AI落地Best Practice · 企业与业务成品 · 2025-12-23

大模型在百度电商机审应用的落地实践

百度电商风控团队如何用大模型破解审核难题?多模态大模型+规则+知识库的协同方案带来革命性提升。

核心内容:

  1. 传统电商风控面临的三大痛点与业务挑战
  2. "大模型+规则+知识库"协同Agent方案的技术架构
  3. 实际落地效果与行业可迁移价值

导读 introduction本文聚焦百度电商风控场景,针对传统机审多模态识别弱、语义模糊难区分、审核体验差等痛点,推进原有机审流程向AI化流程改造,基于业界Agent">MultiAgent范式在审核场景落地应用,提出 “多模态大模型 + 规则 + 知识库” 协同的机审 Agent 方案。通过:1. 审核标准体系化、大模型化;2. 多模态大模型在领域典型问题上的抽象技术方案;3. 针对场景化问题精准优化。产出标杆式业务落地效果,为电商风控大模型落地提供可迁移能力强的技术方案。 全文4142字,预计阅读时间12分钟

GEEK TALK01

背景与问题

1.1 背景

“百度优选”是百度旗下电商品牌,伴随着近年百度电商的快速成长,在 “人、货、场” 高速运转的背后,风控体系始终面临 “安全 - 效率 - 体验” 的三角挑战:

作为百度电商风控技术团队,我们的目标很明确:用大模型重构机审体系,实现 “全机审覆盖 + 即时反馈 + 高可解释性”,让平台 “安全”、商家 “高效”、用户 “放心”。

1.2 面临的问题

在大模型落地前,我们的传统风控流程是 “商家提交→机审(规则+小模型过滤)→人审(人工判定)”,这种模式在业务快速增长下:

为了解决上述提到的问题,本文将详细介绍本次最佳实践

GEEK TALK02

技术方案

针对传统流程的痛点,我们提出 “大模型 + 规则 + 知识库” 协同的机审 Agent 方案,核心逻辑是:让模型做 “语义理解”(擅长的事),规则做 “确定性判断”(稳定的事),知识库补 “外部信息”(精准的事)。

2.1 整体技术方案

流程上,我们重构了整个审核流程,实现了 *“全机审覆盖 + 即时反馈 + 动态校准”*:

*原流程 vs 新流程对比*

2.2 亮点

2.2.1 审核标准对齐

要实现全机审,*“人审标准可量化” 是前提*。我们通过 “风险梳理→标准优化→动态更新” 三步,将 700 余个零散风险点整合成 24 组核心风险,覆盖了95%+的线上违规问题。

*步骤 1:风险点梳理 —— 做 “减法”*

我们采集2025年Q1的全部人审记录,

*步骤 2:审核标准优化 —— “规范化”*

我们把人审识别的风险划分为三部分,明确违规/明确不违规/边界样本

*步骤 3:动态更新 —— 做 “迭代”*

我们每月例行巡查、回收商家申诉和人审处理数据,若发现新违规类型,则补充到风险组,及时更新线上机审agent。

2.2.2 基于多模态大模型的机审agent设计

大模型是机审 Agent 的 “大脑”,我们选择大语言模型+多模态大模型为基础,辅助知识库(品牌授权库、类目树、资质库),实现 “多模态理解 + 精准判定”。

输入层:多模态数据整合

接收商家提交的全量商品数据,包括:

*特征抽取层:多模态特征融合*

特征抽取是机审的 “感知层”,我们采用 “规则抽取 + LLM 文本理解 + 多模态模型图像理解” 的组合方…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/shuziyuangong/2025122325413.html