夜雨聆风首户贷 AI 预审助手 · 技术篇
AI预审助手的定位
应用架构
关键设计原则：L2 确定性层先做硬性裁决；L3 Agent 只处理通过 L2 的申请，三个 Skill 串行接力；L4 每笔必过人，无自动跳过。
🏗️ 银行 AI 架构全景图
下图是中小银行整体 AI 架构全景（L1 渠道层 → L2 AI 能力层 → L3 应用集成层 → L4 后台服务群）。本文的「应用架构」正是其中 L2 AI 能力层的一个场景智能体落地切片——将通用架构能力聚焦到「小微企业首贷户信贷预审」这一具体业务场景。
Agent：小微首户贷预审助手（1 Agent × 3 Skill）
Agent 调度流程：规则放行 → 三 Skill 接力 → 报告输出
Agent Skill 调度流程详解
🔁 关键设计：三个 Skill 在同一个 LLM 上下文窗口内接力——Skill 3 调用时仍能看到 Skill 1 的核查疑点和 Skill 2 的画像数据，无需跨进程传递上下文。这避免了"串行调用导致上下文碎片化"的问题，也保证了尽调指引能具体到每个疑点。
vlm-verifier 核验 SOP（7 步法）
vlm-verifier 是来自 qwen-dianjin 开源项目的跨模态材料核验 Skill，以 7 步 SOP 运行：
数据确认→信息提取→规则匹配→检测点构建→迭代推理→报告聚合→合规验证，严格遵循"先读后写"原则，通过 VLM 视觉分析 + LLM 数据比对，构建可解释的跨模态核验报告。
迭代推理Step4 怎跑：对每个检测点，LLM 先凭材料「文字描述」做判断并自评可靠度（① 调用决策置信度）；
若 ＜0.70 则调用 VLM 分析原图核实。多轮沉淀证据后，当 ② 检测点证据置信度 ≥0.60（或已达 3 轮上限）时停止深挖。
前者管「看不看原图」，后者管「查实到什么程度」，四档规则挂在②上。
📋 输出示例：vlm-verifier 怎么把材料变成检测结论
一、材料分类汇总
置信度分级处置规则
画像输出的五大维度
📋 输出示例：鑫盛餐饮的五大维度画像会是什么样
1 绿 + 4 黄——材料核查疑点（Skill 1）+ 画像黄灯（Skill 2）共同驱动 Skill 3 生成 15 项具象化尽调动作
画像输出 → Skill 3：尽调指引接力
Skill 2 产出的五大维度画像不是终点——它们和 Skill 1 的核查疑点一起，作为 Skill 3 的输入。
Skill 3 在同一 LLM 上下文窗口内运行，可同时访问 Skill 1 标记的"材料核查疑点"和 Skill 2 画像的"3 盏黄灯"，包括覆盖倍数偏低、供应商缺食安资质、妻名下关联方，从而生成具体到某个疑点的现场核查动作。详见第五章 · Skill 3。
Skill 3 输入 → 输出：一个 Skill 产出两样东西
6 类尽调指引（以鑫盛餐饮为例）
📋 示例：鑫盛餐饮的问题清单会是什么样
3/5 条指引为🟡黄灯、2 条⚠红灯——疑点均来自 Skill 1 核查和 Skill 2 画像，尽调指引的价值在于把"偏差"翻成"现场动作清单"
📄 上海鑫盛餐饮 · 预审报告摘要（Agent 最终输出）
以上为 Agent 三 Skill 协同输出的一页式报告摘要。数据字段来自前置系统和 Skill 画像，受理结论由 LLM 基于多维度数据生成、经 FactGuard 校验。
MCP Tool 全景（7 个）
模型角色分工
FactGuard 幻觉防御四道防线
🛡️前文 Skill 2 / Skill 3 反复提到的 FactGuard，是一套贯穿全链路的幻觉防御框架。它把"确定性归工具、模糊性归模型"的原则落成四道可执行的防线——数据进不来幻觉、Prompt 绕不过流程、输出过不了硬规则、结论查得到来源。
所有数值类结论必须来自 业务系统 / 规则引擎返回，LLM 仅做分析和呈现，禁止自行生成数字。这即前文 Skill 2 所述的 FactGuard 第一道防线——任何金额、比率、倍数均取自业务系统或规则引擎，不得由模型推算。
明确要求AI只能用系统里查出来的真实数据说话，不能自己拍脑袋编。同时我们在系统后台加了FactGuard校验，AI要是敢瞎编没查过的信息，系统直接把结论打回去重写，从源头杜绝“跳过查数直接下结论”的问题。
输出前强制过一遍规则引擎，约束包括：DSCR ≥ 1.5、覆盖倍数 ≥ 2；禁止出现「自动批」「自动拒」「可批」等决定性词汇；输出长度 ≤ 2000 字；自动脱敏身份证号、手机号等个人信息。
每条结论标注数据源、提取字段、置信度，从原始材料到最终建议全程留痕。所有 AI 输出可追溯、可审计，出问题能定位到具体工具与字段。
