2. 授信引擎架构概述：决策引擎、规则引擎、模型引擎的协同工作流程
授信引擎是信贷审批流程的核心决策中枢，其内部并非单一模块，而是由决策引擎、规则引擎和模型引擎三大组件协同构成的有机整体。理解三者之间的分工与协作关系，是设计A/B测试流量分配方案的前提——因为流量分配策略必须嵌入到决策引擎的调用链路中，才能精准控制实验组与对照组的授信逻辑。
2.1 三大引擎的核心职责
| 引擎名称 | 核心职责 | 输入 | 输出 |
|---|---|---|---|
| 决策引擎 | 流程编排与路由控制 | 用户请求、上下文变量 | 决策结果（通过/拒绝/人工） |
| 规则引擎 | 硬性条件判断与风控拦截 | 用户特征、黑名单、多头数据 | 规则命中结果（布尔值/分数） |
| 模型引擎 | 评分卡/机器学习模型推理 | 特征向量、模型版本 | 模型分数、概率值 |
关键认知：决策引擎是“大脑”，负责调度；规则引擎是“守门员”，负责硬性拦截；模型引擎是“分析师”，负责量化评估。A/B测试的流量分配通常由决策引擎在流程入口处完成。
2.2 协同工作流程
一次完整的授信决策请求，会依次经过以下阶段：
- 请求接入与分流：决策引擎接收用户申请，根据流量分配策略（如用户ID哈希、随机数、分层抽样）将请求路由至不同的决策流版本（实验组/对照组）。
- 规则引擎预筛：执行黑名单、多头借贷、反欺诈等硬性规则。若触发拒绝规则，直接终止流程并返回结果，不再调用模型引擎。
- 模型引擎评分：通过预筛的请求，由模型引擎加载对应版本的评分卡或机器学习模型，计算违约概率（PD）、信用评分等指标。
- 决策融合与输出：决策引擎将规则结果与模型分数按策略矩阵（如评分+额度公式）融合，生成最终授信结论（额度、利率、期限）。
2.3 决策引擎的分流机制
在A/B测试场景下，决策引擎承担着流量分配网关的角色。常见的分流策略包括：
- 用户ID哈希取模：对用户ID进行一致性哈希，将流量均匀分配到不同实验组，保证同一用户始终进入同一组。
- 随机数分层：生成随机数并与预设阈值比较，适用于小流量快速实验。
- 分层抽样：按用户属性（如新老客、渠道来源）分层后，在每层内独立随机分配，保证各组用户结构一致。
实践建议：在决策引擎中，流量分配逻辑应放在规则引擎之前执行。这样可以确保实验组和对照组经历相同的规则预筛流程，避免因规则拦截率差异导致实验组样本量不足。
2.4 规则引擎与模型引擎的交互模式
规则引擎与模型引擎并非串行执行，而是存在条件调用关系。常见的交互模式有两种：
| 交互模式 | 执行顺序 | 适用场景 | 优点 |
|---|---|---|---|
| 先规则后模型 | 规则引擎 → 模型引擎 | 高拒绝率场景（如现金贷） | 节省模型推理成本，降低延迟 |
| 规则模型并行 | 规则引擎与模型引擎同时执行 | 低拒绝率场景（如抵押贷） | 减少整体决策时间 |
2.5 协同工作对A/B测试的影响
注意：在授信引擎架构中，A/B测试的流量分配不能仅停留在决策引擎层面。如果实验涉及规则引擎或模型引擎的版本变更，必须确保流量分配逻辑能够将同一用户的请求始终路由到同一组引擎版本，否则会导致用户在不同请求间体验不一致，破坏实验的随机化假设。
总结而言，授信引擎的三大组件形成了“分流—拦截—评分—决策”的闭环。决策引擎作为流量入口，是A/B测试流量分配策略的落地载体；规则引擎与模型引擎则作为被实验的“变量”，在流量分配完成后按版本执行各自的逻辑。理解这一架构，是后续设计流量分配方案的基础。