支付风控的“AlphaGo时刻 ——Data Agent驱动的三层AI风控架构

01规则写到400 条时我开始怀疑这条路本身我是上海富友支付服务股份有限公司的技术负责人。富友是一家科技驱动型的支付公司先后获得由中国人民银行颁发的多项支付业务资质也是上海市高新技术企业、上海市重点软件企业、上海市 100 强软件企业。我们以富掌柜数字化收银、多用途预付卡、金融科技解决方案、跨境收付款、基金支付、信用卡还款等为核心业务矩阵团队每天处理千万级交易流水服务的活跃商户超过十万家餐饮、零售、跨境电商什么都有。风控组一直是公司的压舱石。我们有六个资深风控专家维护着四百多条规则从金额阈值到时间分布到支付方式组合能想到的维度基本都写进去了。但去年下半年开始我越来越明显地感觉到一件事规则写得越多系统越脆弱。新的套现手法三五天一变我们的分析-验证-上线周期要两三周。风控组的同事每天早上第一件事就是看昨天有没有漏网之鱼大部分时间花在了人肉巡检上。更让我焦虑的是真正能写出高质量规则的就那两三个老人。新人上手慢老人一旦离职规则背后的经验就断了。这不是加人能解决的问题。02我为什么没有自建而是选择了阿里云 Data Agent其实我一开始考虑的方案是自建找个算法团队搭一套特征工程流程跑模型出评分。支付行业里做这件事的公司不少。但我很快否掉了这个路线原因有三第一我没有专职算法团队。支付公司核心是交易系统和合规养一个 3-5 人的算法组成本高、且很难持续迭代。第二特征工程是最大的坑。跟几个做过风控模型的朋友聊完我发现真正耗时的不是跑模型而是从业务数据里翻出来哪些特征有用、怎么组合。这个过程极度依赖领域经验和反复试验一轮做下来两三个月是正常的。第三我需要的不是一个模型而是一套可以跟着业务变化持续演进的分析能力。 风险类型在变商户结构在变今天好使的特征三个月后可能就失效了。这时候一直跟我们保持合作的阿里云 TAM团队例行来问询业务进展聊到我们在风控这块的拉扯他说阿里云AI原生数据库服务的Data Agent跟我们的场景挺契合的建议我们先看一眼再决定要不要自建。我说那行约个时间一起聊聊。第一次沟通TAM 拉着瑶池的产品和解决方案同学一起到我们公司现场拿一份脱敏样例数据跑了个 demo上传数据Data Agent 自己跑商户画像、特征分析、建模、出策略报告整个链路十几分钟跑完。我当时的第一反应是这不就是我想要的东西吗但也没急着拍板。后续 TAM 团队又帮我们组织了两轮深入对齐第一轮聊我们的风控方法论能不能翻译成 Data Agent 的任务编排第二轮直接拿我们脱敏后的真实数据跑了一次 PoC。PoC 跑完团队里之前最保守的算法同学跟我说这套东西如果我们自己搭至少要半年。那次之后我才下定决心不自建上阿里云AI原生数据库服务的Data Agent。03我们实际怎么用的三层架构Data Agent 打头阵方向定下来之后我们就带着团队基于Data Agent开始重构整套风控体系。从首轮 PoC 到核心策略全面切换最终沉淀出一套三层架构也是今天还在线上跑着的版本。第一层Data Agent 做数据洞察—看清楚这是最核心的一层也是我觉得 Data Agent 和传统工具差异最大的地方。以前风控特征从哪来是业务专家拍脑袋总结经验然后让算法同事翻译成代码周期长、遗漏多。现在Data Agent 按照我们预设的分析框架自动执行五个阶段1、商户画像拿原始交易数据建立正常商户长什么样 vs 风险商户长什么样的行为基线。2、特征分析找出风险聚集最明显的区间定位高风险阈值。3、ML 特征挖掘跑 XGBoost/LightGBM 学多维特征的组合关系——比如交易规模偏低 活跃天数少 非 POS 比例高 失败交易多这种人很难穷举的组合。4、关联规则挖掘用 Apriori 算法找出特征间的共现模式。5、策略报告自动输出哪些规则的召回率高、哪些误杀率可控附带不同激进程度的策略对比。关键点是Data Agent 不是在自由探索。 我们把传统风控中验证过的分析方法分箱统计、决策路径提取、关联规则挖掘结构化地教给它它在框架内执行。这就避免了 AI 天马行空出一堆不可落地的结论。第二层机器学习底座—算准确Data Agent 发现的特征喂给机器学习层做统一的风险评分。这里有个实践中踩出来的坑不能一个模型打天下。大商超和小微线上商户的异常定义完全不同。所以我们先用 KMeans 把商户按行为模式分成几簇每簇单独训练 XGBoost 模型。另外对新入驻商户数据不够和外卡商户高危场景单独建模覆盖盲区。最终多模型融合出统一风险分。第三层大模型推理—说明白风险分出来了但业务同事看到的不能只是一个分数。LLM 层的作用是把为什么这个商户分高翻译成人话哪些特征贡献了风险分属于什么风险类型建议怎么处置。有个定位我觉得想得很清楚大模型是解释层不是决策层。 核心判断靠前两层的数据和模型大模型负责让人看懂和信任。这样既有 AI 的推理能力又不会出现黑盒给了个结论但谁也不敢信的尴尬。04实际跑出来的效果实际执行下来几个数字让我确认这件事走对了分析效率从 2周缩短到1天过去一轮完整的特征分析和规则构建从商户画像到策略验证团队怎么也要两周。现在 Data Agent 一轮五阶段分析1天内跑完第二天就能进入策略评审。覆盖率提升到90%不再是风控组每天看几十家的人力模式而是对全量商户系统性评分和排序。高风险商户直接进入处置流程中风险的自动监控。知识沉淀方法论固化在系统里不怕人走以前最怕的是老专家离职带走经验。现在分析方法论固化在 Data Agent 的流程编排里新人上手成本大幅降低。05几个踩坑经验给同行参考别让 AI 自由发挥。最开始我也试过让 Data Agent 不加约束地自由分析出来的东西统计结论一大堆但跟业务落地隔了十万八千里。后来把传统风控方法论拆成任务编排效果好了一个量级。分簇是必须的。一个模型试图同时区分大商超和小微商户的风险黑白样本始终收敛不了。加了 KMeans 分簇之后每个簇内模型的 AUC 都明显提升。这个坑我们踩了两三轮才想明白。LLM 不能做最终判定。我见过有团队试图让大模型直接判断这个商户有没有风险在生产环境里出过事。我们的定位很明确量化判断靠数据和模型LLM 只做解释和辅助。06最后回过头来看当传统规则引擎走到极限AI “不是替代了人”而是改变了风控的生产方式。而阿里云AI原生数据库服务的 Data Agent是把这件事跑通的最优解。以前是人看数据→人总结经验→人写规则现在是Data Agent 看数据→机器发现规律→机器给出评分→人做终审。人的角色从劳动者变成了审核者和方法论设计者。这个角色更有价值也更可持续。如果你也在做金融风控遇到规则写到头了、老专家快退了、覆盖率上不去这类问题可以看看阿里云AIDBS 的 Data Agent 能不能帮到你。不一定要像我们一样一步到位做三层架构从让 Data Agent 先跑一轮特征分析开始你就能感受到区别。07想亲手试试 Data Agent 的数据洞察能力阿里云AI原生数据库服务的 Data Agent 现已开放免费体验每天 30 分钟上传你的业务数据即可一键启动智能分析洞察——无需部署、无需写代码、开箱即用。了解产品详情Data Agent for Analytics-数据管理 DMS-阿里云帮助中心点击下方链接立即开始你的第一轮数据洞察吧数据管理 DMS 控制台