1. 课程导入
在金融风控、反欺诈、反洗钱、授信审批与实时营销等场景中，图模型正在从“离线分析工具”走向“在线决策引擎”。当图神经网络（GNN）或图嵌入模型被部署到生产环境后，真正决定业务效果的往往不是模型结构本身，而是Serving 架构与在线推理链路是否稳定、低延迟、可扩展。本课程围绕这一核心问题展开，帮助你把“能训练的图模型”变成“能扛住线上流量的图服务”。
本节定位：作为 30 章课程的导入，本节不深入具体算法推导，而是先建立全局认知——学什么、为什么学、怎么学、最终能落地成什么形态。
一、学习目标：从“模型可用”到“服务可靠”
金融图模型 Serving 的学习目标可以拆解为四个层次，它们层层递进，也对应着不同的岗位能力要求。
- 认知层：理解图模型在线推理与离线批推理的本质差异，明确“图查询 + 特征聚合 + 模型计算”三段式链路。
- 工程层：掌握图存储选型、邻居采样、子图构建、特征拼接、模型加载与并发控制等关键工程环节。
- 性能层：能够针对 P99 延迟、吞吐量、内存占用、缓存命中率等指标进行调优与压测。
- 业务层：把在线推理结果接入风控决策流、实时名单、额度调整等金融业务系统，并建立监控与回滚机制。
换句话说，本课程不满足于让你跑通一个 Demo，而是要求你能够回答：当一笔交易在 50 毫秒内需要完成图特征查询与模型打分时，系统里每一层分别承担什么职责？瓶颈可能出现在哪里？如何验证与优化？
二、核心概念：图 Serving 的五个关键对象
在进入实战之前，需要先统一术语。金融图模型 Serving 中反复出现的核心对象包括：
| 概念 | 含义 | 金融场景示例 |
|---|---|---|
| 图数据源 | 存储节点、边及其属性的底层系统 | 图数据库、KV 存储、特征平台 |
| 查询请求 | 一次在线推理触发的图查询入口 | 以用户 ID 或卡号发起查询 |
| 子图采样 | 从全图中抽取目标节点邻域 | 采样 2 跳邻居用于 GNN 推理 |
| 特征聚合 | 将邻居特征按规则汇总 | 均值、求和、注意力加权 |
| 推理服务 | 加载模型并输出打分或向量 | 风险评分、欺诈概率、Embedding |
其中，子图采样与特征聚合是在线推理区别于传统模型服务的最大难点：它们把“一次模型调用”变成了“一次带图遍历的复合计算”。
三、整体框架：在线推理链路的分层结构
一个典型的金融图模型 Serving 系统可以划分为五层：接入层、查询层、采样层、推理层与决策层。下图展示了从一笔交易请求到最终风险决策的完整数据流与关键组件关系。
从图中可以看到，在线推理并不是单一模型服务，而是一条跨层协作链路。接入层负责请求解析与限流；查询层把业务 ID 映射为图节点；采样层决定“看哪些邻居”；推理层完成张量计算；决策层把分数转化为业务动作。监控与治理则横跨所有层，是金融场景不可省略的部分。
四、实战路线图：四周从入门到上线
为了让学习路径清晰可执行，本课程设计了一条“由浅入深、由单机到分布式”的实战路线。你可以把它理解为一张能力地图：
- 第一周：基础打通。搭建图存储与最小推理服务，跑通“单节点查询 → 特征聚合 → 模型打分”闭环。
- 第二周：性能优化。引入邻居采样、批量推理、特征缓存与异步 IO，把 P99 延迟压到目标区间。
- 第三周：工程加固。加入限流、降级、模型热更新、版本管理与 A/B 实验能力。
- 第四周：金融场景落地。以反欺诈或授信审批为例，完成端到端部署、压测、监控与复盘。
学习建议：每章都动手复现关键代码与配置，不要只读不练。图 Serving 的很多问题（如采样倾斜、缓存穿透、邻居爆炸）只有在真实压测中才会暴露。
五、常见误区与复盘要点
初学者在金融图模型 Serving 中容易踩以下几类坑，提前识别可以节省大量调试时间。
- 误区一：把离线推理代码直接搬到线上。离线可以全图遍历，线上必须采样，否则延迟不可控。
- 误区二：忽视特征一致性。训练时用的邻居特征与线上查询到的特征若不一致，模型效果会大幅下降。
- 误区三：只关注平均延迟。金融场景更关注 P99 与长尾请求，少数慢请求可能直接导致交易超时。
- 误区四：缺少降级方案。图存储抖动时，服务应有兜底策略，例如返回默认分数或走规则引擎。
复盘提醒：上线前务必做三件事——压测到目标 QPS 的 1.5 倍、验证模型版本回滚流程、确认监控告警能覆盖图查询失败与推理超时。
本节建立了金融图模型 Serving 的整体认知框架：学习目标聚焦“服务可靠”，核心概念围绕“图查询与采样聚合”，整体框架分为五层链路，实战路线按四周递进。接下来各章将逐层拆解这些环节，从图存储选型到在线推理优化，再到金融业务集成，帮助你真正把图模型送进生产环境。