构建银行智能体时，30% 是 AI 工作，70% 是合规管道。贷款承销逻辑一周能写完，但审计日志、可解释性、人类介入检查点和数据驻留要花两个月。这篇架构指南以承销为例，展示了如何让 AI 决策通过审计。
核心要求：每个决策必须可追溯。监管不接受“模型给了 0.82 分”，需要知道用了什么数据、推理步骤、人类如何审查。用AuditableDecision类记录每一步的输入、推理、数据源、模型版本，实时追加，而非事后从日志重建。
承销决策管道：文档验证 → 通过 Claude（claude-sonnet-4-5）进行风险评分，要求返回 JSON 并引用具体数据点 → 阈值路由：风险分 >0.7 强制转人工，<0.3 自动通过，中间全部转人工。只有极低风险才自动决策。
人类介入不是按钮而是检查点：构建人类审阅包时，必须包含 agent 推理链、置信度、具体关注点、覆盖时需提供理由，且override_requires_justification: True——监管会检查这一点。
PII 处理：在提示词中剥离或 token 化直接标识符，如姓名替换为APPLICANT_{hash_id}，SSN 替换为[REDACTED]。跨境银行需根据数据驻留区决定模型调用区域或本地部署。
审计检查要点：决策不可变、推理链完整（不可事后重建）、覆盖必须有书面理由、阈值必须有依据且无差别影响。
这些模式（审计追踪、可解释性、人类介入阈值）可泛化到其他银行业 AI 场景，但欺诈检测的延迟和审计需求不同（毫秒级、模式推理而非文档推理），设计前建议先读相应指南。
#开发者 #工具 #AI #Agent #合规 #银行 #审计 #架构 #Python #Claude
📢 频道：@DevToolboxHub