2. 授信决策引擎基础：决策引擎的架构组成与决策流
授信决策引擎是信贷审批与额度定价的核心计算平台。它接收用户请求，按照预设的决策逻辑，调用规则、评分卡与模型，最终输出通过/拒绝/人工等决策结果。理解其架构组成与决策流概念，是设计A/B测试方案的前提。
2.1 决策引擎的三大核心组件
现代授信决策引擎通常由三个逻辑层构成：规则引擎、评分卡与模型服务。三者协同工作，覆盖从硬性规则拦截到复杂模型预测的全流程。
| 组件 | 核心功能 | 典型应用场景 | 响应速度 |
|---|---|---|---|
| 规则引擎 | 执行 if-then 逻辑，快速拦截或分流 | 黑名单校验、多头借贷上限、年龄/地区限制 | 毫秒级 |
| 评分卡 | 基于逻辑回归或分箱模型，输出信用分数 | 申请评分卡(A卡)、行为评分卡(B卡) | 毫秒级 |
| 模型服务 | 部署机器学习/深度学习模型，输出概率或分档 | XGBoost 违约预测、LSTM 欺诈检测 | 亚秒级至秒级 |
架构要点：规则引擎通常作为第一道防线，快速过滤高风险请求；评分卡与模型服务则用于精细化风险排序与额度定价。在A/B测试中，三者均可作为实验变量。
2.2 决策流与节点概念
决策流（Decision Flow）是将上述组件串联起来的有向无环图（DAG）。每个处理单元称为一个节点（Node），节点之间通过连线定义执行顺序与条件分支。
常见的节点类型包括：
- 开始/结束节点：标识决策流的起点与终点。
- 规则节点：执行一组规则，输出通过/拒绝/转人工。
- 评分卡节点：调用评分卡模型，输出分数并存入上下文。
- 模型节点：调用外部模型服务，返回预测结果。
- 分支节点：根据前置结果（如分数阈值）分流到不同路径。
- 聚合节点：合并多条路径的结果，用于最终决策。
设计提示：在A/B测试中，通常将“分支节点”作为实验分流点，将“模型节点”或“规则节点”作为实验变量。确保实验组与对照组共享相同的开始/结束节点，以保证决策流完整性。
2.3 决策引擎架构总览
下图展示了一个典型的授信决策引擎架构，包含规则引擎、评分卡与模型服务的集成方式，以及决策流中节点的基本关系。
2.4 决策流节点编排示例
以下是一个简化的授信决策流节点编排，展示从请求到最终决策的完整路径。该流程在A/B测试中常被用作基线流程。
常见误区：在A/B测试中，如果实验组与对照组使用了不同的决策流拓扑（例如实验组多了一个规则节点），则无法区分效果差异来自节点本身还是拓扑变化。务必保持决策流结构一致，仅替换节点内部逻辑。
2.5 组件间的数据传递
决策引擎各组件通过上下文（Context）对象共享数据。上下文在决策流启动时创建，包含用户基础信息、征信报告、设备指纹等。每个节点执行后，将结果写入上下文，供后续节点读取。
| 组件 | 写入上下文 | 读取上下文 |
|---|---|---|
| 规则引擎 | 规则命中标识、拒绝原因码 | 用户基础信息、黑名单库 |
| 评分卡 | 信用分数、分数分档 | 特征变量（如年龄、收入、负债比） |
| 模型服务 | 违约概率、模型版本号 | 特征向量、评分卡分数（可选） |
实验设计要点：在A/B测试中，确保实验组与对照组使用相同的上下文结构。如果实验模型需要新增特征，应先在上下文中预留字段，避免因数据缺失导致决策流中断。