3、规则引擎核心组件：规则定义、规则集、决策表、决策树、评分卡、模型调用节点

规则引擎是风控系统的“大脑”，它将业务策略从代码中解耦，实现策略的快速迭代与热部署。本章深入剖析规则引擎的六大核心组件，理解每个组件的适用场景与内部结构，是设计高效、可维护风控系统的基石。

3.1 组件全景与选型矩阵

不同组件在表达能力、维护成本和执行效率上各有侧重。下表从核心维度进行对比，帮助你在实际项目中快速选型。

3.2 规则定义与规则集

规则定义是最小的执行单元，由条件（Condition）和动作（Action）组成。条件通常是一个布尔表达式，动作则是对决策结果或变量的赋值。

// 规则定义示例：命中多头借贷黑名单
Rule: "多头借贷拦截"
Condition: "user.multi_loan_count >= 3 AND user.blacklist_flag == true"
Action: "decision.result = 'REJECT'; decision.reason_code = 'MULTI_LOAN_BLACKLIST'"

规则集将多个规则定义按优先级或策略组编排，支持短路执行（命中即返回）或全量执行（收集所有命中结果）。规则集是策略编排的基本单元，通常对应一个业务场景（如“注册风控”、“交易反欺诈”）。

3.3 决策表与决策树

决策表以表格形式定义多条件组合下的决策结果，适合条件维度固定、组合逻辑清晰的场景。每一行代表一个规则条目，每一列代表一个条件或动作。

决策树通过树形分支结构进行推理，每个节点是一个条件判断，叶子节点是决策结果。决策树天然支持可解释性，适合需要展示推理路径的场景。

3.4 评分卡与模型调用节点

评分卡是风控领域最经典的量化工具，通过将特征分段并赋予权重，最终累加得到总分。评分卡的核心公式为：

Score = BaseScore + Σ(Feature_i_Weight) + Σ(Interaction_Terms)

评分卡的优势在于可解释性强，每个特征对最终分数的贡献清晰可见，便于业务人员理解和调优。

模型调用节点是规则引擎对接外部机器学习模型的桥梁。它封装了模型服务的调用协议（HTTP/gRPC）、输入输出映射、超时与降级策略。模型调用节点通常作为规则集中的一个“特殊规则”，将模型输出结果注入到决策上下文中。

3.5 组件协作架构

在实际风控引擎中，六大组件并非孤立运行，而是通过决策流（Decision Flow）串联协作。下图展示了一个典型的“注册风控”决策流中各组件的协作关系。

3.6 组件选型决策流程

在实际项目中，面对一个风控需求，可以按照以下步骤快速确定组件选型：

1. 判断逻辑复杂度：如果只是单一条件判断，直接使用规则定义；如果需要多条件组合，进入下一步。
2. 判断条件维度：条件维度固定且不超过5个，优先考虑决策表；条件维度多且具有层次结构，使用决策树。
3. 判断是否需要量化：如果需要连续打分或风险评级，使用评分卡；如果已有训练好的机器学习模型，使用模型调用节点。
4. 策略编排：将上述组件通过规则集进行编排，设置优先级和策略组，形成完整的决策流。