对接元数据查询与BadRate计算服务，查询侧采用只读账号表级权限控制。项目同步建立行为边界管控、工具调用白名单与参数校验、决策可追溯与幻觉治理机制，采用提示词约束、检索增强、历史策略知识库引用、答案溯源、JSON结构校验、SQL语法与逻辑校验、BadRate与命中数反向验证、超出知识边界拒答和人工复核等措施，策略投产前须经人工审核。

项目效果评估

1、解决的痛点与关键成果。项目针对策略迭代三类痛点：一是人工经验依赖强，策略分析师需围绕坏样本重建训练集、生成决策树、人工解读关键链路，再反复调整阈值并在测试集验证准召率，周期长、重复实验多，策略质量依赖个人经验；二是传统统计学习方法存在局限，坏样本规模相对有限时样本不均衡和高维特征问题突出，易过拟合，且模型输出难以转化为业务人员可理解、可审核、可投产的策略规则；三是归因与验证链路割裂，特征查询、策略设计、SQL验证、参数调优和业务解释分散在不同环节，公司存量特征变量达8万个，人工排查调优效率难以满足业务响应要求。项目实现建模及策略人员效率提升30%。

2、效果数据。项目已在本公司策略归因平台落地部署并投入试运行，支持任务创建与修改、坏样本特征透视、执行过程监控、策略效果评估、人工通过或驳回，服务实际信贷策略分析与优化流程，真实用户为公司风控策略分析相关人员。公司拥有超3PB数据、表数据达10万量级、接入外部数据源渠道500多个，为特征召回与策略验证提供支撑。项目总投资997.63万元，其中国产化软硬件投资683万元。

3、相比旧版本的显著优化。旧模式下策略迭代高度依赖人工经验，需重复进行大量实验和数据分析，周期长且依赖策略人员能力水平。本项目实现从经验驱动向“可召回、可生成、可验证、可解释、可审核”的升级，将特征自动召回、历史策略知识检索、策略自动生成、SQL验证、网格化参数调优、BadRate与命中数评估、业务解读和人工审核一体化衔接，避免生成结果无法验证、无法解释或脱离业务常识。该方案并非替代人工决策，策略投产前保留人工审核环节，保障智能体安全、可控、可解释运行。项目已形成标准化策略归因优化智能体方案与实施流程，计划通过标准化API、策略JSON规范和验证集接入流程向消费金融同业、银行零售信贷机构和助贷机构分阶段开放，具备由浙江向全国辐射的推广潜力。

图1 策略优化智能体业务闭环架构

图2 策略优化多智能体设计架构

图3 HiAgent功能架构图

责任编辑：佟桃梨