1. 催收系统概述
1.1 催收业务场景
催收是金融信贷生命周期中风险暴露后的关键处置环节。当借款人逾期未还款时，催收系统通过自动化与人工结合的方式，在合规框架内推动回款、降低坏账损失。典型的催收业务场景包括：
- 早期提醒（M1 阶段）：逾期 1–30 天，以短信、智能语音外呼、APP 推送为主，提醒客户还款。
- 中期催收（M2–M3 阶段）：逾期 31–90 天，人工外呼介入，结合模型评分对客户分层，制定差异化催收策略。
- 后期催收（M3+ 阶段）：逾期超过 90 天，委外催收、法务诉讼或核销处理，系统需支持案件流转与证据链管理。
- 特殊场景：节假日催收策略调整、客户投诉/承诺还款跟踪、失联修复、还款意愿动态评估等。
关键指标：催收系统需在 高并发（如账单日次日、节假日后的外呼洪峰）下保持稳定，同时满足 模型调用延迟 在 200ms 以内的实时决策要求。
1.2 催收系统架构
催收系统通常采用分层微服务架构，核心组件包括接入层、业务编排层、决策引擎层、数据层与 AI 模型服务层。下图展示了催收系统的典型架构：
架构要点：决策引擎层与模型服务层之间的调用链路是限流熔断的核心关注点。当模型服务响应变慢或不可用时，决策引擎需快速降级，避免级联故障。
1.3 催收系统面临的挑战
催收系统在业务高峰期（如账单日、节假日前后）面临两大核心挑战：高并发 与 模型调用延迟。下表总结了主要挑战及其影响：
| 挑战类别 | 具体表现 | 业务影响 | 技术影响 |
|---|---|---|---|
| 高并发 | 账单日次日外呼量激增 5–10 倍；节假日前后催收任务洪峰 | 案件处理延迟、客户体验下降、回款率降低 | 数据库连接池耗尽、服务线程阻塞、CPU 飙升 |
| 模型调用延迟 | 模型推理耗时从 50ms 飙升至 500ms+；模型服务 GC 频繁 | 实时决策超时、策略降级、催收效果打折 | 调用链路超时、资源泄漏、级联故障 |
| 资源竞争 | 模型服务与业务服务共享集群资源 | 模型推理与业务逻辑互相干扰 | CPU/内存争抢、IO 瓶颈、响应时间波动 |
| 数据一致性 | 催收状态更新与模型特征计算时序不一致 | 模型输入特征过期、决策偏差 | 分布式事务难题、缓存与数据库不一致 |
1.4 高并发与模型延迟的关联分析
高并发与模型调用延迟并非独立问题，二者在催收系统中形成 正反馈循环：
- 并发升高 → 模型服务请求排队 → 单次推理延迟增加。
- 延迟增加 → 客户端（决策引擎）等待超时 → 重试请求涌入 → 进一步推高并发。
- 重试风暴 → 模型服务负载持续攀升 → 触发 GC 或 OOM → 服务不可用。
- 服务不可用 → 催收策略降级为默认规则 → 回款率下降 10%–30%。
风险警示：未做限流熔断的催收系统，在账单日次日可能出现 模型服务雪崩，导致全量催收任务回退到无模型支持的兜底策略，直接影响回款率与坏账率。
下图展示了高并发与模型延迟之间的恶性循环关系：
1.5 限流熔断与 Model Serving 的引入价值
为应对上述挑战，催收系统需要引入 限流熔断 与 Model Serving 两大核心能力：
| 能力 | 目标 | 核心手段 | 在催收中的典型应用 |
|---|---|---|---|
| 限流熔断 | 保护模型服务不被突发流量击垮 | 令牌桶、漏桶、滑动窗口、熔断器（Hystrix/Sentinel） | 账单日次日限制外呼请求速率；模型延迟超过阈值时熔断降级 |
| Model Serving | 提供稳定、低延迟的模型推理能力 | 模型热加载、GPU/CPU 异构推理、请求批处理、缓存 | 催收评分模型实时推理；还款意愿预测毫秒级响应 |