3. 决策引擎架构设计：模块组成、输入输出层、规则执行层、数据存储层

决策引擎是信贷策略编排的核心执行单元，其架构设计直接决定了策略的响应速度、可维护性与扩展性。一个生产级的决策引擎通常采用分层解耦的架构模式，将数据接入、规则计算、结果输出与持久化存储分离为独立模块。本节从模块组成、输入输出层、规则执行层、数据存储层四个维度展开架构设计详解。

3.1 决策引擎模块组成总览

决策引擎由以下核心模块构成，各模块通过标准化接口通信，形成可插拔的组件体系：

3.2 输入输出层设计

3.2.1 输入层：标准化请求与上下文构建

输入层负责将外部异构请求（HTTP、RPC、MQ）转换为引擎内部统一的决策上下文（Decision Context）。核心设计要点包括：

• 协议适配：支持 RESTful、gRPC、消息队列三种接入方式，由 API Gateway 统一路由。
• 参数校验：对必填字段（如身份证号、申请金额、产品编码）进行非空、格式与范围校验，拒绝无效请求。
• 字段映射：将外部字段名映射为内部标准名称（如 apply_amt → loan_amount），消除多产品线差异。
• 上下文构建：将校验后的参数封装为 DecisionRequest 对象，携带请求 ID、时间戳、渠道标识等元信息。

3.2.2 输出层：结果封装与动作路由

输出层将规则执行层产生的决策结果（通过/拒绝/人工审核）封装为标准响应，并根据决策码触发后续动作：

输出层同时负责事件发布：将决策结果以异步消息形式发送至下游系统（如催收、报表、数据湖），实现决策与动作的解耦。

3.3 规则执行层架构设计

规则执行层是决策引擎的“大脑”，负责按照策略编排顺序执行规则节点。其核心架构包含以下组件：

• 策略调度器（Strategy Scheduler）：解析策略 DAG（有向无环图），按拓扑序依次执行节点，支持并行分支与条件跳转。
• 规则引擎（Rule Engine）：执行原子规则（如“年龄 > 18”），支持规则优先级、命中后短路（short-circuit）与规则组聚合。
• 表达式计算器（Expression Evaluator）：处理复杂数学运算、字符串拼接、日期计算，通常集成 Groovy、MVEL 或自研 DSL。
• 模型调用器（Model Invoker）：调用外部评分卡、机器学习模型（如 XGBoost、神经网络），通过 RPC 或本地 ONNX 推理。

3.4 数据存储层架构设计

数据存储层为决策引擎提供持久化与缓存能力，按数据特性分为三个子层：

3.4.1 存储分层策略

3.4.2 关键数据模型

决策上下文快照是存储层的核心实体，其简化结构如下：

-- 决策上下文表
CREATE TABLE decision_context (
    request_id      VARCHAR(64) PRIMARY KEY,
    product_code    VARCHAR(32) NOT NULL,
    channel         VARCHAR(32),
    input_params    JSON NOT NULL,          -- 原始入参
    feature_values  JSON,                  -- 衍生特征
    rule_results    JSON,                  -- 每条规则的命中结果
    final_decision  VARCHAR(32),           -- 最终决策码
    decision_reason VARCHAR(256),          -- 决策原因
    created_at      DATETIME(3) NOT NULL,
    updated_at      DATETIME(3) NOT NULL,
    INDEX idx_product_created (product_code, created_at)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

3.5 架构设计要点总结

• 分层解耦：输入层、执行层、存储层、输出层职责单一，通过接口契约通信，任一层的内部重构不影响其他层。
• 无状态执行：规则执行层不持有会话状态，所有数据从输入上下文或缓存读取，便于水平扩展与故障恢复。
• 读写分离：热存储承载高频读取，温存储承载事务写入，冷存储承载海量归档，避免单一存储瓶颈。
• 可观测性：监控治理层横切所有模块，通过 Metrics、Tracing、Logging 三支柱保障引擎运行时健康。