揭秘：资损下降 99.96% 的背后—AI 资损防控平台实战
增长中台部约 6 分钟前言摘要
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，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”
一、 破局：传统资损防控的“生命周期痛点”
1
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。
2
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。
3
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。
4
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。
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。
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：
1
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。
2
置信度过滤：仅保留模型高置信度输出，构建伪标签数据集。
3
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
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：
Q
已经上线的核对规则，三个月后还有效吗？
答案是：部分已经失效了。
A
!
整体思路
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
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
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：
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。
last
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
THE END