预测式风控和规则式风控差在哪？

预测式风控和规则式风控的差别，先说结论：要拦新型手法、要在海量订单里排出优先级，用预测式；要守硬性红线、要能对用户解释清楚，用规则式。AI 在预测式里做的是给每一笔行为打一个风险分，规则式则是人把经验写成条件。两者不是替代关系，下面从判据、反应速度、可解释性、维护成本四个维度拆开。

先说结论：规则守底线，模型排顺序

规则式负责「一票否决」：同一设备短时间注册多个账号、收货地址与手机号归属地长期不符、优惠券在异地集中核销。这些条件写死，命中即拦，不需要解释太多。

预测式负责「排序」：把每天几十万笔订单按风险从高到低排，让有限的人工复核先去查最可疑的那几百笔。它不直接判生死，而是决定谁先被看见。两者叠加，才是常见的生产形态。

判据从哪来

规则来自人：运营、风控、客服把踩过的坑总结成条件，一条一条加进去。好处是每条都能说出为什么，坏处是只能覆盖想到过的情况，而且规则越加越多，互相冲突。

预测式来自数据：用历史标注样本训练模型，让它从几百个特征里自己找组合。好处是能发现人没注意到的关联，比如某个时段、某类设备型号、某种浏览路径的组合异常；坏处是这些关联未必有因果，换个场景就可能失效。

对新型手法的反应速度

规则的反应依赖人先发现。新手法出现，往往是客诉上升或损失暴露之后才被总结成规则，中间有几天的空窗。预测式如果特征选得足够行为化，可以在没有见过具体手法的情况下，因为「行为模式偏离常态」而给出高分。

但预测式也不是万能的。如果新手法在特征上和正常用户几乎一样，模型同样看不出。所以实践里会保留一批「无监督异常检测」作为补充，专门看那些分数分布突然变化的群体，作为早期信号。

可解释性和申诉

规则天然可解释，命中哪条就告诉用户哪条，申诉时也有据可依。模型的分数很难直接解释，即使用特征重要度做归因，也只能说「这几个因素贡献大」，说不清具体原因。

对客场景要考虑这一点。直接告诉用户「系统判定你有风险」很容易激化矛盾，通常的做法是规则命中就直接说明，模型高分则转人工复核，由人给出具体理由。把不可解释的部分挡在内部，是体验设计的基本要求。

维护成本的曲线

规则的维护成本随条数增长而加速上升。几百条规则之后，没人说得清它们之间的优先级，改一条可能影响另一条，测试成本越来越高。定期做规则梳理、合并同类项，是必须的动作。

梳理时可以让 DeepSeek 先把几百条条件按触发对象归并成几组，再用 Kimi 写成能读懂的规则说明，人再确认哪些重复、哪些冲突，比一条条读快，也不容易漏掉互相抵消的规则。

模型的维护成本集中在上线之后：样本会过期，用户行为会漂移，指标会慢慢下滑。需要按月监控分数分布和命中率，按季度重训。没有这套机制，模型半年后就会退化成噪音。

• 硬红线、可解释：写成规则，命中即拦
• 海量排序、新型手法：用模型打分，人工复核
• 反应速度：规则靠人总结，模型靠行为偏离
• 对客：规则说原因，模型分转人工
• 维护：规则定期合并，模型按月看分布

关于两种风控的三个常问问题

• 有了模型还需要规则吗？：需要。冷启动阶段没有样本，规则是唯一能立刻上线的防线。
• 模型分数高就一定要拦吗？：不必。可以只做拦截之外的处置，比如加验证、延迟发货、转人工。
• 误拦太多怎么办？：先看阈值定在哪，再看特征里有没有把正常行为误当异常，别急着换模型。

判定逻辑的可解释性问题在质检里同样存在，视觉质检和人眼质检有什么区别讲了机器判定的边界；把重复处置交给软件的分寸见数字员工和自动化脚本有什么区别；如果要在毫秒内出分，实时推荐和离线推荐有什么区别里的链路设计可以借鉴。