2. 授信引擎架构概览：决策流、规则引擎、模型评分、额度定价模块的交互逻辑

授信引擎是信贷审批系统的核心决策单元，它并非一个单一模块，而是由决策流编排器、规则引擎、模型评分服务和额度定价计算器四个关键组件协同构成的实时处理管道。理解它们之间的交互逻辑，是设计有效A/B实验的前提——只有明确了哪个模块承载了实验变量，才能准确隔离实验效应。

2.1 核心模块职责与数据流

四个模块在授信决策链中承担不同角色，其输入输出关系如下表所示：

2.2 模块交互逻辑与决策流程

一次完整的授信请求通常经历以下五个阶段，各模块按顺序或条件分支进行交互：

1. 请求接入与变量加工：决策流编排器接收申请，调用数据层完成特征衍生，生成供规则和模型使用的统一变量集。
2. 规则引擎前置拦截：执行黑名单、多头超限、年龄/地区限制等硬性规则。若命中拒绝规则，直接终止流程并返回拒绝结果，不再进入模型评分。
3. 模型评分计算：通过前置规则的申请进入模型评分服务。该模块加载指定版本的评分卡或机器学习模型，输出信用分或违约概率（PD）。
4. 额度定价决策：额度定价计算器接收模型评分，结合客群分层矩阵（如优质客群、次级客群）和资金成本参数，计算最终授信额度与利率。
5. 结果回写与决策流结束：编排器将最终决策（通过/拒绝/人工审核）及额度定价结果封装，返回给业务系统。

2.3 决策流编排：分支与合并逻辑

决策流编排器通过有向无环图（DAG）定义节点执行顺序。典型的授信决策流包含以下分支模式：

• 串行节点：规则引擎 → 模型评分 → 额度定价，按固定顺序执行。
• 条件分支：若规则引擎命中“高欺诈风险”，则跳过模型评分直接拒绝；若命中“人工审核”，则挂起等待。
• 并行节点：同时调用多个模型（如信用评分模型 + 收入预测模型），取加权结果。
• 合并节点：等待所有并行分支返回后，汇总结果进入下一阶段。

2.4 规则引擎与模型评分的协同关系

规则引擎和模型评分服务在决策链中承担互补角色，其核心差异如下：

2.5 额度定价模块的输入输出矩阵

额度定价计算器通常基于评分-额度映射矩阵工作。以下是一个简化的定价矩阵示例：

该模块的交互逻辑可概括为：模型评分 → 客群分层 → 矩阵映射 → 额度/利率输出。在A/B实验中，可以针对映射矩阵本身（如调整额度倍数）或客群分层规则进行实验。

2.6 架构交互对A/B实验的启示

基于上述架构分析，在设计授信引擎A/B实验时需关注以下关键点：

• 实验变量隔离：确保实验变量只影响目标模块，不污染其他模块的输入。例如，测试新模型时，应保证规则引擎和额度定价矩阵保持不变。
• 决策流版本控制：如果实验涉及决策流节点顺序调整，需要为整个决策流定义版本号，避免新旧流程混用。
• 结果归因：当实验涉及多个模块联动时（如同时调整规则和模型），需使用多因素实验设计或分层实验，否则无法区分效果来源。
• 监控指标：每个模块的输出都应作为监控指标（如规则命中率、模型评分分布、平均额度），以便在实验期间快速定位异常。