1. 课程导论：额度定价的业务背景、特征服务与API的关系、决策链路全景图
1.1 额度定价的业务背景
在信贷、保险、电商分期等金融场景中，额度定价是核心风控与商业决策的交汇点。它决定了“给谁多少额度、以什么利率定价”，直接影响资产质量与营收平衡。
业务痛点：传统额度定价依赖离线跑批、规则硬编码，导致响应慢、策略迭代周期长、无法实时捕捉用户行为变化。业务方常面临“额度给多了亏损，给少了流失”的两难困境。
现代额度定价系统需要满足三个关键能力：
- 实时性：在用户申请、用信、调额等时刻，毫秒级输出决策结果。
- 可解释性：监管与业务要求明确知道“为什么给这个额度/利率”。
- 可迭代性：特征、模型、策略能够独立更新，互不阻塞。
1.2 特征服务与API的关系
在额度定价决策链路中，特征服务与API是两个核心抽象层，它们的分工与协作决定了系统的灵活性与性能。
| 维度 | 特征服务 (Feature Service) | API (Application Programming Interface) |
|---|---|---|
| 职责 | 特征计算、聚合、存储与在线获取 | 决策请求的接收、编排、响应封装 |
| 输入 | 原始数据（用户ID、设备指纹、埋点事件等） | 决策请求（用户标识、产品码、上下文） |
| 输出 | 特征向量（数值、类别、嵌入） | 决策结果（额度、利率、拒绝原因） |
| 更新频率 | 特征逻辑可小时级/天级更新 | 策略规则可分钟级热加载 |
| 典型技术 | Redis、Flink、Feature Store（如Feast） | gRPC、RESTful、GraphQL |
关键认知：特征服务是“数据到特征”的管道，API是“特征到决策”的编排器。两者解耦后，特征团队与策略团队可以并行工作，互不依赖。
1.3 决策链路全景图
从用户发起请求到最终返回额度定价结果，完整的决策链路包含以下五个阶段：
- 请求接入：API网关接收外部请求，完成鉴权、限流、参数校验。
- 特征获取：决策引擎调用特征服务，获取实时与离线特征。
- 规则计算：执行准入规则、反欺诈规则、额度试算规则。
- 模型推理：加载定价模型（如XGBoost、神经网络），输出分数或档位。
- 结果组装：结合规则与模型输出，生成最终额度、利率及拒绝原因，返回给调用方。
1.4 特征服务与API的协作模式
在决策链路中，特征服务与API并非简单的“调用-返回”关系，而是存在三种典型的协作模式：
| 模式 | 描述 | 适用场景 |
|---|---|---|
| 同步拉取 | API在决策时实时调用特征服务获取特征 | 实时风控、在线定价 |
| 异步预计算 | 特征服务提前计算并缓存特征，API直接读取 | 高并发、低延迟场景 |
| 事件驱动 | 用户行为事件触发特征更新，特征服务推送至API | 动态调额、实时营销 |
常见误区：将特征计算逻辑直接写在API代码中，导致特征与策略耦合，每次特征变更都需要重新发布API服务。正确的做法是将特征服务独立部署，API只负责编排与路由。
1.5 课程学习路径
本课程将按照以下结构逐步深入：
- 第2-5章：特征服务的设计与实现（特征存储、计算、在线获取）
- 第6-10章：决策引擎与规则管理（规则编排、热加载、灰度发布）
- 第11-15章：模型推理与额度计算（模型部署、特征重要性、定价策略）
- 第16-20章：API架构与性能优化（gRPC、缓存、熔断降级）
- 第21-25章：监控、可观测性与持续迭代
- 第26-30章：生产案例与最佳实践
1.6 本章小结
本章建立了额度定价决策链路的全局视角：
- 明确了实时性、可解释性、可迭代性三大业务目标。
- 区分了特征服务与API的职责边界与协作模式。
- 通过五阶段全景图展示了从请求到响应的完整路径。
- 规划了课程学习路径，为后续章节打下基础。
实践提示：在开始搭建系统前，建议先画出自己业务场景的决策链路图，明确每个环节的输入输出与延迟要求，这将极大降低后续架构设计的返工成本。