1. 课程导入

在风控、反欺诈、信贷审批、内容安全、营销准入等业务里，决策系统经常面对一个两难：纯规则可解释、可审计、上线快，但维护成本高、覆盖能力弱；纯评分模型区分度好、泛化能力强，但可解释性不足、策略调整不灵活。真正能落地的方案，通常不是二选一，而是把两者组织成一条融合决策流：规则负责硬约束、强解释和兜底，评分模型负责排序、分层和精细化区分，最终由决策流统一编排、统一输出、统一留痕。

一、什么是规则与评分模型融合决策流

融合决策流，是指在一个决策请求进入系统后，按照预定义的顺序和条件，依次执行规则判断、模型打分、策略分支、阈值比较、动作输出，并记录每一步中间结果的完整链路。它不是简单的“先跑规则再跑模型”，而是强调三件事：

• 编排性：规则、模型、变量计算、外部查询、人工复核等节点按业务语义排列，形成有向流程。
• 融合性：规则结果可以作为模型特征，模型分数也可以作为规则条件，二者互相引用而非孤立。
• 可观测性：每个节点的输入、输出、耗时、命中情况、版本号都被记录，支持事后复盘与审计。

一个典型的融合决策流可以抽象为以下结构：

请求进入
  → 变量加工（用户画像、设备信息、历史行为）
  → 硬规则拦截（黑名单、年龄、地域、频次）
  → 评分模型打分（A卡/B卡/C卡、反欺诈分、行为分）
  → 规则与分数融合判断（分数区间 + 规则标签）
  → 决策动作（通过 / 拒绝 / 转人工 / 加验）
  → 结果落库与监控埋点

在这条链路中，规则和模型不是竞争关系，而是分工关系。规则解决“必须怎样”，模型解决“更可能怎样”。

二、学习目标：学完本课程你能做什么

本课程不是单纯讲规则引擎或模型算法，而是围绕“融合决策流”的完整工程与策略能力展开。学完后，你应当能够：

1. 理解规则、评分模型、决策流三者的边界与协作方式，能画出业务决策流草图。
2. 掌握规则集设计方法，包括条件表达式、优先级、冲突处理、兜底策略。
3. 掌握评分模型接入决策流的方式，包括特征对齐、分数映射、阈值设定、版本管理。
4. 能设计融合策略，例如“规则命中直接拒绝，未命中进入模型分层，分数处于灰区转人工”。
5. 能搭建可回放、可监控的决策流，定位“为什么这笔被拒”“为什么分数突变”。
6. 能通过复盘与A/B测试持续优化规则和模型，避免策略腐化和指标漂移。

三、整体课程框架：30章如何组织

课程按照“认知—设计—实现—运营—进阶”的主线展开，共30章。第1章是导入，后续章节会逐步深入。整体框架可以概括为以下五个部分：

阶段	核心内容	典型产出
认知与定义	融合决策流概念、规则与模型分工、业务价值	决策流草图、术语统一
规则与模型基础	规则表达式、优先级、评分卡、模型分映射	规则集、评分接入方案
融合编排与实现	决策流引擎、节点编排、变量加工、动作路由	可运行决策流配置
监控与复盘	埋点、日志、回放、指标监控、异常定位	监控看板、复盘报告
优化与进阶	A/B测试、策略迭代、模型更新、规则治理	优化闭环、治理规范

其中，规则与模型的融合方式会贯穿始终。你会在后续章节看到大量真实场景拆解，例如信贷审批中的“规则前置+模型分层+人工灰区”，反欺诈中的“设备规则+行为模型+团伙识别”，内容安全中的“关键词规则+语义模型+人工复审”。

四、实战价值：为什么值得投入学习

融合决策流的实战价值，体现在四个层面：

• 业务层面：在通过率、坏账率、欺诈率、人工成本之间找到更优平衡点，而不是靠单点规则或单模型硬扛。
• 工程层面：规则和模型解耦，策略调整不必每次发版，模型更新不影响硬规则，提升迭代效率。
• 合规层面：每一步决策可解释、可追溯，满足审计、监管和内部风控要求。
• 组织层面：策略、算法、工程、运营可以在同一套决策流语言下协作，减少“规则写死、模型黑盒”的沟通成本。

五、一个最小融合决策流示例

为了让你在课程开始就建立直观感受，下面给出一个简化但完整的融合决策流配置片段。它展示了规则拦截、模型打分、融合判断和动作输出的基本结构：

decision_flow:
  name: loan_approval_flow
  version: v1.0
  nodes:
    - id: var_process
      type: feature
      output: [age, income, device_risk, history_score]

    - id: hard_rule
      type: rule
      condition: "age < 18 or device_risk > 0.9"
      action: reject
      priority: 1

    - id: score_model
      type: model
      model: risk_score_v3
      input: [age, income, history_score]
      output: score

    - id: fusion_judge
      type: rule
      condition: "score >= 700 and device_risk < 0.5"
      action: pass
      priority: 2

    - id: gray_zone
      type: rule
      condition: "score >= 600 and score < 700"
      action: manual_review
      priority: 3

  default_action: reject

这段配置虽然简单，但已经包含了融合决策流的四个关键要素：变量加工、硬规则、模型评分、融合分支。后续课程会在此基础上扩展出更复杂的编排、监控和优化能力。

六、本章小结与学习准备

本章作为导入，重点不是让你立刻写出复杂决策流，而是建立三个认知：第一，规则和模型不是替代关系，而是融合关系；第二，融合决策流的核心是编排、融合与可观测；第三，学习本课程的目标是具备设计、实现和优化融合决策流的完整能力。