| name | post-loan-risk-eval-agent |
| description | 企业贷后风险评估智能体。调用外部/行内MCP采集数据，经三层算法（一票否决+多维打分+专家规则）评估企业未来3个月违约风险并输出评估报告。当用户要求评估企业贷后风险、生成风控报告时调用。 |
| version | 1.0.0 |
| author | post-loan-risk-eval-agent contributors |
企业贷后风险评估智能体
何时调用
当用户提出以下需求时调用本 skill：
- 评估某企业未来 3 个月是否有贷后违约风险
- 生成企业贷后风险评估报告
- 对企业做贷后风控预测/五级分类判定
智能体工作流（严格按序执行）
第 1 步：获取企业元信息
向用户或上游系统获取评估对象的基础元信息（最少必填）：
name 企业名称credit_code 统一社会信用代码industry_code 行业代码region_code 区域代码ownership 企业性质、company_age 企业年龄 等（可选，缺失由外部MCP补全）
第 2 步：调用 MCP 采集数据（自动，无需手工输入）
并行调用两个 MCP 服务：
-
外部数据 MCP（mcp/external_data_mcp.py，工具 fetch_external_data_tool）
- 按配置对接外部数据源获取：企业画像、司法、失信、经营异常、税务、舆情、财务报表、抵质押、担保人、控股股东，以及行业宏观（景气指数/不良率/周期/政策）、区域宏观（政府债务比/房产不良/失信增长/人口趋势）。
- 未配置真实接口时，使用内置基线库返回默认值，保证流程可跑通。
- 推荐数据源：第三方企业征信数据源、中国执行信息公开网、国家统计局、国家金融监督管理总局、地方统计局等。
-
行内数据 MCP（mcp/internal_data_mcp.py，工具 fetch_internal_data_tool）
- 对接行内数据接口获取：贷款账户、还款历史、内部评级、现金流、同业融资、个人征信、短期债务、建筑物资产、本行融资。
若 MCP 未部署，可直接读取 data/mock/demo_*.json 测试数据演示。
第 3 步：合并数据
调用 core/data_merger.py 的 merge_company_data(external, internal) 合并为引擎可用的统一数据对象。
合并后字段定义见 data/field_dictionary.json（英文键<->中文名<->模块<->来源）。
第 4 步：调用核心引擎评估
调用 core/engine.py 的 RiskEngine().evaluate(merged_data)，引擎自动执行三层递进算法：
- Layer1 一票否决（硬止损）：7 条规则任一命中 → 直接判高风险（损失级），终止流程。规则见
config/rules.yaml 的 veto_rules。
- Layer2 多维打分（加权求和）：经营风险30% + 信用风险25% + 债项风险20% + 行业风险15% + 区域风险10%。每维拆子指标→细项，细项给当前值+判断阈值+得分（强可解释）。配置见
config/scoring.yaml。
- Layer3 专家规则（弹性修正）：9 条专家规则命中罚分 + 交叉风险加成。规则见
config/rules.yaml 的 expert_rules。
最终分映射监管五级分类：
| 分值 | 五级分类 | 违约风险 |
|---|
| 0~20 | 正常 | 无 |
| 21~40 | 关注 | 无 |
| 41~60 | 次级 | 有 |
| 61~80 | 可疑 | 有 |
| 81~100 | 损失 | 有 |
第 5 步：输出评估报告
引擎返回的 report 字段为 Markdown 报告，遵从 风控报告样本.txt 的六部分结构：
- 数据完备度评估（缺失提示，数据不全仍尽力评估但标注风险）
- 一票否决规则检查
- 多维度风险评分（含细项拆解：当前值/判断标准/得分，分行隔离，强可解释）
- 专家规则修正
- 风险判定（最终分/五级分类/预警信号/处置建议）
- 评估结论（概括总结+关键风险提炼+判定逻辑，非简单罗列）
将报告呈现给用户。报告可直接保存为 .md 文件。
关键约束
- 评分阈值/权重/规则全部在
config/*.yaml，业务可例行调优，**不客户甲在代码或大模型中硬编码阈值。
- 一票否决具有最高优先级，命中即终止，任何后续打分不得覆盖。
- 五级分类映射严格遵循监管标准，不可调整。
- 数据缺失时仍需完成评估，但在报告中标注"数据缺失风险"。
- 企业名称/ID 在对外展示时须脱敏处理。
快速验证
python run_demo.py
python core/engine.py data/mock/demo_doubtful.json
目录结构
post_loan_risk_eval_agent/
├─ config/ # 算法配置（单一可信源，可调优）
│ ├─ scoring.yaml # Layer2 五维打分阈值与权重
│ └─ rules.yaml # Layer1 否决规则 + Layer3 专家规则
├─ .trae/
│ └─ skills/
│ └─ post-loan-risk-eval-agent/
│ └─ SKILL.md # Trae Skill 定义
├─ core/
│ ├─ engine.py # 核心评估引擎（三层算法+报告生成）
│ └─ data_merger.py # 外部+行内数据合并器
├─ mcp/
│ ├─ external_data_mcp.py # 外部数据MCP（可接权威/商业数据源，未配置时回退基线）
│ └─ internal_data_mcp.py # 行内数据MCP（对接行内接口）
├─ data/
│ ├─ field_dictionary.json # 字段字典（英文键<->中文名<->来源）
│ └─ mock/ # 5个脱敏测试样例（正常/关注/次级/可疑/损失）
└─ run_demo.py # 一键验证脚本
调用示例
输入
用户提供企业元信息：
请评估企业"客户A"（统一社会信用代码：00000000000000000X）的贷后违约风险。
或直接提供 JSON 数据：
{"name": "客户A", "credit_code": "00000000000000000X",
"industry_code": "K", "ownership": "民营中小", "dscr": 1.15,
"debt_asset_ratio": 0.68, "current_rating": "BB", ...}
输出
引擎返回 Markdown 评估报告，包含：数据完备度评估、一票否决检查、
多维度评分（含细项拆解）、专家规则修正、风险判定（五级分类）、评估结论。
完整报告结构参见 data/mock/demo_doubtful.report.md。
