Excalidraw AI用于金融风控流程建模的尝试

Excalidraw AI 在金融风控流程建模中的实践探索

在金融产品迭代加速、合规要求日益严格的今天，一个清晰、可协作、可追溯的风控流程设计机制，已成为企业核心竞争力的一部分。然而现实是，许多团队仍在用 Word 文档描述逻辑、PPT 展示流程图、微信群确认变更——信息碎片化、沟通成本高、版本混乱的问题屡见不鲜。

有没有一种方式，能让风控策略师像说话一样“画出”流程？让工程师一眼看懂业务意图？让合规人员随时参与评审而不必打开专业建模工具？

答案正在浮现：基于 Excalidraw 的 AI 驱动可视化建模。它不是简单的绘图工具升级，而是一种将自然语言、图形表达与实时协作融合的新范式。我们最近在一个信贷审批系统的重构项目中尝试了这一路径，效果远超预期。

Excalidraw 本身并不陌生。这款开源虚拟白板以极简界面和手绘风格著称，打开即用，无需培训。它的底层技术栈也很直接：React + TypeScript 构建交互逻辑，Canvas 渲染图形元素，所有操作以对象形式存储并支持序列化。真正让它脱颖而出的是设计理念——“快速表达思想，而非追求视觉完美”。这恰好契合了风控建模初期那种不断试错、频繁调整的状态。

更关键的是，Excalidraw 默认采用本地优先架构，数据保留在浏览器中；同时又可通过 WebSocket 实现多人实时协作，每个用户的操作都会被广播给其他客户端。这意味着你可以一边开会，一边和同事同步编辑同一张图，所有修改即时可见。

比如下面这段代码，就能在任意 React 项目中嵌入一个功能完整的白板组件：

import React from "react"; import { Excalidraw } from "@excalidraw/excalidraw"; const Whiteboard = () => { return ( <div style={{ height: "800px" }}> <Excalidraw initialData={{ appState: { viewModeEnabled: false }, elements: [], }} onChange={(elements, state) => { console.log("当前画布内容:", elements); // 可在此处保存状态至数据库或发送给其他用户 }} /> </div> ); }; export default Whiteboard;

这个组件不仅能作为独立工具使用，还可以深度集成进内部系统——比如风控平台的知识库模块、低代码配置中心，甚至是 Confluence 插件。其提供的 SDK 和 iframe 支持，使得这种嵌入变得轻而易举。

但真正带来质变的，是AI 能力的引入。

严格来说，“Excalidraw AI”并非官方功能，而是社区和企业在其基础上扩展出的智能层。核心思路很清晰：用大语言模型（LLM）理解自然语言指令，将其转化为结构化的流程图数据，再注入 Excalidraw 画布。

想象这样一个场景：风控经理说：“请画一个信贷审批流程，包括身份验证、征信查询、额度评估、人工复核四个环节。” 系统立刻生成一张包含节点和流向的初稿。这不是魔法，而是三步走的技术实现：

1. 自然语言理解（NLU）：由 LLM（如 GPT 或通义千问）解析输入文本，提取关键实体（如“身份验证”）、流程顺序（“先A后B”）、判断条件（“若信用分低于600则拒绝”）等语义信息。
2. 结构化建模转换：将语义结果映射为有向无环图（DAG），确定节点类型（开始/处理/决策/结束）、连接关系及布局建议。
3. 图形生成与渲染：调用 Excalidraw 的scene.elements接口，动态创建图形元素并自动排布，避免重叠混乱。

整个过程可以通过微服务解耦，NLU 模块独立部署，便于更换底层模型或优化提示词策略。例如，我们曾封装了一个 FastAPI 后端来处理这类请求：

from fastapi import FastAPI import openai import json app = FastAPI() PROMPT_TEMPLATE = """ 你是一个金融风控流程建模助手。请根据用户描述，输出符合 JSON Schema 的流程图定义。 节点类型包括：start（开始）、process（处理）、decision（判断）、end（结束）。 连接关系用 source -> target 表示。 输出格式如下： { "nodes": [ {"id": "n1", "type": "start", "label": "申请提交"}, {"id": "n2", "type": "process", "label": "身份验证"} ], "edges": [ {"source": "n1", "target": "n2"} ] } 用户输入：{user_input} """ @app.post("/generate-flow") async def generate_flow(description: dict): user_text = description["text"] response = openai.ChatCompletion.create( model="gpt-3.5-turbo", messages=[ {"role": "system", "content": "你是一个专业的流程建模AI"}, {"role": "user", "content": PROMPT_TEMPLATE.format(user_input=user_text)} ], temperature=0.3 ) try: result_json = json.loads(response.choices[0].message['content']) except json.JSONDecodeError: return {"error": "无法解析AI输出"} excalidraw_elements = [] y_offset = 0 for i, node in enumerate(result_json["nodes"]): element = { "type": "rectangle", "x": 100, "y": y_offset, "width": 120, "height": 40, "strokeColor": "#000", "backgroundColor": "#fff", "fillStyle": "hachure", "text": node["label"] } excalidraw_elements.append(element) y_offset += 80 return {"excalidrawData": excalidraw_elements}

这段代码虽然简化，但它展示了如何构建一个“AI 建模引擎”：接收自然语言输入，调用 LLM 解析，转换为 Excalidraw 可识别的元素数组，最终返回给前端初始化画布。实际应用中，我们还会加入错误重试、缓存机制和敏感词过滤，确保稳定性和安全性。

那么这套方案在真实风控场景中表现如何？

我们以一次信贷审批流程的设计为例。传统做法是从会议纪要整理成文档，再由专人绘制 Visio 图，反复校对修改，耗时至少两天。而现在的工作流完全不同：

1. 需求输入：风控负责人在白板页面输入一句话：“新信贷产品审批应包括客户申请、人脸识别、央行征信调取、反欺诈评分、自动审批（≤5万）、人工复审（>5万）、放款通知。”
2. AI 生成：系统秒级响应，自动生成含7个节点和1个条件分支的流程草图。
3. 人工优化：团队成员直接拖动节点调整布局，添加颜色标注高风险环节，插入注释说明监管要求。
4. 多方评审：通过链接邀请法务、运营和技术同事在线评论，所有意见集中留存。
5. 定稿输出：导出 PNG 用于汇报，JSON 数据供风控引擎参考，文件保存至 Git 实现版本管理。

效率提升显而易见。更重要的是，非技术人员第一次能主动参与流程设计——他们不再需要学习复杂的工具，只需说出想法即可看到可视化结果。一位资深风控策略师感慨：“以前我们要花80%的时间对齐理解，现在可以直接讨论优化点。”

当然，落地过程中也有不少值得深思的设计考量。

首先是数据安全。如果使用公有云 LLM，必须对输入内容脱敏处理，比如替换真实客户名为“客户A”，隐藏具体阈值参数。更稳妥的做法是私有化部署开源模型（如 Qwen、ChatGLM），既保障敏感信息不出内网，又能针对金融术语做领域微调。

其次是准确性控制。AI 生成永远只是起点，不能替代人工审核。我们建立了一套“关键词库”，帮助 LLM 正确识别“LTV”、“PD模型”、“黑名单扫描”等专业术语，并设置校验规则检测常见漏洞（如缺少终态节点、循环依赖等）。

再者是集成适配性。为了融入现有体系，我们实现了与企业 SSO 的对接，确保权限可控；同时支持导出 Mermaid 或 BPMN 格式，便于后续接入自动化流程引擎或 RPA 触发器。

最后是用户体验。我们增加了常用语句模板（如“请生成一个含X个步骤的Y流程”），甚至尝试语音输入，进一步降低操作门槛。对于新手，还提供了“引导模式”：一步步提问收集信息，逐步构建完整流程。

从技术角度看，Excalidraw 与 AI 的结合之所以有效，是因为它打破了三个传统壁垒：

• 认知门槛：不再要求使用者精通绘图软件或流程符号标准；
• 协作延迟：多人可实时编辑同一份模型，信息零失真传递；
• 迭代阻力：修改不再是“重画一张图”，而是自然语言级别的调整。

这也让我们重新思考“流程文档”的本质。在过去，它是静态的、终结性的产物；而现在，它可以是动态的、演进中的共识载体。每一次讨论、每一条评论、每一个版本变更，都成为模型演化的一部分。

展望未来，这条路还有更大的想象空间。随着 LLM 对领域知识的理解加深，我们可以期待更多高级能力：

• 从流程图自动生成伪代码或配置片段；
• 自动检测逻辑漏洞（如死循环、不可达节点）；
• 结合历史数据进行流程挖掘，发现实际执行路径与设计模型的偏差；
• 支持多语言互译，助力跨国团队协作。

这些功能未必都需要复杂开发，很多可以通过插件机制在 Excalidraw 生态中逐步实现。

某种意义上，Excalidraw AI 不只是一个工具组合，它代表了一种新的工作哲学：让表达回归本能，让协作即时发生，让复杂逻辑变得可触摸。在金融风控这样一个高度依赖精确性与协同性的领域，这样的变革尤为珍贵。

当一名刚入职的分析师也能用几句话“画出”一个完整的反洗钱流程时，我们就知道，这场可视化革命才刚刚开始。