反应式智能体 Reactive Agent

🏦 场景与客户

某支付机构的实时交易风控。每笔交易要在几十毫秒内决定放行、加验证还是拦截，根本没有时间做多步推理，也来不及回查长期上下文。

客户要的是反应快、结论稳、误拦可控——快是硬指标，慢一点业务就不可用。

📅 实施节奏

• 第 1–2 周：定延迟预算与处置动作分级，先明确什么情况用什么动作
• 第 3–4 周：规则与轻量模型并联，跑历史流水做离线回测
• 第 5–6 周：小流量上线，重点看误拦率与投诉量
• 第 7 周起：上线申诉通道，把事后复盘的模式固化成新规则

🗝️ 方案要点

• 感知即决策：只依赖当下这笔的特征与近实时聚合，不做长链推理
• 规则与模型并联，取最严结论：宁可多拦一点，也不漏放
• 延迟是硬指标：耗时动作移出主链路，事后补做，不拖慢响应
• 动作分级：放行、加验证、拦截、转人工，不做非黑即白
• 与传统规则引擎的边界：规则引擎负责确定性拦截，模型只补规则覆盖不到的模糊组合

⚖️ 选型与权衡

🚧 实施难点与排查

• 规则冲突：多条规则同时命中给出相反结论。定优先级并做回归测试
• 特征延迟：聚合数据晚到导致判断偏差。明确各类特征允许的数据时效
• 误拦伤客：拦截率一升投诉就来。分级处置加快速申诉通道，先放行后核
• 对抗演化：对手会试探规则边界。策略定期轮换并监控异常模式

💵 成本与收益

• 成本：特征工程与实时链路是主要投入，单次推理成本极低
• 收益：减少欺诈损失是直接收益；误拦造成的客户流失是隐性成本
• 算账方式：同时看拦截准确率与误拦率，不能只优化一头

🛡️ 风险与保障

• 合规：拦截需有依据、可申诉，记录留痕以备举证
• 隐私：特征使用最小必要原则，敏感字段脱敏
• 稳定：规则变更走灰度与快速回滚
• 人工：大额与可疑场景转人工复核，不全部由机器终结

♾️ 可复用与演进

• 可复用到内容风控、广告反作弊、设备异常告警等高频场景
• 演进方向：把事后复盘发现的模式固化为新规则，形成闭环
• 再进一步：反应式与规划式结合，主链路快判、离线慢想