前言摘要
在交易型互联网平台中，资金安全是生命线。传统资损防控高度依赖人工经验与后置规则，面临覆盖度低、响应滞后、规则易腐化等顽疾。本文以货拉拉 AI 资损防控平台的工程实践为例，详细拆解如何通过"数据飞轮 + 模型蒸馏 + 多智能体协同"架构，年度资损降幅 99.96%，并实现从"人工布防"到"AI 原生防控"的体系化跃迁。文章聚焦工程落地细节，涵盖自动化标注链路构建、代码/文本双模态风险识别、防腐化 Agent 设计以及交易中间件架构升级，为同类业务提供可复用的技术范式。
一、 破局：传统资损防控的"生命周期痛点"
2024 财年复盘，年度资损已攀升至数十万量级，并伴随数起真实内控故障。这并非偶然，而是典型的"业务狂奔，内控裸奔"困境。
当时我们的做法和大多数互联网公司一样：业务方在需求阶段识别风险，测试设计核对规则，研发上线前通过核对系统拦截。在业务量小、变更少时，这套"人工 Review + 规则引擎"体系还能勉强撑住。但随着业务高速迭代，局面迅速失控：
-
需求阶段：覆盖度与深度无保障，依赖人工经验评审，主观性强且知识难沉淀。
-
开发阶段：问题发现严重滞后，人工代码审查效率低下，高频变更拉长风险窗口。
-
发布阶段：防控措施严重后置，核对规则配置繁琐易错，策略调整缺乏灵活性。
-
维护阶段：人工识别资损困难，规则随业务迭代快速失效（腐化），问题场景动态变化。
面对日均数十万次代码方法变更、上万次 Commit、数千条分散的核对规则，人工 Review 根本看不过来。更致命的是，上线超过半年的核对规则，超三分之一已"事实失效" 。这才是大额资损的真正源头。那怎么办？资金内控不能靠"堆人"，必须向自动化、智能化、左移化演进。
二、 架构演进：从规则驱动到 AI 原生防控体系
平台的演进并非一蹴而就，而是经历了两个关键阶段：
-
1.0 规则探索期：基于策略规则与人工识别，解决"有无"问题，但召回率低、维护成本高。
-
2.0 AI 辅助期：引入深度预训练模型，实现资损需求与代码的自动识别，AI 开始介入核心链路。
当前平台已形成四大核心能力矩阵：资损需求风险预警、资损代码风险预警、核对规则有效性/完整性诊断、流程管控
三、 核心技术攻坚：算法与工程的深度融合
3.1 破解"标注荒"：LLM + CoT 构建自动化数据飞轮
资损场景具有正负样本极度不平衡、业务语义高度定制的特点。初期仅靠 2k 人工标注数据，模型泛化能力极差。我们设计了离线自动化标注链路：
- 大模型打标：利用 DeepSeek-R1 与 DeepSeek-Coder-Lite，结合 CoT 提示词，对 100 万无标签代码/需求文本进行初筛。
- 置信度过滤：仅保留模型高置信度输出，构建伪标签数据集。
- 小模型精调：使用 ModernBERT 进行 PEFT/LoRA 微调，形成"大模型标注→小模型学习→线上反馈→数据回流"的闭环。
3.2 代码/文本风险识别：特征工程与蒸馏的极致性价比
在代码识别场景中，我们面临四大挑战：上下文丢失（50%）、业务语义缺失（30%）、模型泛化差（10%）、链路特征复杂（5%）。通过 7 个版本的迭代，我们沉淀出一套高性价比方案： 
-
特征工程：提取控制流、数据流、接口链路、文本资损特征，构建双模态输入。
-
长序列优化：引入 ModernBERT 替代传统 BERT，突破代码长度限制，召回率提升至 83%。
-
知识蒸馏：以 DeepSeek-Coder-Lite 为 Teacher，ModernBERT 为 Student，通过软标签 + 硬标签联合蒸馏，在保持推理成本极低的同时，召回率突破 95%。
工程结论：
- 当训练数据一定时，通过蒸馏，小模型效果可接近大模型
- bert系列模型成本和收性价比最优
- 构造困难样本和更多无标签数据可提高模型准确率
3.3 防腐化难题：多智能体（Multi-Agent）对抗与规则自维护
识别 1.0 解决的是"新需求/新代码上线前能不能拦住"，但它解决不了一个更大的问题：
已经上线的核对规则，三个月后还有效吗？
答案是：大部分已经失效了。
业务链路在变、数据库表结构在变、对端接口语义在变，但核对规则不会自动跟着变。这才是大额资损的真正源头。
我们做过一个粗略的估算：上线超过半年的核对规则，超过三分之一已经"事实失效"。
怎么办？我们做了一个多智能体协作的防腐化系统。
整体思路
不靠单一模型"全知全能"，而是让几个专精的智能体分工合作：
- 测绘兵（代码分析 Agent） ：读懂一段代码在做什么，识别它涉及哪些字段、表、接口、枚举值
- 校验兵（规则分析 Agent） ：读懂一条核对规则在核什么，把它和代码事实做对照
- 通信兵（特征关系 Agent） ：把代码事实和规则事实整合成一张"特征关系图"，找出"代码说了一套、规则说了一套"的地方
- 侦察兵（对抗检查 Agent） ：对"图"做对抗式检查，找出新规则没覆盖到、或者老规则已经过时的地方
四个 Agent 串起来工作，自动发现哪些规则该补、哪些规则该删、哪些规则该改。
结论：
- 提升编写核对规则效率（提升90%）
- 自动保鲜线上规则
- 提升维护核对规则有效性效率
- 进一步提升核对规则保障范围
四、 展望：迈向全自动智能防控 3.0
2026年，我们将向"智能闭环·全链内控"迈进。如果说 2.0 时代我们实现了"人机共防"，那么 3.0 时代的目标是"自动驾驶级"的资金内控------让 AI 具备自主规划、自主执行、自主对抗的能力。
多智能体平台化
4.1 多智能体平台化：构建"红蓝对抗"的内控矩阵
我们将不再依赖单一的线性工作流，而是构建由五大核心 Agent 组成的网状协同矩阵，实现从"发现问题"到"解决问题"的闭环：
- 🔍 识别 Agent（哨兵） ：基于多模态大模型，实时感知需求文档与代码变更中的资金风险特征，实现毫秒级预警。
- 🧠 推导 Agent（参谋） ：深入理解资金链路的上下游依赖，自动推导潜在的资损路径，生成风险传播图谱。
- 🛡️ 保鲜 Agent（医生） ：针对腐化规则进行自动诊断与修复，通过代码语义与规则逻辑的比对，自动输出规则更新建议。
- 🚫 管控 Agent（宪兵） ：接管 CI/CD 流水线，对高风险变更实施自动熔断或拦截，确保"带病"资金逻辑无法上线。
- ⚔️ 对抗 Agent（蓝军） ：模拟黑客或异常用户行为，对现有内控规则进行红蓝对抗演练，主动挖掘规则盲区。
五. 结语
资金内控不是单纯的算法竞赛，而是数据治理、模型工程、架构设计与业务理解的系统性工程。我们的实践表明：
- 不盲目追大：蒸馏 + 小模型在资金内控场景中往往具备更高的 ROI。
- 数据飞轮是核心：自动化标注与闭环反馈决定了模型的上限。
- 防腐化是持久战：多智能体对抗校验是维持资金规则生命力的关键。
- 左移即防线：将内控节点嵌入 CI/CD 流水线，是资金安全与研发效率的双引擎。
AI 正在重塑资金内控的边界，但真正的护城河，永远建立在扎实的工程实践与对资金安全的敬畏之上