规则引擎的能力分水岭:从规则执行到变量可编程

多数开源规则引擎(如Easy Rules、Aviator)本质是轻量级规则执行器,严格区分‘规则’与‘数据’——仅接收已就绪变量,执行预设条件表达式。当风控需‘近30天逾期次数’‘动态负债率’等衍生指标时,必须依赖外部ETL、数据库视图或后端硬编码完成前置加工。这导致数据准备与规则配置割裂为两个黑盒:业务无法理解变量来源,开发难以响应逻辑变更,审计无法追溯指标生成路径。结果是规则可配,但支撑规则的数据不可解释、不可调试、不可复用,违背金融风控对过程留痕与合规可验证的根本要求。

JVS-Rules打破这一范式,将变量加工提升为引擎本体能力。

JVS-Rules变量加工的工程实现原理

JVS-Rules采用四层闭环架构:策略编排 → 规则表达 → 变量数据加工 → 数据接入。其中‘函数计算器’是变量加工的可视化中枢,提供类Excel函数式低代码界面,底层支持多种执行方式:

  • API调用:HTTP GET/POST,自动解析JSON响应并提取字段
  • 数据库查询:内置JDBC连接池,支持参数化SQL与结果集映射
  • SQL脚本:在数据源侧执行聚合(如COUNT、GROUP BY),返回标量或列表
  • Groovy/Python脚本:运行沙箱环境,支持复杂逻辑与第三方库调用
  • ETL流程:编排多步骤加工链(如‘拉取征信JSON→解析逾期记录→按日期去重→统计30天频次’)

变量分为两类:

  • 基础变量:单值映射(y = f(x)),例如age → 年龄段标签
  • 复合变量:多行聚合(y = F(list[x])),例如征信记录列表 → 逾期次数 + 逾期明细数组

变量定义与规则配置解耦:业务人员配置函数逻辑与参数;技术人员统一管理数据源连接、凭证与权限。信息在分工边界零损耗,兼顾敏捷性与安全性。

变量设计界面,包含变量名称和说明输入框,参数列表、函数列表和说明面板,底部有测试、确定和取消按钮。

技术对比:为什么Easy Rules、Drools、LiteFlow不支持业务级变量衍生?

竞品的能力边界由其定位决定,非功能缺失:

  • Easy Rules:定位嵌入式Java规则库,仅提供Rule和RulesEngine核心类,无变量生命周期管理模块,无可视化加工入口,不支持数据源接入与解析
  • Drools:虽支持Fact注入,但变量加工需通过Java对象构造、硬编码@Fact属性或外部服务调用,仍强依赖开发介入
  • LiteFlow:专注组件编排(Node → Chain),可串联微服务接口,但缺乏JSON Schema解析、字段提取、聚合计算等业务语义层数据处理能力

三者均未将‘数据源接入→协议解析→字段提取→聚合计算→变量注册’封装为原子化、可配置、可追溯的业务能力。它们是规则执行容器;JVS-Rules是业务决策操作系统。

决策流在线调试界面,显示节点执行状态和变量结果的弹窗信息

风控建模实战:4个可落地的技术价值点

JVS-Rules的变量加工能力直接提升风控系统工程效能:

  • 全程留痕可审计:每个函数调用的原始入参、出参、耗时、异常堆栈均写入执行日志,支持逐节点回溯,满足《商业银行预期信用损失法实施指引》对决策依据可验证的要求
  • 规则迭代T+0生效:业务人员修改公式(如负债率 = 总负债 / 年收入)后,保存即刻生效,无需提需求、等排期、改Java代码、走CI/CD发布流程
  • 跨场景变量复用:同一‘客户风险等级’变量经一次加工定义,即可在贷前准入(规则引擎)、贷中监控(实时计算流)、贷后催收(批处理作业)、营销分层(离线报表)中直接引用,避免重复开发与口径偏差
  • 在线调试精准定位:调试模式支持上传原始请求JSON,逐节点查看函数输入/输出;问题可定位至具体API响应字段缺失、JSON路径错误或SQL空结果集,故障排查周期缩短70%以上

函数执行日志明细弹窗,显示输入参数为['DEV'],输出结果为JSON格式的成功响应,包含code、msg、data和timestamp字段。

Logo

openEuler 是由开放原子开源基金会孵化的全场景开源操作系统项目,面向数字基础设施四大核心场景(服务器、云计算、边缘计算、嵌入式),全面支持 ARM、x86、RISC-V、loongArch、PowerPC、SW-64 等多样性计算架构

更多推荐