2. 授信引擎基础架构
授信引擎是信贷决策的核心执行单元，其架构设计直接决定了 Champion Challenger 实验能否高效、准确地运行。一个标准的生产级授信引擎由三大核心组件构成：决策引擎核心、规则引擎与模型引擎，以及评分卡与策略流。理解这三者的协同关系，是设计有效评估方案的前提。
2.1 决策引擎核心组件
决策引擎作为“大脑”，负责接收请求、编排流程、调用组件并输出决策结果。其核心组件包括：
| 组件名称 | 功能描述 | 在 C/C 实验中的角色 |
|---|---|---|
| 请求路由器 | 解析入参，校验数据完整性，根据策略版本号或流量标识将请求分发至 Champion 或 Challenger 策略流。 | 实验分流的第一道关卡，确保流量按预设比例进入不同分支。 |
| 变量工厂 | 从数据源（三方征信、内部历史、用户画像）衍生计算所需特征变量。 | 保证 Champion 与 Challenger 使用同一套变量定义，避免因变量差异导致评估偏差。 |
| 策略执行器 | 按顺序加载并执行策略流中的规则、评分卡和模型节点。 | 执行 Champion 或 Challenger 各自的策略逻辑，记录每个节点的中间结果。 |
| 决策结果处理器 | 汇总各节点输出，生成最终决策（通过/拒绝/人工），并组装返回报文。 | 标记实验组别，输出决策原因码，供后续效果评估使用。 |
| 监控日志器 | 记录全链路决策日志，包括入参、变量值、节点命中情况、耗时和最终决策。 | 效果评估的数据基础，必须包含实验分组标签。 |
实践要点：在搭建 C/C 实验时，务必在监控日志器中增加
experiment_id 和 variant_name 字段。这是后续进行效果归因和统计检验的唯一凭证。
2.2 规则引擎与模型引擎的协同
规则引擎与模型引擎是授信引擎中“逻辑判断”与“概率预测”的两大支柱。它们的协同方式决定了策略的灵活性与准确性。
- 规则引擎：基于确定性逻辑（如“年龄 < 18 → 拒绝”），执行速度快，适合做硬性拦截和准入控制。通常使用决策表、决策树或脚本语言实现。
- 模型引擎：基于统计学习或机器学习模型（如逻辑回归、XGBoost），输出违约概率或评分，适合做精细化风险排序。
在典型的授信流程中，两者的协同遵循“先规则后模型”的原则：
- 准入规则：规则引擎首先执行黑名单、多头借贷、身份核验等硬性规则，快速拒绝高风险或不合规的申请。
- 变量计算：通过准入的请求进入变量工厂，计算模型所需的特征。
- 模型评分：模型引擎加载 Champion 或 Challenger 版本的模型文件，计算评分或概率。
- 策略规则：规则引擎再次介入，根据模型评分结合额度、定价等策略规则，输出最终决策。
Champion Challenger 实验点：规则引擎通常作为“不变层”保持 Champion 版本，而 Challenger 实验主要替换模型引擎中的模型文件或评分卡参数。这样可以将实验变量控制在模型层面，降低评估复杂度。
2.3 评分卡与策略流的交互逻辑
评分卡是模型引擎的一种特殊实现形式，通常以逻辑回归模型为基础，将特征变量映射为分数。策略流则是一组有序的决策节点（规则、评分卡、模型）的编排。两者的交互逻辑决定了策略的精细度。
评分卡在策略流中的典型交互模式包括：
- 前置评分卡：在规则引擎之前运行，用于快速风险分层，不同分数段走不同的规则分支。
- 后置评分卡：在规则引擎之后运行，用于精细化额度定价决策。
- 级联评分卡：多个评分卡串联，前一个评分卡的输出作为后一个评分卡的输入变量。
| 交互模式 | 适用场景 | C/C 实验设计建议 |
|---|---|---|
| 前置评分卡 | 快速拒绝低分客群，节省后续计算资源 | Champion 与 Challenger 共用前置评分卡，仅替换后置模型 |
| 后置评分卡 | 通过评分决定额度、利率或分期方案 | Challenger 可替换后置评分卡参数或变量权重 |
| 级联评分卡 | 多维度风险评估（如欺诈+信用） | 建议只替换其中一个维度的评分卡，便于归因 |
常见陷阱：在级联评分卡场景下，如果同时替换两个维度的评分卡，当效果出现差异时，无法区分是哪个维度的变化导致的。建议每次 C/C 实验只替换一个评分卡节点。
2.4 架构设计对 C/C 评估的影响
授信引擎的架构设计直接影响 Champion Challenger 评估的可行性与准确性。以下是几个关键设计考量：
- 策略版本管理：引擎必须支持策略流的版本化部署，确保 Champion 和 Challenger 可以并行运行且互不干扰。
- 流量分流机制：支持按百分比、用户 ID 哈希、时间片等多种分流策略，满足不同实验设计需求。
- 全链路日志：每个决策节点必须输出结构化日志，包含实验标签、节点 ID、输入输出值，便于事后回溯和效果分析。
- 回滚能力：当 Challenger 效果显著劣于 Champion 时，引擎应支持一键回滚至 Champion 版本，降低风险。
最佳实践：建议在决策引擎中内置一个“实验管理模块”，统一管理实验的创建、流量分配、监控和终止。该模块与策略执行器解耦，避免实验逻辑污染核心决策流程。