3. 决策引擎架构设计：模块化架构与核心职责
授信决策引擎是额度模型与评分策略落地的核心执行单元。一个生产级的决策引擎必须支持高并发、低延迟、可编排、可观测。本章将拆解其模块化架构，明确每个模块的职责边界与协作关系。
3.1 模块化架构总览
决策引擎采用微内核 + 插件化设计，核心模块包括：规则引擎、模型引擎、变量工厂、决策流编排。四个模块通过标准化的上下文对象（DecisionContext）传递数据，形成完整的决策流水线。
3.2 各模块职责详解
| 模块名称 | 核心职责 | 典型组件/技术 | 性能要求 |
|---|---|---|---|
| 规则引擎 | 执行 if-then 逻辑规则，如黑名单、多头借贷、反欺诈规则 | Drools、EasyRules、自研 RETE 网络 | 单规则 < 1ms，千条规则 < 10ms |
| 模型引擎 | 加载并运行评分卡、XGBoost、神经网络等模型 | PMML、ONNX、Paddle Serving | 单模型 < 5ms，支持模型热更新 |
| 变量工厂 | 从原始数据衍生加工特征变量，如年龄、收入比、近 3 月查询次数 | Groovy 脚本、SQL、C++ 高性能计算 | 单变量 < 0.5ms，支持变量血缘追踪 |
| 决策流编排 | 定义规则、模型、变量的执行顺序、条件分支、循环与终止 | DAG 调度、状态机、JSON/YAML 配置 | 编排开销 < 1ms，支持可视化拖拽 |
3.3 规则引擎：决策的“第一道防线”
规则引擎负责执行确定性逻辑，通常用于快速拒绝高风险申请或触发人工审核。其核心能力包括：
- 规则匹配：基于 RETE 算法或线性扫描，将输入数据与规则条件匹配。
- 优先级与冲突解决：支持规则优先级排序，当多条规则同时触发时按 salience 或 LIFO 策略执行。
- 规则热部署：在不重启引擎的情况下动态增删改规则，支持灰度发布。
- 决策日志：记录每条规则的命中情况、输入输出，用于事后审计与调优。
实践建议：规则引擎适合处理“硬性边界”逻辑，如年龄 < 18 直接拒绝、命中黑名单直接拒绝。对于需要概率评估的场景，应交给模型引擎处理，避免规则爆炸。
3.4 模型引擎：量化风险的“大脑”
模型引擎负责加载和运行机器学习模型，输出评分、概率或分类结果。生产环境中的模型引擎需要解决以下关键问题：
- 模型格式标准化：使用 PMML、ONNX 或 Paddle 格式，屏蔽底层训练框架差异。
- 模型版本管理：支持 A/B 测试、冠军/挑战者模式，实时切换模型版本。
- 特征对齐：确保训练时的特征工程与线上变量工厂产出的变量完全一致。
- 性能优化：通过模型量化、剪枝、批处理等手段降低推理延迟。
3.5 变量工厂：特征加工的“中央厨房”
变量工厂是决策引擎中计算密度最高的模块。它从原始数据（如申请表单、征信报告、行为日志）中衍生出模型和规则所需的特征变量。变量工厂的设计要点：
- 变量分类：基础变量（年龄、性别）、衍生变量（收入负债比）、聚合变量（近 3 月查询次数）、时序变量（额度使用率趋势）。
- 计算模式：支持在线实时计算（如 SQL 查询、Groovy 脚本）和离线预计算（如 T+1 特征宽表）。
- 变量血缘：记录每个变量从哪个原始字段、经过何种计算逻辑产生，便于排查问题。
- 空值处理：定义变量缺失时的默认值、填充策略或拒绝策略。
关键指标：变量工厂的 P99 延迟应控制在 20ms 以内，单次决策涉及的变量数通常在 50～500 个之间。变量计算失败不应阻塞整个决策流，应支持降级或默认值兜底。
3.6 决策流编排：串联一切的“指挥中心”
决策流编排模块定义了规则、模型、变量工厂的执行顺序与条件分支。一个典型的授信决策流可能包含以下阶段：
- 变量准备阶段：调用变量工厂计算所有所需特征。
- 反欺诈规则阶段：执行黑名单、设备指纹、多头借贷等规则，命中则直接拒绝。
- 评分卡模型阶段：调用模型引擎计算信用评分。
- 额度定价阶段：基于评分和规则结果，计算授信额度与利率。
- 后处理阶段：记录决策日志、触发人工审核或补充材料通知。
决策流编排支持以下高级特性：
| 特性 | 说明 | 应用场景 |
|---|---|---|
| 条件分支 | 根据中间结果选择不同执行路径 | 高评分走自动通过，低评分走人工审核 |
| 并行执行 | 无依赖的模块同时执行 | 同时计算多个模型评分 |
| 循环/重试 | 对失败节点进行有限次重试 | 外部征信接口超时重试 |
| 超时熔断 | 超过时间阈值后终止当前路径 | 防止单个模块拖垮整体决策 |
3.7 模块间协作：DecisionContext 数据总线
所有模块通过 DecisionContext 对象进行数据交换。DecisionContext 是一个线程安全的键值对容器，包含以下核心数据域：
- inputData：原始申请数据，如身份证号、手机号、收入等。
- variables：变量工厂产出的所有特征变量。
- ruleResults：规则引擎的命中记录与中间结论。
- modelScores：模型引擎输出的评分、概率、分类标签。
- finalDecision：最终决策结果，包括额度、利率、拒绝原因码。
注意：DecisionContext 的设计必须避免大对象复制，建议使用引用传递或共享内存。在高并发场景下，需注意线程安全与内存泄漏问题，推荐使用对象池复用 Context 实例。
3.8 架构设计最佳实践
基于生产环境的经验，以下实践可显著提升决策引擎的稳定性与可维护性：
- 模块解耦：每个模块只依赖 DecisionContext，不直接调用其他模块的内部 API。
- 配置驱动：决策流、规则、模型版本、变量定义全部通过外部配置管理，支持热更新。
- 可观测性：每个模块输出详细的执行日志、耗时指标、命中统计，接入 Prometheus/Grafana 监控。
- 灰度发布：新规则或新模型先在小流量上验证，通过后再全量上线。
- 降级与熔断：当外部数据源或模型服务不可用时，自动降级到备用策略或默认决策。
通过以上模块化架构设计，授信决策引擎能够灵活应对不同产品线、不同风险等级的额度模型评分需求，同时保持高性能与高可用性。