风控 AI Agent：MCP 工具层与人工审批闭环产品系统

信贷风控研发团队的配置变更、发布、回滚、任务调度和线上排障，都要开发登录多个平台手工操作，经验也散落在个人脑子里。直接让大模型 Agent 操作生产系统风险太大。项目目标是建设一套「Agent 能干活、但不能乱动生产数据」的风控 AI 体系：工具化、可审批、可审计。（在职期间负责的公司内部项目）

1、MCP 工具层：把 Apollo 配置、CI/CD、Kubernetes 发布、任务调度、平台数据封装成 5 个 MCP Server、80+ 工具，开发工具和线上 Agent 共用。2、人工审批闭环：写操作只开放「提案」工具，人工批准后由平台代执行，全程写操作审计，Agent 不能直接改生产数据。3、编码 Agent 接入：风控管理平台内的 SSE 对话网关 + 独立运行容器。4、Skill 库：把真实事故沉淀成 17 个 Skill（故障排查手册、需求交付、决策回放、特征溯源、日志与错误码规范），Agent 按场景自动加载。5、风控 LLM 服务：职业清洗、收入估算、日志分析；RAG 知识库（RAGFlow）；DeepSeek/Qwen/GPT/Gemini 多模型切换与失败重试。

我是项目负责人，从 0 到 1 完成调研、设计、开发和上线。技术栈 Python、Java 17、MCP、SSE、RAGFlow、Apollo、Docker、Kubernetes。关键设计：读操作直接放开，写操作一律走「提案→审批→平台执行→审计」，把 AI 的不确定性挡在生产系统之外；模型配置放在 Apollo 统一管理，单个模型失败自动切换。结果：配置查询、发布、回滚、调度从登录多个平台手工点，变成对话里一步调用；配套推动 7 个 Python 服务接入配置中心，网关迁移 4 个应用只改配置、一次发布、零代码改动。