post-loan-risk-eval-agent

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：

1. 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。

2. 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：

1. 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）
2. 一票否决规则检查
3. 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）
4. 专家规则修正
5. 风险判定（最终分/五级分类/预警信号/处置建议）
6. 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                 # 跑全部 5 个 mock 样例并生成报告
python core/engine.py data/mock/demo_doubtful.json   # 单个评估

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。