信贷风控领域大模型Agent实战：从要素融合到策略优化全解析

本文介绍了信贷风控领域中基于大模型Agent的技术解决方案，重点阐述了要素融合Agent（Reflection模式）和策略优化Agent（ReAct模式）。文章详细分析了Agent模式选择逻辑、需求分析方法、领域模型设计，并探讨了Agent开发的思维转变和"less structure, more intelligence"的设计理念。通过实战经验分享，为信贷风控领域的智能化提供了技术参考。

---

一、前言

在信贷风控领域下，以加工出具有“高效能”和“高可解释性”的策略为目标，其中：策略加工过程会涉及不同场景下的要素切分和融合，切分的阈值和融合的规则通常采用运筹算法在满足特定的约束条件下来求最优解，求最优解的过程需要人工不断地去重跑运筹算法，并“人肉串联”从切分到融合整个流程。策略加工后随着时间推移，策略会面临要素迭代滞后、性能衰退等问题，从而缺乏系统性优化机制。围绕着这两个问题设计出两个 Agent 来解决相应的问题：

• 要素融合 Agent：提供“轻智能版”（workflow模式）和“智能版”（基于 Reflection 的自主规划模式）两种模式对要素进行切分和融合。
• 策略优化 Agent：采用 ReAct 模式对规则进行分析，分析出规则存在的性能瓶颈并做出优化。

二、Agent 模式选择

2.1 常规 Agent 模式

a. LLM 自主规划类

• ReAct：reason（推理）-> action（行动） -> observation（观察）。
• Plan and Execute：规划与执行，先规划好完整步骤，再分步执行。
• Reflection：反思驱动。大模型通过自我反思修正当前的结论。由此衍生出的常用模式（即本项目采用的模式）如下：

Step1：思考当前需求，并初步生成执行计划

b. Workflow 预编排类

 固定业务流程模板并按顺序调度即可，大模型除起到串联参数外，通常也会作用到某个节点（比如 Agent 节点）。

2.2 怎么选择 Agent 模式？

选择怎么样的 Agent 模式还是要回归到业务本身，信贷风控领域下要素的产生和策略的优化都耗时耗力，比如拿要素切分来说，除前置的数据处理外，使用固定的切分算法（如等频切分）耗时基本都是小时级别。所以结合任务的长周期性和资源耗费情况，要素融合 Agent 采用了带 Reflection 的自主规划模式，即先让大模型生成候选执行计划（Execute Plan）列表，再做策略（比如最大置信度）选择，最后执行计划节点执行过程中不断的刷新执行计划。要素融合 Agent 不采用 ReAct 模式考虑点如下：

• 从交互体验上讲，ReAct 模式是先选择工具，再执行工具，要素融合工具往往参数比较多，过程中可能需要不断地反问用户，而 Reflection 模式提前规划好执行计划，用户可通过一次性填参避免频繁交互。

• 从“策略生成”这种业务模式上讲，采用 ReAct 模式太发散，容易走很多弯路，浪费计算资源。

• Reflection 模式先全局生成候选执行计划列表，在执行过程中不断的刷新执行计划本质上已经覆盖了 ReAct 模式，如果单纯使用 ReAct 模式，可能面临结点执行失败而导致整个执行计划失败，由于每个结点执行起来很“重”，最好执行前就保证执行路径的正确性，而全局规划正在是解决这个问题，并提供一个尽快、尽全的模式。

策略优化 Agent 解决的是规则性能问题，过程需要结合专家经验知识、工具查询的事实结果等信息来决定策略怎么优化，非常符合 ReAct 模式。

三、需求分析

与常规需求分析不同的是，理论上大模型的需求调研和初步可行性分析的执行者的角色从技术向产品（或运营）转变。然而信贷风控属于偏中后台的领域，往往缺少兼风控知识和AI产品经验的产品，所以就需要技术深度参与其中。技术在整个需求调研过程中，核心关注：

• 策略是怎么产生的。策略的产生是一个周期长而且复杂的流程，同时策略也会分不同的细分场景，所以要先以某入垂直场景做切入点，再横向扩展。因涉及到利益关系和各方（研发、算法和策略）的参与程度不同，往往生产关系的解决也是非常核心的一环。

• 需求分析包含：Agent 定义、用例描述（分类及对话方式举例）、可能涉及的工具、大模型作用的业务场景等。

四、Agent 领域模型

先放一张 OpenAI 研究主管 Lilian Weng 给 Agent 的定义图：Agent=大模型（LLM）+规划（Planning）+记忆（Memory）+工具使用（Tool Use）：

附：图片来源文章《LLM Powered Autonomous Agents》，地址：https://lilianweng.github.io/posts/2023-06-23-agent/

 结合 Agent 定义和信贷风控领域的长周期的特点定义了任务型Agent下的领域模型，如下图：

该领域模型是一个通用的领域模型，目前支持了Workflow、ReAct、基于 Reflection 模式下的 Agent 设计。核心领域概念如下图（这里先不讲多智能体的概念）：

中文	英文	解释
Agent	Agent	agent 定义
Agent任务（模板）	AgentTaskTemplate	Agent 一般会支持多类任务，通过意图识别来路由不同的任务类型，比如要素融合 Agent 有几类任务：评级切分、评级融合等
执行计划	ExecutePlan	简称EP，大模型规划或者人工预设的工作流，是一个有向无环图。这里采用 GraphViz 语言定义图。
执行计划模板	ExecutePlanTemplate	在 workflow 模式下由人工预设的执行计划图
会话	Chat	用户会话
用户任务	UserTask	是为多智能体设计的，中枢 Agent 会将用户一句话拆解成多个用户任务，每一个用户任务由单独的 Agent 完成
Agent 任务	AgentTask	Agent任务实例，比如评级切分任务实例等。一个用户任务对应多个Agent任务实例
Prompt模板	PromptTemplate	提示词模板
工具组	ToolGroup	一般任务型Agent使用的都是异步工具，这里将异步工具拆分为提交、查询、中止三个工具，合称为一个工具组
工具	Tool	异步工具的提交、查询、中止是三个工具；同步工具只有一个提交工具

五、Agent 引发地思考

1.为什么要做 Agent？Agent 解决了什么业务问题？常规的 GUI 方式不能解决问题吗？

虽然在 Agent 元年尝试新技术无可厚非，但这个问题在什么场合下都规避不了，必须要找到合理的答案。常规大模型主要解决以下两类问题：

• 借助大模型能力，以更加便捷的方式（LUI等）替换原有 GUI 方式为用户提效。比如降低应用开发门槛、简化流程复杂度（如抽参）、协同完成某项复杂任务等。
• 利用大模型进行决策，比如结合业务专家经验知识进行路径规划和业务分支决策。这一点比较有说服力。

要素融合 Agent 利用了 Agent 串联协作和大模型决策能力，策略优化 Agent 结合丰富的策略专家经验知识利用了大模型决策能力。另外，想清楚业务每个点在使用大模型解决怎么问题？大模型核心优化点在哪里？非常感谢今年带我的老板，虽然整个 Agent 项目效果不尽如意，但最终以另一种形式得到延续。

2.开发思维要转变

Agent 是人的代理，理解到这一层是 Agent 开发者入门的体现。比如以“人”能理解的语言去描述技术方案，执行计划状态机系统上的描述是“暂停“，对用户的描述是”待用户输入中”。

3. less structure, more intelligence

   引用集团内网某位大佬的描述：

传统软件开发强调结构化、模块化和流程确定性，通过定义函数、类、借口和工作流来实现功能。而“less structure, more intelligence”则是一种依赖”智能涌现“的设计思想：不预设 workflow 和 step，通过提供一个更强的智能内核（微调大模型）和更自由的执行环境（集成虚拟机），让AI自主探索和决定最佳路径。

 这个想法现阶段还是较理想化，产品化的 Agent 交互很难做到这一点，即使真正能做到智能化，还需要考虑业务方是否能接收？用户渗透率如何？据业界的一个统计数字，依赖 wokflow 模式的场景占 Agent 模式的 90%以上。根据实战经验，即使 workflow 模式下 Agent 也避免不了各种产品的优化：COT和思考路径的展示、通过卡片和按钮等方式怎么限制用户和大模型、任务型异步工具执行完成怎么触达用户等等。

六、小结

啰嗦了这么多，但我觉得这些想法确实值得记录。2025年AI发展迅猛，该项目自3月启动以来，历经 MCP、A2A 等协议的推出，以及各类 Agent 框架的快速兴起，许多新技术的演进令人感同身受。接下来，我将结合具体业务场景，持续更新任务型 Agent 的设计细节，包括执行规划、工具设计、Prompt 调优等方面的实践经验。

如何学习AI大模型 ？

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。【保证100%免费】🆓

优快云粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传优快云，朋友们如果需要可以扫描下方二维码&点击下方优快云官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉优快云大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

👉1.大模型入门学习思维导图👈

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）

👉2.AGI大模型配套视频👈

很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。

👉3.大模型实际应用报告合集👈

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。（全套教程文末领取哈）

👉4.大模型实战项目&项目源码👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战项目来学习。（全套教程文末领取哈）

👉5.大模型经典学习电子书👈

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程文末领取哈）

👉6.大模型面试题&答案👈

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程文末领取哈）

为什么分享这些资料?

只要你是真心想学AI大模型，我这份资料就可以无偿分享给你学习，我国在这方面的相关人才比较紧缺，大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！

这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

优快云粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传优快云，朋友们如果需要可以扫描下方二维码&点击下方优快云官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉优快云大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）