我要投稿

从Agent Skills到下一代智能风控中台

发布日期：2026-01-21 07:48:10 浏览次数： 1552

作者：金融科技实战

微信搜一搜，关注“金融科技实战”

继续学习 Agent Skills，尝试将银行业标准的信用评分卡开发流程（WOE/IV 分析、逻辑回归建模、分数刻度化）封装为确定性的计算模块，期望能够赋予 AI “风控建模顾问” 的专业能力。总的来说，这是一个让 AI 变身为风控建模专家的技能，能够快速、规范地输出一份可以直接用于银行业务的信用评分卡。

Credit Scorecard Skills简介

这是一个用于构建银行级专业信用评分卡的封装工具，实现了从数据审计到评分卡生成的完整流水线（Pipeline）。

全流程建模：一键完成 数据审计 -> 特征工程 -> 模型训练 -> 评分卡刻度化。
数据审计 (EDA)：自动检查缺失值、唯一值，并执行坏样本率 (Bad Rate) 分析。
特征工程：

自动分箱：对数值变量进行分位数分箱 (Quantile Binning)。
WoE 转换：计算证据权重 (Weight of Evidence)，将非线性特征转换为线性形式。
IV 计算：计算信息价值 (Information Value) 以量化特征预测力。

模型训练：基于 WoE 特征训练逻辑回归 (Logistic Regression) 模型。
评分卡刻度化 (Scaling)：将复杂的模型系数转换为业务友好的分数（例如：基准分 600 分，PDO 20 分）。

适合谁用?

信用风险分析师 / 数据科学家：构建传统 A卡/B卡模型。
银行 / 金融科技从业者：涉及信贷审批与风控策略制定。
监管合规需求方：需要高度可解释性（白盒模型）而非黑盒算法的场景。

应用场景

✅ 申请评分卡 (A-Score)：评估新客贷款风险。
✅ 行为评分卡 (B-Score)：评估存量客户信用变化。
✅ 数据质量评估：通过 IV 值快速判断数据源价值。
✅ 监管合规：满足巴塞尔协议等对模型解释性的要求。

核心价值

维度	带来的变化
标准化	将 `WOE -> IV -> Logistic -> Scaling` 的行业标准固化，避免人工编码错误。
可解释性	将抽象的概率（Probability）转化为直观的信用分（Score），业务人员零门槛理解。
效率提升	自动化繁琐的分箱、编码与筛选过程。
专家视角	内置“高级顾问”人设，主动解释 WHY，提示过拟合风险，解读 IV 值含义。

开发与更新指南

主要涉及修改其配置文件 SKILL.md 和核心逻辑代码 scripts/scorecard_pipeline.py。以下是具体的更新方法，您可以根据需求选择：

1、更新功能逻辑

如果需要修改算法或输出格式，请直接编辑脚本。

场景 A：修改分箱逻辑

目前的 fit 方法使用 pd.qcut (等频分箱)。若需优化 IV 值，可改为卡方分箱或决策树分箱。

# 示例：将最大箱数从 5 改为 10，并处理重复值df[f"{col}_bin"] = pd.qcut(    df[col],     q=min(10, df[col].nunique()),     duplicates='drop').astype(str)

场景 B：调整特征筛选阈值

当前默认筛选 IV > 0.02 的特征。提高阈值可构建更精简的模型。

# 源代码第 73 行附近if iv_value > 0.05:  # 将 0.02 修改为 0.05    keep_features.append(col)

场景 C：保存模型对象

添加模型持久化功能，以便在线上服务中加载使用。

import joblib# 在训练结束后添加joblib.dump(self.model, 'model.pkl')

场景 D：增加模型评估指标

可以在训练后增加 AUC、KS (Kolmogorov-Smirnov) 曲线的计算和打印，以便更全面地评估模型性能。

2、更新使用文档

Update Usage：如果脚本增加了新参数（如 --min_iv），务必更新 SKILL.md 中的 Usage 部分，确保 LLM 知道如何调用。
Persona Guidance：添加业务规则提示。例如：“生成报告时，必须解释‘拒绝推断 (Reject Inference)’对模型的影响。”

运行机制

Skill（技能） 与 大模型（LLM） 并不是简单的“包含”关系，而是一种 “大脑”与“专业工具包” 的协作关系。在运行中，大模型是“驾驶员”，负责决策方向和解释路况；Skill 是“法拉利”，负责提供强劲的动力和精准的操控。两者结合，才能既快又稳地到达目的地。

在运行过程中，它们是这样互动的：

1. 核心运行机制：大脑 + 工具 (Brain + Tool)

如果把大模型比作一个通用的、高智商的项目经理，那么 Skill 就是一本特定领域的《操作手册》加上一套《专用工具》。

大模型 (LLM)：提供理解力、推理力和自然语言交互能力。它负责听懂你要做什么，然后去查阅 Skill，决定怎么用。
Skill：提供确定性的逻辑、专业知识和执行能力。它弥补了大模型在精确计算、复杂流程控制上的短板。

2. 具体交互流程 (Runtime Flow)

以刚才的 bank-credit-scorecard 为例，运行机制分为四个阶段：

阶段一：上下文注入 (Context Injection)

动作：当你提到“帮我做个评分卡”时，AI会通过 view_file 读取 SKILL.md。
作用：这相当于把《高级信贷风控建模指南》临时加载到了AI的大脑内存里。此刻，AI不仅是通用 AI，还拥有了“风控专家”的人设（Persona）和专业知识（知道什么是 WoE，什么是 IV）。

阶段二：意图转化与编排 (Orchestration)

动作：AI阅读 SKILL.md 中的 Usage 部分，知道要运行 scripts/scorecard_pipeline.py 需要哪些参数（如 CSV 路径、Target 列名）。
作用：AI会把你模糊的自然语言需求（“用这个数据算一下”）翻译成精确的计算机指令（python script.py data.csv --target bad_flag）。

阶段三：执行与计算 (Execution)

动作：AI调用 run_command 运行 Python 脚本。
作用：这是关键点。大模型本身不擅长做大规模精确计算（比如几万行数据的 Log运算、分箱）。这部分工作完全交给 Skill 里的 Python 脚本去完成。脚本是确定性的，算出的 IV 值绝对准确，不会产生幻觉。

阶段四：解释与反馈 (Synthesis)

动作：脚本运行完毕，输出了 IV: 0.45 这样的一行字，或者生成了 CSV 文件。
作用：AI读取这些冷冰冰的输出，结合 SKILL.md 里的知识（“IV > 0.3 is strong”），用自然语言向你汇报：“如果不看代码，只看结果，这个特征的预测能力非常强（IV=0.45），建议保留...”。

3. 这个架构尝试解决什么问题？

解决“幻觉”与计算错误：如果让 LLM 自己手写代码一行行算 WoE，很容易出错或显存溢出。Skill 把复杂的数学逻辑固化在 Python 脚本里，保证了结果的精准度。
解决 Context Window 限制：AI不需要把几十页的评分卡教科书都背下来，也不需要看到脚本里的每一行代码。我只需要看 SKILL.md 这几百个 Token 的“说明书”，就知道怎么调用它强大的功能。
复用性与标准化：企业可以将最优秀的专家的经验（Best Practice）固化成 Skill。无论哪个用户来问，大模型都会按照 Skill 规定的标准流程（Cleaning -> Binning -> WOE -> Logistic）来执行，保证了产出的标准化。