大模型当风控分析师：读报表、找问题、出策略——自动化的三层能力
LLM在风控里最被高估的能力是"做风控"（替代规则引擎、替代评分卡），最被低估的能力是"分析风控"——读报表、发现异常、出调整建议。当大模型不跟数学题较劲，而是当分析师的时候，它能干的比你想象的多。
关键词： LLM分析师，策略监控，风控自动化，函数调用，归因分析
引言
在《大模型在风控里到底能干什么？》里，我们实测了LLM的三种角色：规则挖掘、规则合并、评分卡对比。结论是——LLM不是替代现有系统，而是补短板。
每天早上一张表：各条规则的命中率、逾期率、拒绝量。分析师扫一遍→发现异常→写SQL深挖→出策略调整建议。这套流程任何一个正经风控团队都在做。
问题在于：
| 步骤 | 传统做法 | 痛点 |
|---|---|---|
| 读报表 | 肉眼扫表 | 10+条规则，3-4个指标，人眼容易漏 |
| 发现异常 | 依赖经验 | 新人要3-6个月才能"有感觉" |
| 深挖归因 | 跑SQL | 每次要写不同的SQL，耗时30分钟-2小时 |
| 出建议 | 写PPT | 时间全花在格式对齐上 |
这套流程完全可以用LLM自动化——不是替代分析师，是把分析师的重复劳动降到零。
LLM分析师三层能力
L1：读表
将风控仪表盘数据以结构化格式输入LLM，自动识别异常指标：
输入：各规则昨日的通过率、逾期率、拒绝量
输出：标记出超出阈值的指标 + 初步判断L2：归因
LLM调用SQL工具自动深挖异常原因：
发现：规则A的逾期率从3.2%涨到5.8%
归因：LLM自动写SQL、查数据、定位到"某渠道新客逾期率异常"L3：推演
基于归因结果，LLM推演策略调整方案：
建议：对该渠道新客降低授信额度或提高审批门槛
推演：预估调整后的通过率和逾期率变化函数调用架构
LLM通过函数调用（Function Calling）与风控系统交互，实现自动化分析闭环。
实测效果
| 层级 | 耗时(人工) | 耗时(LLM) | 提升 |
|---|---|---|---|
| L1读表 | 10-15min | 30s | 20-30x |
| L2归因 | 30min-2h | 3-5min | 10-24x |
| L3推演 | 1-2h | 5-10min | 12x |
最耗时的归因环节，LLM将2小时压缩到5分钟。
完整内容请关注公众号「QIAN数据」