信贷审批助手¶

项目背景与目标¶

信贷审批是银行核心业务流程，传统人工审批存在效率低、标准不一、风控依赖经验等问题。同时过度依赖硬规则又会拒掉优质客户。智能信贷审批助手通过 AI Agent 整合资料审核、信用评估、风险定价与审批建议，在提升审批效率的同时保证风控一致性，并能为被拒客户提供改善建议。

本项目目标是构建一个信贷审批 Agent，支持消费贷、经营贷、抵押贷等多场景，输出"通过/拒绝/人工复核"决策及详细依据，全程可审计、可解释，满足金融监管对算法公平性与透明度的要求。

需求分析¶

输入材料：身份信息、收入证明（流水/纳税）、征信报告、资产证明、用途凭证、申请表 核心能力： 1. 资料完整性校验与 OCR 识别 2. 信息一致性核验（流水金额 vs 申请收入、征信负债 vs 申报） 3. 信用评分（还款能力 + 还款意愿 + 稳定性） 4. 风险定价（额度、利率、期限建议） 5. 审批决策与拒绝原因解释 6. 改善建议（被拒客户如何提升资质）

合规要求：拒绝须给出主因；不得使用歧视性特征（性别、民族等）；模型可解释；人工复核通道保留。

技术选型说明¶

模块	技术方案	选型理由
OCR	PaddleOCR + LLM 纠错	多类型票据/流水识别
Agent 框架	LangGraph	多步骤审批流程编排
信用评分	LightGBM 评分卡	可解释、符合监管
规则引擎	Drools / 自研	硬规则前置拦截
LLM	Qwen-Max	资料理解与拒绝原因生成
征信解析	XBRL/结构化解析	征信中心数据标准化
后端	Spring Boot / FastAPI	对接银行核心系统
数据库	PostgreSQL + MongoDB	结构化审批记录 + 材料原档

架构设计¶

flowchart TD
    APP[贷款申请] --> IN[资料上传]
    IN --> OCR[OCR 识别]
    OCR --> CHECK[完整性校验]
    CHECK -->|缺失| SUP[补充材料通知]
    CHECK -->|完整| RULE[规则引擎前置]
    RULE -->|命中黑名单| REJ1[直接拒绝]
    RULE -->|通过| AGENT[审批 Agent]
    AGENT --> VERIFY[一致性核验]
    AGENT --> SCORE[信用评分]
    AGENT --> PRICE[风险定价]
    VERIFY --> CRS[征信数据]
    SCORE --> DEC{决策}
    DEC -->|通过| APPROVE[审批通过+定价]
    DEC -->|拒绝| REJ2[拒绝+原因]
    DEC -->|复核| MANUAL[人工复核队列]
    AGENT --> AUDIT[审计留痕]

关键模块实现思路¶

模块1：资料审核与一致性核验¶

OCR 识别流水、纳税证明、房产证等材料后，LLM 抽取关键字段（月收入、单位、纳税额、资产估值）。一致性核验比对：申报收入 vs 流水进账、征信负债 vs 申报负债、工作单位 vs 流水代发单位。不一致项标记风险等级，重大不一致直接转人工。

def verify_consistency(declared, extracted, credit):
    flags = []
    if abs(declared.income - extracted.income) / declared.income > 0.2:
        flags.append(("收入差异大", "high"))
    if credit.total_debt > declared.debt * 1.5:
        flags.append(("负债瞒报", "high"))
    return flags

模块2：信用评分卡¶

采用经典评分卡方法：分箱 → WOE 编码 → 逻辑回归 → 分数映射。特征维度包括还款能力（收入负债比 DTI、可支配收入）、还款意愿（征信逾期记录、查询次数）、稳定性（工作年限、居住年限、婚姻）、外部数据（多头借贷、司法涉诉）。

评分卡可解释性强，每个特征贡献可量化，满足监管对"拒绝主因"的要求。评分分段：A（优质）、B（良）、C（次级）、D（高风险）。

模块3：风险定价¶

基于信用等级与贷款产品确定额度、利率、期限。优质客户给更高额度更低利率，次级客户反向。定价模型需覆盖资金成本、风险成本、运营成本、预期利润，确保贷款利率不低于综合成本。

def pricing(grade, product, amount):
    base_rate = funding_cost + risk_cost[grade] + op_cost + profit_margin
    final_rate = max(base_rate, product.floor_rate)
    final_amount = min(amount, grade_limit[grade])
    return final_rate, final_amount

模块4：决策与解释¶

Agent 综合规则、评分、一致性核验给出决策。拒绝时 LLM 生成拒绝主因（如"负债收入比超 75%"）与改善建议（"建议结清 XX 笔小额贷款后重新申请"）。所有决策因子与权重留痕，支持事后审计与申诉复核。

核心流程详解¶

审批主流程： 1. 客户提交申请 → 资料上传 2. OCR + 完整性校验 → 缺料则通知补充 3. 规则引擎前置：黑名单/反欺诈/年龄等硬规则拦截 4. Agent 编排：一致性核验 → 信用评分 → 风险定价 5. 决策：通过/拒绝/人工复核 6. 结果通知客户 + 审批记录入库

人工复核流程： 1. 中间灰度区间或大额贷款转人工 2. 审批员查看 Agent 给出的分析摘要与建议 3. 审批员可采纳或覆盖决策，覆盖需填写理由 4. 覆盖决策回流为训练样本，定期优化模型

部署与优化建议¶

规则与模型分离：硬规则前置减少模型调用，降低成本与延迟
模型监控：监控各评分段通过率、违约率、PSI 漂移指标
公平性审计：定期检验模型对不同性别/地域/年龄群体的差异
冷启动：新客群先用规则 + 征信分兜底，积累样本后再训练定制模型
拒绝原因库：标准化拒绝原因码，便于统计分析与客户告知

常见问题与解决方案¶

问题	原因	解决方案
OCR 流水识别错	银行流水格式多样	模板库 + LLM 兜底纠错
评分卡区分度下降	客群迁移	PSI 监控 + 季度重训
拒绝原因笼统	特征贡献分散	聚类主因 + 业务话术映射
人工覆盖率高	灰度区间过宽	调整阈值 + 增加自动通过比例

扩展方向¶

接入替代数据（水电煤、社保、电商行为）服务薄征信客群
贷后预警：审批数据复用做贷后风险监控
客户预审：营销阶段提前评估资质，提升转化
多产品组合定价（消费贷 + 信用卡联动）