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:
- 对平台:风控是 “生命线”若未能准确及时的管控风险,可能引发监管处罚、用户信任流失,甚至影响百度的商誉。
- 对商家:“快过审 + 明理由” 是核心诉求,在传统人工审核流程中,商家提交信息后需等待2-4 小时(峰值期甚至 1 天),若被拒审仅收到 “内容违规” 的模糊反馈(在历史的商家访谈中,部分不满意指向了 “审核慢、理由不清”)。
- 对用户:“看到靠谱内容” 是关键,若平台出现了不可靠或者低质的信息,用户可能会因 “被骗” 损失利益,从而进一步导致用户的流失 。
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:
- 问题 1:人审瓶颈刚性,无法支撑业务增长
- 问题 2:机审能力薄弱,为保证风险不露出人审覆盖面大,审核时效长(小时级,极端情况下甚至长达1天)
- 传统机审依赖规则引擎(如关键词匹配 “最佳”“第一” 判定虚假宣传),但无法处理复杂场景:
- 多模态违规:主图显示 “Nike”品牌,详情页显示为”山寨品牌“—— 规则无法识别图文不一致;
- 模糊语义:“本品有助于睡眠”(合规)vs “本品治愈失眠”(违规)—— 规则无法区分 “程度差异”;
- 问题 3:审核体验差,商家申诉率高
- 传统机审拒审理由模糊,商家需反复猜测修改方向。
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,
- 相似风险合并:采用层次聚类将相似违规进行归类。
- 风险分层:对”风险严重程度“较低,且不直接影响商品价值和用户购买决策的风险暂时不纳入机审(人工巡查覆盖)。
- 长尾剪枝:对”发生频率“较低的风险暂时不纳入机审(人工巡查覆盖)。
*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:
- 文本数据:商品标题、详情页描述、规格参数、商家资质名称;
- 图像数据:主图、详情图、资质图片(如《授权许可证》);
- 结构化数据:商家资质库(如品牌授权记录、进口报关单)、平台类目树、风险规则库。
*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…