DataFun：智能风控与业务安全

京东——以智能体为核心的风控体系

RAG 的核心是为大模型打造领域专属的知识库，辅助其生成更精准的领域内容。流程分为以下环节：

• 知识来源：从业务文档、会议记录、代码库等多模态数据源中获取原始信息，覆盖业务、沟通、技术等维度。
• 知识库内容：聚焦沉淀领域术语、业务逻辑、风险模式—— 这三类是领域内最核心的知识资产（专业概念、业务运转规则、风险规律）。
• 提取方式：通过 “提示词工程引导大模型提取 + 多轮智能评估 + 专家筛选” 的组合方式，从海量资料中提炼 “高价值知识”，确保知识的准确性和实用性。
• 应用方式：使用时，通过 “关键词匹配召回” 或 “基于向量检索召回”，从知识库中调取相关知识，为大模型生成内容提供依据。

目前 RAG 仍存在局限性，需进一步优化：

• 痛点：
  • RAG 本质是 “prompt 层面的工作”，大模型对 prompt 指令的 “遵循度无法做到完美”—— 即靠 prompt 引导检索时，大模型不一定能精准执行指令，导致检索效果打折扣。
  • RAG “无法确保召回最相关的核心知识点”—— 外部检索的精准度有限，可能漏掉或错配最关键的领域知识。
• 解决方向：需要让知识 “内化”—— 通过微调大模型，把领域知识直接融入模型参数中，让模型从 “外部检索依赖” 转向 “内部知识掌握”，从而提升领域任务的表现。

通过两个模块的对比，展现大模型应用的升级路径：

• 左模块（基础方案）：

  采用「Zero-Shot LLM（未微调的原始大模型） + RAG」。

  大模型本身缺乏领域知识，完全依赖外部 RAG 检索知识库补充信息，局限性明显（如检索精度不足、知识覆盖有限）。

• 右模块（进阶方案）：

  采用「Fine-tuned LLM（微调后的大模型） + RAG + 数据飞轮」。

  ① 微调后的大模型已 “内化” 部分领域知识，结合 RAG 补充外部知识，知识覆盖与精准度双重提升；

  ② “数据飞轮” 是核心闭环：模型与 RAG 产生的结果、用户反馈等数据，会回流到 “数据飞轮” 中，用于持续优化微调模型或 RAG 知识库，形成「数据驱动→模型 / 知识库升级→更好效果→更多数据」的正向循环，让系统能力持续迭代。

“将数据标注工作与业务运营流程深度融合” 的实践场景，核心是在 “订单风险审核” 这类运营环节中，同步完成 “风险特征标注”，让标注服务于业务决策，也为后续 AI 模型训练积累数据。

核心逻辑与界面解析：

1. 业务场景锚定：聚焦 “订单风险判定”，顶部已给出 “整体结论：高风险”，并说明风险原因（异常商品组合、优惠券套利、跨省 IP、刷评等）。

2. “下钻分析” 实现 “标注 + 运营” 闭环：

   把 “大而笼统的风险结论” 拆解为可量化、可标注的具体风险特征，让运营人员在审核时，同步完成 “风险特征的识别与标注”：

   • 左侧 “账号历史订单”：列出从历史行为中提取的风险点（如 “优惠券使用比例异常（17%-20%，套利嫌疑）”“评论与下单 IP 高度一致且时间密集（刷交易特征）”），这些是需要标注 / 确认的 “风险特征标签”。
   • 右侧 “置信风险特征 - 值得参考”：展示更具体的风险细节（如 “收货地址与手机归属地不一致”“多订单集中刷单”），且支持拖拽调整风险优先级（体现业务对不同风险的重视程度）。

3. 操作闭环：底部 “生成结论”“重新分析” 等按钮，让运营人员在 “标注完风险特征” 后，可直接生成最终判定、或重新校验，实现 “分析风险→标注特征→业务决策” 的一体化，既完成了 “标注数据的生产”，又服务于当下的风控运营。

这种模式让 “数据标注” 从 “独立的后台工作”，变成业务流程的自然环节—— 运营人员在日常审核订单时，就同步完成了 “风险特征的识别与标注”，既提升了业务决策的精准度（基于更细粒度的特征），又为后续 AI 风控模型的训练，持续积累高质量的 “标注数据”。

“数据飞轮 — 动态路由 & SoC 策略” ，通过策略设计、思维链引导、人机协同与模型微调，构建 “数据→模型→业务效果” 的正向循环，提升大模型在领域任务（如风险识别等场景）中的表现。

一、核心策略：SoC（Selection-over-Creation）

• 核心思想：选择比创造更容易—— 不让大模型 “从零创造” 领域知识，而是先生成 “候选方案”，再由人类专家 “筛选 / 修正”，以此高效生产训练数据。

• 执行流程：

  大语言模型（LLM）生成「候选风险因子」→ 人类专家对候选进行筛选 / 修正 → 加工后的内容成为训练数据 → 结合「SFT（有监督微调）」和「DPO（直接偏好优化）」，对大模型做领域对齐微调（让模型更适配业务场景）。

• 优势：

  • 提升专家标注数据的效率；

  • DPO 技术可显式抑制 “假阳性标注”（如错误判定风险），显著降低模型误判率。

二、推理增强：STRO 思维链生成（Suspect-Then-Rule-Out）

• 设计思路：模拟人类专家 “先怀疑异常，再逐步排除” 的推理逻辑，通过强制化的提示模板引导大模型生成精准推理链。

• 推理步骤（模板约束）：

  ① 识别「表面异常」（如订单的可疑特征）→ ② 为异常寻找「合理解释」→ ③ 定位「能排除异常的证据」→ ④ 给出「明确的排除结论」。

• 效果验证：

  相比 “无思维链（CoT）的微调模型”，推理的信噪比提升 62%；

  相比 “普通思维链（CoT）的微调模型”，信噪比也提升 18%。

  （“信噪比”：反映推理的 “有效信息纯度”，越高说明模型推理越精准、噪声越少）。

数据飞轮的闭环流程

通过 “多模态输入→模型生成→专家评估→数据反馈→模型迭代” 的循环，实现 “数据飞轮”：

1. 多模态输入：表格（Tabular）、图（Graph）、文本（Text）等数据输入大语言模型；

2. 人机协同评估：模型生成结果后，人类专家区分「好案例（good cases）」与「坏案例（bad cases）」；

3. 模型迭代优化：坏案例用于优化「逻辑推理生成（logical reasoning generation）」，好案例支撑「最终判断（final judgement）」；再结合「Interactive SFT（交互式有监督微调）」和「DPO」，让模型持续学习、升级；

4. 业务价值：通过 “数据反馈→模型优化→更高效的业务决策（如风险判定）” 的飞轮效应，提升运营效率（operational efficiency）。

整套方法通过「SoC 策略（高效产数）+ STRO 思维链（精准推理）+ 微调技术（SFT/DPO）+ 人机协同 + 数据循环」，让大模型在领域任务中持续进化，既解决了 “数据生产效率” 问题，又提升了 “模型推理精度” 与 “业务运营效率”。

思维链的提示词（Prompt）设计 ，用于引导大模型模拟资深电商风控专家的思考过程，复现从 “风险怀疑” 到 “最终结论” 的完整逻辑。以下是分模块解析：

1. 任务描述

明确大模型的 “角色” 与 “任务”：

• 角色：资深电子商务风控专家。
• 任务：根据 “最终评审结论”（哪些风险被接受、哪些被拒绝），以 **“逆向工程”的方式，复现专家最初分析数据时的完整内部思考流程 **。
• 形式要求：用第一人称独白呈现，要听起来像真实专家在实际分析数据。

2. 输入信息

为大模型提供生成思考过程的 “原材料”：

• 原始输入数据（Raw Data）；
• 已接受风险（最终确认的风险因素列表）；
• 已排除风险（最初怀疑、但最终被排除的风险因素列表）。

3. 独白的核心要求（最关键：规定 “思考逻辑”）

强制大模型的思考过程整合 “确认风险”和“排除风险” 两条逻辑线：

• 确认风险的逻辑：

  需解释 “如何识别异常数据→ 如何用风控知识串联线索→ 最终确认风险性”，语气要肯定、确信（如 “这一点很可疑”“这证实了我的怀疑”）。

• 排除风险的逻辑（核心是 “先怀疑，后排除” 的四步流程）：

  步骤 1：承认表面异常（说明最初为何觉得有风险，如 “当我首次看到这笔大额订单时，认为它很异常…”）；

  步骤 2：寻求合理解释（描述获取更多背景信息验证怀疑的过程，如 “但我不会贸然下结论，先查看该用户的背景…”）；

  步骤 3：找到排除证据（指出具体数据 / 业务知识，如 “原来该用户是‘已验证企业客户’，这个金额对其采购很常规”）；

  步骤 4：声明排除结论（明确表示 “已排除该风险因素”）。

4. 输出格式要求

规定生成内容的结构规范，确保输出可用：

• 先完整输出第一人称独白（模拟专家思考过程）；
• 用 “—” 作为分隔线；
• 分隔线后仅列出 **“已确认” 的风险因素 **，形成 “最终风险评估报告”。

5. 输入数据示例

给出实际使用时的 “占位符”，比如原始数据、“已接受风险” 的 JSON、“已排除风险” 的 JSON，提示需替换为真实业务数据。

通过严格的 “角色设定、逻辑框架、格式约束”，引导大模型生成贴近人类专家的 “风险思考链”—— 既体现 “对风险的敏锐怀疑”，又展现 “基于证据的理性排除”，可用于辅助风控决策或生成高质量训练数据（让模型学习专家思维）。

“R&R 模块 —— 风险分析的动态校正引擎”，通过 “知识检索→反思精炼→热修复” 的闭环，让风险分析系统能动态适应业务变化、提升判断准确性。以下是分模块解析：

一、核心环节 1：知识检索（Knowledge Retrieval）

为风险分析提供 “领域知识支撑”，分两类匹配逻辑：

• 业务逻辑：用 关键词匹配 快速定位与业务规则直接相关的知识（如 “跨区域订单 + 大额优惠券” 这类明确规则）。
• 风险模式：用 语义向量匹配 捕捉抽象风险特征（如 “用户行为序列异常” 这类难以用关键词描述的模式），覆盖更隐性的风险关联。

二、核心环节 2：反思与精炼（Reflect & Refine）

对 “初步风险判断” 进行准确性校验与优化，解决大模型常见问题：

• 事实性检验：验证风险因子的 “事实正确性”，过滤对数据的误解（比如错误解读订单金额、用户地址等信息）。
• 知识对齐校验：让风险认知与领域知识 “对齐”，抑制大模型 “幻觉”（即生成不符合真实业务的错误判断），确保风险分析贴合实际业务逻辑。

三、核心环节 3：热修复机制（Hotfix）

让系统无需重新训练模型，也能快速适配业务变化：

• 新业务逻辑：当业务规则更新（如新增 “直播间刷单” 风险场景），实时更新到领域知识库，不依赖模型重训。
• 策略调整：通过阈值校准（如把 “风险分数> 80 判定为高风险” 调整为 “>75”）微调风险判定标准。
• 核心优势：时效性极强，能让 “智能风控系统” 始终保持 “最新的专家级风险理解”，灵活应对业务迭代。

动态校正的过程可视化

1. 初始风险（Initial Risks）：基于风险因子（f₁, f₂, f₃, f₄, f₅），得到 “初步风险判断”。
2. 事实验证（Fact Verification）：校验风险因子的事实准确性，得到 “事实对齐的风险（Fact-Aligned Risks）”。
3. 知识检索与幻觉抑制：从领域知识库（KB）检索知识，进一步减少 “幻觉”，最终生成 “精炼后的风险（Refined Risks）”，完成动态校正。

R&R 模块通过 “知识支撑→校验优化→动态更新” 的闭环，既提升了风险分析的准确性（减少错误 / 幻觉），又保证了时效性（快速适配业务变化），让风控系统成为 “能自我进化的动态校正引擎”。

从模型训练、多智能体协同、工具支撑到效果评估，完整呈现了实现 “资深风控专家级智能体” 的路径：

一、风控大模型的 “训练链路”（打造智能体的 “大脑”）

要让智能体具备风控能力，需先训练 “风控领域专属大模型基座”：

• 输入知识源：整合「领域先验知识」（风控行业积累的规则、模式）、「人类样本」（专家过往的判断案例）、「业务 Unit」（具体业务场景的需求）。
• 训练步骤：
  1. 风控领域 SFT（有监督微调）：让通用大模型先学习 “风控领域的基础逻辑、案例”，初步具备风控认知。
  2. 风控专家校验：人类专家对微调结果进行审核，确保模型学习方向符合实际业务。
  3. DPO（直接偏好优化）：进一步让模型的判断 “对齐人类专家的偏好”（比如专家更关注哪些风险因子、如何权衡不同风险），最终得到 “风控大模型基座”—— 这是智能体的核心 “大脑”，提供风控领域的知识与推理能力。

二、中间：多智能体系统（让智能体 “分工协作处理任务”）

大模型基座之上，通过 “主智能体（MainAgent）+ 子智能体（Sub-agents）+ 工具（Tools）” 的协同，处理复杂风控任务：

• MainAgent（总协调者）：负责「意图识别」（理解用户 / 业务的风控需求）、「Planning（任务规划）」（把复杂任务拆解为子任务）、「归纳总结」，还具备「Memory & State（记忆与状态管理）」（记住历史任务、维护当前状态）。
• Sub-agents（专精型子智能体）：聚焦细分风控场景，比如「多模态合规审核」（审核图片、视频等多模态内容的合规性）、「交易风险分析」（识别异常订单、支付行为）、「关系网络分析」（挖掘团伙欺诈的关联关系）、「资金流分析」（追踪异常资金转移）。
• Tools（工具层）：为智能体提供 “外部能力补充”，包括：
  • 「知识 RAG」：检索 “领域知识库” 获取风控规则、术语；
  • 「案例 RAG」：检索 “历史风控案例” 参考专家过往判断；
  • 「MCP Server」：可能是模型服务 / 计算平台，提供算力或复杂逻辑支持。
• 上层产品工具：直接对接业务，提供「案例研判、合规审核、风险问答、策略推荐、风险感知、分析报告」等功能，让智能体的能力落地到实际风控工作中。

三、评估体系（验证 “是否媲美五年经验专家”）

通过多维度指标，全面检验智能体的风控能力，确保其达到 “人类专家水平”：

• 「指令遵循度」：检验智能体是否能准确执行用户 / 系统的指令；
• 「机器审核准召」：“准确率 + 召回率”，衡量智能体审核风险的精准度；
• 「Case 研判准确率」：对具体风控案例的判断是否正确；
• 「风控专家里考考试 L1-L7」：用人类专家的 “分级考核标准”（从初级 L1 到资深 L7）评估智能体；
• 「问答采纳率」：智能体回答风控问题时，被人类采纳的比例。

四、底部：大模型与调度层（支撑系统运转）

• LLM 层：采用「通义（SFT+RL）、Qwen（SFT+RL）、星火（SFT+RL）」等经过 “有监督微调（SFT）+ 强化学习（RL）” 的大模型，作为基础算力与推理引擎。
• Dispatcher（调度器）：管理「Agent 状态、部署状态、反馈」，确保多智能体、工具、大模型之间的协同高效运转。

这套架构通过 “先训练‘领域专属大模型’打基础，再用‘多智能体分工协作’处理复杂任务，最后用‘多维度评估’验证效果”，最终目标是让智能体在风控领域的知识、判断、协作能力，达到 “拥有五年经验的人类风控专家” 水平，实现从 “模型智能” 到 “业务智能” 的落地。

从技术深化、应用扩展、生态构建三个维度，阐述了风控智能系统的未来发展方向：

一、技术深化方向（提升核心技术能力）

聚焦 “让风控技术更智能、高效、自主”：

• 优化知识流转效率：升级 “知识库召回算法”，并强化 “知识库” 与 “数据飞轮（数据循环优化机制）”、“反思模块（如 R&R 动态校正引擎）” 的联动，让 “知识检索→数据迭代→风险校正” 形成更高效的闭环。
• 扩展风险检测维度：融入图像、视频等多模态数据（如商品图合规性、用户行为视频轨迹），突破传统 “单一数据维度” 的局限，覆盖更隐蔽的风险场景（如视觉层面的欺诈行为）。
• 降低专家依赖：结合 “R&R 模块（反思与精炼）”，打造自动更新响应机制—— 系统可自主根据新业务、新风险调整策略，减少对人类专家 “手动标注、干预” 的依赖，提升自动化程度。

二、应用扩展计划（拓宽技术的应用边界）

从 “电商风控” 出发，做 “纵向深化” 与 “横向跨域”：

• 纵向：深化业务辅助：建立风险等级自动标定体系（不再只判断 “有 / 无风险”，而是细分 “高 / 中 / 低风险”），让风控从 “单纯检测” 升级为 “精准辅助决策”（如高风险直接拦截、中风险人工复核）。
• 横向：跨行业迁移：研发通用型 “数据飞轮” 框架（抽象 “数据循环优化模型” 的逻辑为通用工具），支持将电商风控的经验与能力，迁移到 ** 金融（如信贷欺诈检测）、医疗（如医保骗保识别）** 等其他需风险管控的领域。

三、生态构建愿景（从 “企业技术” 到 “行业生态”）

推动风控技术从 “单个企业的能力”，进化为 “全行业共享、共建的生态”：

• 开源协作：开发 “核心算法模块” 并开源，构建 **“电商风控大模型” 开发者社区 **—— 吸引更多开发者参与技术迭代，加速行业整体技术水平提升。
• 标准统一：建立电商风控领域的 Benchmark 评估体系（即 “模型效果好不好” 的统一测试标准），供业内研究者共享、对比，推动技术透明化与公平竞争。
• 产学研结合：促进企业（有业务场景、数据）与高校（有算法研究能力）合作，将 “实验室里的大模型算法” 与 “企业专家的实际风控经验” 深度融合，加速技术从 “理论” 到 “落地” 的转化。

整体来看，未来愿景是让 “风控智能系统” 不仅在技术上更强大、应用上更广泛，还能成为全行业共建、共享的基础设施。

---

58金融——对抗黑产

---

腾讯——网址安全

马上消费金融——MLOPS工程化能力建设实践

顺丰——物流风险