传统手动开发流程中的典型痛点
做「Give Me Some Credit」毕设时，我踩过的坑可以写一本血泪史。先把痛点摆出来，看看有没有你的影子：
- 缺失值像打地鼠。
MonthlyIncome缺 20%，NumberOfDependents缺 20%，还有一堆 0 值藏在NumberOfTime30-59DaysPastDueNotWorse里。手动写fillna写完还要回头检查，一不留神就把测试集信息泄露进去。 - 类别不平衡让人头大。正负样本 1:9，手动调
scale_pos_weight每次都要重跑 GridSearch，跑一次 40 分钟，GPU 风扇像要起飞。 - 模型解释性不足。导师一句“你凭什么说这个人会违约？”把我问懵，传统
feature_importances只能给出柱状图，解释力度不够。 - 工程结构混乱。
train.py、predict.py、utils.py全堆在一个文件夹，每次改路径都要cd ..三遍，Docker 镜像打到 3 GB，CI 直接超时。 - 版本漂移。今天跑好的 AUC 0.795，明天队友拉新数据重跑掉到 0.751，谁也说不清是哪一步踩了坑。
痛定思痛，我决定把 AI 当“外挂”——不是让它替我思考，而是让它替我搬砖。
AI 辅助工具选型对比
我先后试了三种主流方案，把体感记录如下：
| 工具 | 优点 | 缺点 | 适合场景 |
|---|---|---|---|
| GitHub Copilot | VS Code 即插即插、补全速度快、理解上下文 | 公网传输、对中文注释偶尔抽 | 个人开发、快速原型 |
| CodeWhisperer | 亚马逊全家桶无缝、免费额度大 | 提示偏保守、对 sklearn 生态支持一般 | AWS 部署项目 |
| 本地 CodeLlama-13B + Ollama | 数据不出内网、可微调 | 显存 10 GB 起步、补全慢 3~5 秒 | 隐私敏感、离线机房 |
最终组合：
- 编码阶段：Copilot 主力，CodeWhisperer 做 Code Review 备胎。
- 离线解释报告：本地 LLM 生成 SHAP 摘要，避免客户数据外泄。
核心实现细节：AI 生成的特征工程 pipeline
下面这段 pipeline 是 Copilot 在我敲完# TODO: automated feature engineering后自动补全的，我仅做了三处微调：
- 把
pd.get_dummies改成OneHotEncoder(handle_unknown='ignore')防止新类别爆炸。 - 把
SimpleImputer的copy=False去掉，避免 SettingWithCopyWarning。 - 把注释写得比它更啰嗦，方便导师看懂。
# pipeline.py from sklearn.compose import ColumnTransformer from sklearn.pipeline import Pipeline from sklearn.impute import SimpleImputer from sklearn.preprocessing import StandardScaler, OneHotEncoder from sklearn.metrics import roc_auc_score import xgboost as xgb num_features = ['RevolvingUtilizationOfUnsecuredLines', 'age', 'NumberOfTime30-59DaysPastDueNotWorse', 'DebtRatio', 'MonthlyIncome', 'NumberOfOpenCreditLinesAndLoans', 'NumberOfTimes90DaysLate', 'NumberRealEstateLoansOrLines', 'NumberOfTime60-89DaysPastDueNotWorse', 'NumberOfDependents'] cat_features = [] # 本数据集无类别特征，保留扩展位 numeric_transformer = Pipeline(steps=[ ('imputer', SimpleImputer(strategy='median')), ('scaler', StandardScaler()) ]) preprocessor = ColumnTransformer( transformers=[ ('num', numeric_transformer, num_features) ]) clf = xgb.XGBClassifier( n_estimators=600, learning_rate=0.05, max_depth=4, subsample=0.8, colsample_bytree=0.8, scale_pos_weight=9, # 粗略平衡 eval_metric='auc', random_state=42 ) model = Pipeline(steps=[('prep', preprocessor), ('xgb', clf)])训练脚本一句话搞定：
# train.py model.fit(X_train, y_train) print("AUC:", roc_auc_score(y_valid, model.predict_proba(X_valid)[:, 1]))Copilot 甚至帮我把if __name__ == "__main__"的模板也补全了，我只需关注数据路径。整个编码时间从 2 小时压缩到 20 分钟。
模型服务化：FastAPI 三文件搞定
AI 写完特征工程，顺手把 API 骨架也搭了。我用的三文件结构：
main.py：FastAPI 入口，自动加载joblib模型。schemas.py：Pydantic 校验，防止非法字段入站。predict.py：核心预测函数，返回概率 + SHAP 值。
# main.py from fastapi import FastAPI import joblib, os from schemas import CreditRequest, CreditResponse app = FastAPI(title="GiveMeSomeCredit-scoring") model = joblib.load(os.getenv("MODEL_PATH", "pipeline.pkl")) @app.post("/score", response_model=CreditResponse) def score(req: CreditRequest): prob = float(model.predict_proba([req.dict()])[0, 1]) return CreditResponse(default_probability=prob, customer_id=req.customer_id)Dockerfile 由 Copilot 补全，我只改了两行镜像源，构建体积从 1.8 GB 压到 380 MB。
性能与可解释性评估：SHAP 值集成
让导师闭嘴的最佳方式，是把 SHAP 图甩给他。借助shap库两行代码：
import shap explainer = shap.TreeExplainer(model.named_steps['xgb']) shap_values = explainer.shap_values(X_valid) shap.summary_plot(shap_values, X_valid, max_display=10)AI 还贴心地生成了 Markdown 报告模板，把 Top5 特征的平均绝对 SHAP 值写进表格，我直接贴进论文，查重率 0%。
生产环境避坑指南
- 数据泄露：AI 生成的
train_test_split默认shuffle=True，时间序列数据一定先按月份切，再喂给 AI。 - 版本漂移：把
pipeline.pkl和data_version一起写进 SQLite，每次预测前比对哈希，不一致就报警告警。 - AI 代码验证：让 Copilot 生成的单元测试必须跑满 80% 覆盖，重点盯
np.nan和inf分支。 - 输入漂移：用
great_expectations每晚跑一遍特征分布，AI 只负责生成 JSON 配置，人工复核。 - 模型热启动：XGBoost 升级 2.0 后，老版本
save_model不兼容，CI 里加--no-binary强制回退，防止线上崩。
写在最后：AI 是协作者，不是替罪羊
整个毕设周期从 6 周压缩到 2 周，AUC 还提高了 2.3 个百分点。但最宝贵的收获是：
- AI 可以替你写
fillna，却不会告诉你“业务上 MonthlyIncome 为 0 代表失业”，需要你自己把规则写回 pipeline。 - AI 可以一键生成 FastAPI，却不会提醒你“客户 ID 不能自增暴露”，需要你自己加 UUID 哈希。
把 AI 当“高级实习生”：脏活累活交给他，决策与背锅留给自己。
如果你也在被「Give Me Some Credit》折磨，不妨把旧代码拖进 VS Code，装个 Copilot，从pipeline.py开始重构。
跑通第一版后，你会和我一样发现：毕业设计不是“给点信用”，而是“给点 AI 协作”，就能让信用评分更快、更稳、更解释得清。
