4. 决策引擎架构：规则引擎与决策树、评分卡模型集成、实时决策引擎选型

信用额度定价的实时决策链路，核心在于决策引擎的架构设计。本章聚焦规则引擎与评分卡模型的集成方式，以及实时决策引擎（Drools / Spark Streaming）的选型对比，帮助架构师在低延迟、高吞吐与复杂逻辑之间做出权衡。

4.1 决策引擎核心组件与分层架构

一个生产级的实时决策引擎，通常由以下三层构成：

• 规则层：承载业务规则（如“年龄 > 25 且 收入 > 5000”），支持热部署与版本管理。
• 模型层：集成评分卡、决策树、XGBoost 等模型，输出信用评分或风险概率。
• 执行层：负责事件接收、上下文组装、规则/模型编排执行，并返回决策结果。

4.2 规则引擎与决策树、评分卡模型集成

在额度定价场景中，规则引擎通常与模型协同工作，形成“规则前置过滤 + 模型精算 + 规则后置兜底”的流水线。

4.2.1 集成模式对比

4.2.2 评分卡集成示例（伪代码）

// 规则文件：credit_limit.drl
rule "评分卡分数阈值"
    when
        $ctx: DecisionContext(scoreCardResult >= 600)
    then
        $ctx.setCreditLimit(50000);
        $ctx.setDecision("APPROVE");
end

rule "决策树分支转规则"
    when
        $ctx: DecisionContext(income > 10000, age <= 35)
    then
        $ctx.setRiskLevel("LOW");
        $ctx.setCreditLimit(80000);
end

4.3 实时决策引擎选型：Drools vs. Spark Streaming

实时决策引擎的选型直接影响系统的吞吐能力与响应延迟。以下从多个维度对比 Drools 与 Spark Streaming 在额度定价场景中的适用性。

4.3.1 核心差异对比

4.3.2 选型决策树

• 场景一：单笔实时审批（延迟 < 100ms） → 选 Drools，配合本地评分卡或 PMML 模型。
• 场景二：高吞吐批量额度调整（延迟 < 10s） → 选 Spark Streaming，利用微批次处理大规模事件流。
• 场景三：混合架构 → 前端 Drools 做快速准入，后端 Spark Streaming 做深度计算与额度重估。

4.4 架构选型总结