一、流式决策概述
1.1 什么是流式决策
流式决策（Streaming Decision）是一种事件驱动、逐笔实时的决策模式。在额度策略场景中，系统每收到一个用户请求（如授信申请、提额触发、用信行为），立即触发一条独立的决策流，在毫秒级时间内完成数据采集、规则计算、模型评分、额度测算与结果输出，整个过程不依赖批量跑批、不等待数据窗口关闭。
与传统的“先攒数据、后统一计算”不同，流式决策将决策单元从“批次”拆解为“单笔”，每个请求都拥有独立的上下文和完整的决策链路。这种模式天然适配互联网金融、消费信贷、实时风控等对时效性要求极高的业务场景。
核心特征： 单笔触发 → 实时计算 → 即时返回。决策引擎不等待、不排队、不批量。
1.2 流式决策在额度策略中的核心价值
额度策略是信贷风控中最复杂的决策场景之一，涉及用户分层、额度测算、定价联动、动态调整等多个环节。流式决策为额度策略带来了四个不可替代的价值：
- 实时性： 用户提交申请后，系统在秒级甚至毫秒级完成额度计算，避免用户等待，提升转化率。
- 精细化： 每笔请求独立决策，可根据用户实时行为、设备指纹、多头借贷等动态数据做差异化额度，而非“一刀切”的固定额度。
- 可扩展性： 决策流中的节点可独立开发、测试、灰度、回滚，新增规则或模型不影响其他节点，适合策略快速迭代。
- 可观测性： 每条决策流都有唯一ID，可完整回溯每个节点的输入、输出、耗时、命中情况，便于策略分析与问题排查。
| 维度 | 流式决策 | 传统批处理 |
|---|---|---|
| 触发方式 | 事件驱动，单笔触发 | 定时调度，批量触发 |
| 响应时间 | 毫秒～秒级 | 分钟～小时级 |
| 数据时效 | 实时数据，当前状态 | T+1 或离线数据 |
| 决策粒度 | 单笔独立决策 | 批次统一决策 |
| 策略迭代 | 节点级灰度，快速上线 | 全量部署，周期长 |
| 可观测性 | 全链路追踪，单笔可查 | 聚合指标，难以定位 |
1.3 流式决策 vs 传统批处理决策
为了更直观地理解两种模式的差异，下面从架构形态和数据流向两个维度进行对比。
架构对比图
下图展示了流式决策与传统批处理在架构层面的核心区别：流式决策以“决策引擎”为中心，实时接收请求并逐节点执行；传统批处理则以“离线数仓”为中心，先批量加工数据，再统一输出结果。
关键差异总结
从业务视角看，两种模式在以下五个维度存在本质区别：
- 时效性： 流式决策是“秒级响应”，批处理是“小时级/天级响应”。对于额度策略，用户等待超过3秒，转化率会下降20%以上。
- 数据新鲜度： 流式决策使用“当前时刻”的数据（如实时多头、设备指纹），批处理只能使用“上一个批次”的快照数据。
- 策略复杂度： 流式决策支持“千人千面”的差异化额度，批处理通常只能输出“分档额度”或“固定额度”。
- 运维成本： 流式决策需要维护实时计算集群和决策引擎，批处理依赖离线调度系统，运维模式不同。
- 适用场景： 流式决策适合线上实时授信、提额、用信拦截；批处理适合离线额度重算、批量调额、贷后盘点。
实践建议： 在额度策略体系中，流式决策与批处理并非互斥关系。通常线上实时决策使用流式模式，而离线额度校准、批量提额使用批处理模式，两者形成“实时+离线”的双轨策略。
数据流向对比图
下图从数据流的角度，进一步展示两种模式在数据采集、处理、输出环节的差异：
避坑提示： 很多团队在初期将批处理策略直接“平移”到流式决策中，导致规则超时、数据依赖断裂、结果不一致。流式决策需要重新设计数据获取方式（如缓存预热、异步加载）和规则执行顺序（如前置轻规则、后置重模型），不能简单照搬批处理逻辑。