PROJECT 01 · AI PRODUCT CASE
CreditPulse AI
跨国信贷风控研究与自动化报告系统
把分散、多语种、强合规的研究流程，变成一条
可检索、可核对、可追溯、可人工复核的受控智能工作流。
RAGMulti-Agent Workflow人工复核
68% → 92%核心法条 Top-5 命中率
5–7 天 → <24h可审核初稿交付周期
01 · WHY NOW
不是资料不足，而是研究链路失控
01资料分散
监管网站、征信报告、内部数据、历史研报分属不同渠道。
02多语种与多口径
同一金融术语在不同国家可能对应不同定义与统计窗口。
03政策版本变化快
找到相关法规不等于找到任务日期下仍然有效的法规。
04交付依赖人工
检索、翻译、核对、计算、引用整理和写作反复串行。
业务真正需要的不是“自动写报告”，而是缩短研究周期，同时不牺牲审核质量。
02 · USER & JOB
服务谁，以及在什么任务中使用
R
核心用户
海外风控、策略与研究同事
- 进入新国家前做政策与市场研究
- 指标异常后定位可能原因
- 策略调整前评估合规与风险影响
- 生成周期性风险研究报告
输入国家 · 任务日期 · 业务主题 · 报告类型 · 数据范围
→
处理查证据 · 核指标 · 做分析 · 组报告
→
输出带引用、风险提示和待确认项的可审核初稿
03 · GOAL & SUCCESS
不是“做一个 AI 功能”，而是把研究链路变成可审核的交付系统
01效率目标
把同类研究任务的可审核初稿，从 5–7 天缩短到 24 小时以内。
02质量目标
关键法规、指标和结论均可回到来源，并能通过程序校验。
03风险目标
证据不足、来源冲突和高风险判断必须被拦截并转人工。
04落地目标
先在核心风控场景中完成闭环验证，再验证跨国家、跨报告复制。
成功标准：更快交付，但不牺牲证据质量、专业判断和审核责任。
04 · MY OWNERSHIP
我的任务：把业务目标、AI 能力与工程约束组织成一套可落地方案
业务语言风控需要什么、哪些错误不可接受
↔我的工作范围、Schema、Agent/Skill 边界、审核点、评测与验收
↔技术语言数据接口、模型接入、状态、日志与运行框架
我范围、流程、Schema、边界、评测与验收风控 / 策略业务口径、法规适用与风险审核后端 / 数据接口、查询、计算、权限与日志AI 工程知识库、模型服务与 Workflow 实现
决策 01定位研究辅助，不替代最终决策决策 02固定 Schema 代替自然语言传递决策 03确定性计算交给程序执行
05 · PRODUCT BOUNDARY
先做“研究辅助”，不做“自动决策”
系统负责
- 检索任务日期下的有效资料
- 抽取字段、统一口径并调用确定性计算
- 识别风险点并生成结构化初稿
- 暴露引用、异常和待确认事项
人工复核节点专家确认
专家负责
- 确认法规适用性
- 解释高风险与冲突结论
- 决定策略是否调整
- 完成最终审批与发布
边界越清楚，AI 越容易进入真实业务。
06 · DISCOVERY
0→1 的第一步：先把交付物和口径定清楚
跟岗访谈风控专家 · 策略分析 · 海外业务
→
拆任务检索 · 核对 · 计算 · 分析 · 写作
→
定标准报告 Schema · 指标字典 · 国家口径
→
验收什么能自动 · 什么必须人工
我的角色我不替风控定义专业公式，而是把他们确认的业务规则，转成研发可实现、系统可校验、业务可验收的产品规范。
07 · DELIVERY ROADMAP
从能跑通，到能使用，再到可扩展
PHASE 1任务验证
梳理流程与 Schema
接入优先国家资料
跑通基础检索与初稿
证明“值得做”
PHASE 2小范围使用
结构化分块与过滤
四 Agent 受控编排
异常拦截与人工复核
证明“能用”
PHASE 3持续迭代
固定评测集与回归
版本、日志与业务反馈
扩展国家与报告类型
证明“可复制”
08 · DATA CONTRACT
先统一 Schema，再谈智能化
任务字段country · task_date · topic · report_type
法规字段机构 · 版本 · 生效时间 · 条款 · 来源
指标字段值 · 分子/分母 · 窗口 · 币种 · 截止日
治理字段事实 · 依据 · 推断 · 待确认 · 异常状态
为什么必须固定？
它是 Agent 之间的“数据合同”，也是程序校验和人工审核的共同语言。
示例只有一个“FPD=8%”不够；还要带上分子、分母、统计窗口、数据截止日和来源，才能判断这个数字是否可用。
09 · DATA SOURCES
三类数据，三条接入路径
A法规与研究资料
目标国家监管机构官网、正式法规文件、内部已审批研报
文档解析 → RAG 知识库
B内部业务数据
订单、放款、还款、逾期及风控平台中的历史业务数据
公司后端 API → 数据 Agent
C授权外部数据
合规授权的征信查询渠道与汇率服务
后端封装 Skill → 按需调用
法规走 RAG，业务数据走内部 API，征信与汇率走受控 Skill。
10 · FROM DATA TO SIGNAL
数据进入系统后，不是直接交给 AI 判断
STEP 01 · 原始事实先拿到业务数据
本月放款 1,000 笔
其中首期逾期 80 笔
上月首期逾期率 5%
→
STEP 02 · 统一计算程序按固定公式算
首期逾期率 = 80 ÷ 1,000
得到本月指标 8%
同时保留统计周期与数据来源
→
STEP 03 · 风险提醒找出值得关注的变化
本月由 5% 上升至 8%
系统标记：首期逾期表现异常
交给 AI 继续查资料和分析
程序负责按统一口径计算数字AI 负责查资料、分析和组织表达风控专家负责确认原因与最终判断
11 · KNOWLEDGE BASE
法规知识库不是“上传 PDF”
1采集官方来源 / 版本记录
→
2解析清洗正文 / 表格 / OCR
→
3结构化分块标题 / 章节 / 法条 / 表格
→
4元数据国家 / 机构 / 生效时间
→
5EmbeddingChunk → 向量索引
知识库更新治理权威源监控→候选更新区→版本差异比对→风控确认→受控发布 + 回归
定期同步 + 重要事件触发；旧版本保留，按任务日期过滤。
12 · RETRIEVAL
一次查询，如何找到“当前有效且最相关”的法条
用户任务
国家 + 日期 + 主题
→元数据过滤先排除国家、版本和时间不匹配资料
→混合召回关键词抓精确术语，向量补语义表达
→候选排序按相关性与业务规则选择 Top-K
→证据包正文 + 位置 + 版本 + 来源
Rerank 放在哪里？
位于混合召回之后、上下文进入模型之前；用于候选较多时的二次精排。
它不是必选项。先用固定测试集验证基础检索，如果相似条款排序仍不稳定，再引入 Rerank，并比较命中率、时延和成本。
13 · BAD CASE
“检索到相关法条”，为什么结论仍然错？
BEFORE固定长度切分
主规则…………边界例外条件……
主规则与例外条件被拆散，模型只看到局部上下文。
→评测 + 业务复核
AFTER结构化分块
第 X 条主规则 + 适用前提 + 例外条件 + 来源位置
按法条语义单元组织，并增加版本与日期过滤。
Top-5 命中率68%
→
92%同一固定法规查询集
14 · AGENT DESIGN
不是把模型复制四份，而是拆开四种责任
AGENT 1法规检索
找到适用规则、例外条件、版本和引用。
输出：法规证据
AGENT 2数据与指标核对
抽字段、映射口径、调用确定性 Skill。
输出：可信指标
AGENT 3风险分析
基于证据与指标识别风险，不补造事实。
输出：风险判断
AGENT 4报告生成
按固定 Schema 汇总，不新增未经验证结论。
输出：报告初稿
15 · ROUTING
不同任务，不需要每次都跑完四个 Agent
| 业务场景 | 法规 | 数据 | 风险 | 报告 |
|---|
| 新国家准入研究 | ● | ○ | ● | ● |
| FPD / 复贷 / 还款异常分析 | ○ | ● | ● | ● |
| 单条法规快速查询 | ● | — | ○ | ○ |
| 策略调整综合评估 | ● | ● | ● | ● |
● 必需 ○ 按任务需要 — 不调用
16 · DATA AGENT & SKILLS
模型理解任务，程序完成确定性动作
数据与指标核对 Agent字段提取 → 口径映射 → 参数准备 → 异常判断
征信查询 Skill客户/企业标识 + 授权范围 → 征信摘要 + 数据日期调用公司后端封装的合规征信接口，Agent 不直接接触供应商密钥。
汇率换算 Skill金额 + 币种 + 日期 → 换算结果 + 汇率来源任务日期决定使用哪一天的汇率，避免模型凭记忆或使用当前汇率。
指标计算 Skill分子 + 分母 + 统计窗口 → 指标值 + 异常状态例如 FPD 的公式和阈值由风控确认，后端按固定规则实现并返回计算过程。
17 · END-TO-END
一份综合风控报告，如何跑完整条链路
内部页面
创建任务→查看进度→复核修改
公司后端
权限与参数校验→调用 Dify API→保存结果与日志
Dify Workflow
法规检索↘数据核对→风险分析→报告生成
治理门禁
Schema 校验→引用 / 冲突检查→人工审核路由
18 · EVIDENCE-BASED REPORT
AI 写下的每个关键结论，都要能回答“凭什么”
报告中的风险结论本月首期逾期率由 5% 上升至 8%，增加 3 个百分点；该变化需要重点关注，但现有证据尚不能确认具体原因。
指标与计算口径80 ÷ 1,000 = 8%；账户数口径；首期还款窗口按已确认规则
对比与数据边界上月 5%；保留统计周期、数据截止日与数据系统来源
法规与资料来源当前有效版本、条款位置、内部规范及可回链原文
系统推断 / 待确认检查渠道与客群结构；确认本月统计口径是否变化
19 · GUARDRAILS
不是“失败就重试”，而是按风险分级处理
L1 · 可自动恢复JSON 格式错误、短时接口失败
有限重试 / 格式修复
L2 · 降级输出非关键资料缺失、次要字段不可用
生成不完整初稿 + 标注影响
L3 · 必须阻断关键数据缺失、引用不足、来源冲突、高风险结论
不下确定性结论 → 转人工
数字是否写对引用是否存在前后是否矛盾重要异常是否遗漏证据不足是否转人工
20 · RUNTIME HARNESS
Harness 不是第五个 Agent，而是包在外面的治理层
RUNTIME & GOVERNANCEHarness 治理层
统一约束 · 监控 · 异常处置
01任务 State
02上下文注入
03工具白名单
04Schema 校验
受控运行区四个协作 Agent
AGENT 01法规检索
→
AGENT 02数据核对
→
AGENT 03风险分析
→
AGENT 04报告生成
05超时与有限重试
06链路日志
07人工复核路由
Dify Workflow流程编排与节点约束＋公司后端权限、状态、日志与审核留痕
21 · PRODUCTION INTEGRATION
Dify 负责编排，公司系统掌握业务控制权
内部风控页面用户入口 · 审核 · 修改 · 留痕
API
公司后端鉴权 · 任务状态 · 数据接口 · 日志
Dify API
DifyRAG · Agent 编排 · 条件分支 · LLM
留在公司系统权限、核心数据、确定性计算、审核记录放在 DifyPrompt、知识库节点、模型调用、Workflow 编排
22 · USER JOURNEY
用户不是“问 AI”，而是在内部系统中完成一条可审核任务
STEP 01 · 创建任务先给任务明确边界
- 选择目标国家与任务日期
- 填写业务主题与报告类型
- 涉及资产分析时选择数据范围
任务示例墨西哥 · 监管政策变化评估对当前小微信贷产品的影响
STEP 02 · 查看过程进度与异常都可见
- 查看法规检索与指标处理状态
- 暴露引用不足、来源冲突
- 关键数据缺失时阻断相关结论
运行状态法规证据 ✓ 指标核对 ✓待确认：一条来源存在版本冲突
STEP 03 · 专家审核从初稿回到证据
- 查看事实、依据、推断与待确认项
- 点击引用回到法规原文
- 修改、确认或退回并留下记录
审核动作查看来源 修改初稿确认通过 / 退回补充证据
Dify 在后台编排；内部页面承接任务入口、过程反馈、专家审核与留痕。
23 · EVALUATION
每次改动，都要回答“哪里真的变好了”
检索层找对证据
Top-K 命中率 · 引用覆盖 · 版本有效性
节点层做对动作
字段准确率 · 指标复算 · Schema 完整性
端到端交付可用
报告完整性 · 人工修改 · 高风险错误
业务层产生价值
交付周期 · 使用率 · 返工 · 成本与时延
程序评测 命中 / 字段 / Schema / 复算
人工评测 法规适用 / 风险结论 / 报告可用性
Bad case→分类→固定测试集→版本回归
24 · MODEL SELECTION
不是选排行榜第一，而是选当前业务约束下的综合最优解
POC · 快速验证GPT-4o
PoC 使用公开资料或脱敏数据，目标是尽快验证 RAG、Workflow、工具调用与报告生成能否跑通。
- 多语种理解较稳定
- 结构化输出与工具调用成熟
- 与 Dify 接入成本较低
→
INTERNAL USE · 真实业务Qwen3-32B
进入内部真实任务后，信贷数据和风控策略开始进入链路，私有化部署与数据安全成为首先满足的准入条件。
- 满足私有化部署要求
- 业务测试集综合表现更优
- 速度与部署成本可接受
业务理解
多语种法规与金融术语证据遵循
结论有依据、严重错误少输出稳定
固定 Schema 通过率工程约束
时延、资源与部署成本
为什么最终选择 Qwen3-32B：在约 300 条真实任务、历史问题和典型 Bad Case 上，保持知识库、召回证据、Prompt 与输出 Schema 一致，对比 Qwen3-32B、DeepSeek-R1-Distill-Qwen-32B 和 Llama 3.3 70B；它在私有化前提下，对业务理解、证据约束和结构化输出的综合表现最符合当前需求。
25 · OUTCOME
从研究链路失控，到更快、更可信的可审核交付
92%核心法条 Top-5 命中率固定法规查询集；从 68% 提升 24 个百分点
<24h可审核初稿交付从同类任务受理到可供专家复核；原流程 5–7 天
内部真实使用：已用于核心风控团队的目标国家政策与风控研究。
26 · SCALE
1→N：复用骨架，把差异配置化
通用复用
四 Agent 职责报告 Schema审核规则评测框架确定性 Skill
按国家 / 报告配置
法规知识库监管机构术语映射指标口径数据源与 Prompt 示例
下一步优先级Agent 任务成功率 → 人工修改率 → 拦截准确性 → 链路时延与成本 → 再决定是否扩大并行与模型分层。
27 · TAKEAWAY
从“会生成”到
“能进入真实业务”
证据可信RAG、版本与引用
动作确定Schema 与 Skill
流程可控Agent 边界与 Harness
结果可验评测、兜底与人工复核
CreditPulse AI 的核心，不是替专家判断，而是让专家更快拿到一份有依据、可核对、可继续决策的初稿。