信貸風(fēng)控工程師的日常，是翻遍GitHub倉庫、研究論文、內(nèi)部Wiki，只為找一個公式怎么算。某ML工程師用7天做了個AI Agent，把3個代碼倉庫的文檔塞進搜索引擎，現(xiàn)在問它"WOE分箱怎么搞"，它能直接甩出GitHub鏈接。

這不是Demo。作者本職就是干這個的——建評分卡、監(jiān)控模型漂移、驗證PD/LGD/EAD模型，每天跟WOE分箱管道打交道。他發(fā)現(xiàn)Alexey Grigorev的AI Agents速成課后，沒跟默認(rèn)數(shù)據(jù)集，而是做了自己上班真能用的東西。

為什么信貸風(fēng)控特別需要這玩意兒

WOE（證據(jù)權(quán)重）、IV（信息價值）、分箱、漂移檢測——這些術(shù)語圈外人聽著像黑話，圈內(nèi)人知道是基礎(chǔ)設(shè)施。問題是文檔太碎：一個公式可能在某個倉庫的issue里，實現(xiàn)細(xì)節(jié)藏在Jupyter notebook第47個cell，最佳實踐只存在于老員工的腦子和離職交接郵件里。

作者的原話：「The documentation is scattered across GitHub repos, research papers, and internal wikis. Finding a specific formula or implementation detail means digging through notebooks manually.」翻譯成人話：找東西靠手刨。

他做的Agent干了幾件事：從3個信貸風(fēng)控GitHub倉庫拉文檔，索引進搜索引擎，用GPT-4o-mini（通過Pydantic AI框架）回答自然語言提問。每個答案帶引用鏈接，點一下直達GitHub源文件。

你可以問它："PD模型校準(zhǔn)怎么驗證？"或者"這個WOE分箱代碼為什么報NaN？"——它會像那個你一直想請教、但已經(jīng)離職的老同事一樣回答你，只是不會不耐煩。

技術(shù)選型：為什么用Pydantic AI而不是LangChain

作者沒選最熱門的工具。Pydantic AI的核心賣點是類型安全——用Python的類型系統(tǒng)約束AI輸出，避免LLM胡編字段名。對于風(fēng)控這種"錯一個小數(shù)點可能被罰穿"的領(lǐng)域，結(jié)構(gòu)化的可靠性比花里胡哨的鏈?zhǔn)秸{(diào)用更重要。

GPT-4o-mini負(fù)責(zé)理解問題和生成回答，成本夠低、速度夠快。搜索層用了向量索引+關(guān)鍵詞混合檢索，畢竟技術(shù)文檔里代碼片段和術(shù)語的精確匹配不能全靠語義相似度。

整個流程跑通：用戶提問→檢索相關(guān)文檔片段→LLM結(jié)合上下文生成回答→附加源鏈接。7天里作者還踩了坑——GitHub API rate limit、不同倉庫的文檔格式不統(tǒng)一、代碼塊和Markdown混在一起的解析噩夢。

實際用起來什么感覺

作者舉了幾個能問的問題：WOE binning pipelines怎么實現(xiàn)、PD/LGD/EAD模型驗證要點、模型漂移監(jiān)控的常用指標(biāo)。這些原本需要打開5個標(biāo)簽頁、翻3個倉庫才能拼出的答案，現(xiàn)在變成了一段帶出處的對話。

有個細(xì)節(jié)很真實：每個回答都帶GitHub鏈接。不是"根據(jù)某篇論文"，而是"這個函數(shù)在repo-A的utils.py第142行"。對于需要審計溯源的風(fēng)控場景，這比答案本身更重要——監(jiān)管問你這個結(jié)論哪來的，你能點過去給他看。

作者沒說的是，這玩意兒能不能直接扔給業(yè)務(wù)同事用。技術(shù)文檔的AI問答有個永恒難題：問得太專業(yè)，LLM復(fù)述文檔；問得太模糊，它開始自信地胡說。他的解法是把檢索范圍鎖死在3個可信倉庫，用Pydantic的結(jié)構(gòu)化輸出卡住幻覺的脖子。

7天之后的思考

這個項目的價值不在技術(shù)復(fù)雜度，在場景切得準(zhǔn)。AI Agent現(xiàn)在是個熱到發(fā)燙的詞，但大多數(shù)教程停留在"用工具調(diào)用訂個披薩"。作者把它扎進了一個足夠深、足夠痛的垂直場景——信貸風(fēng)控的文檔碎片化問題。

他開源了代碼（雖然原文沒給鏈接，但提到了GitHub repos作為數(shù)據(jù)源）。對于同行來說，這比又一個通用RAG框架有用得多：你能看到怎么處理代碼+文檔混合的內(nèi)容，怎么給技術(shù)問答加引用，怎么在領(lǐng)域術(shù)語和日常語言之間做翻譯。

最后留個開放的問題：如果你的工作也有這種"知識散落在10個地方，老員工腦子占一半"的痛點，你會選擇把文檔灌進AI，還是繼續(xù)手刨——以及，你的老板愿意為"少刨3小時文檔"付多少預(yù)算？