编号行业类型公司类型产品类型主导/核心部门相关/博弈部门规则类型规则领域规则的模型配方 (含逻辑)规则名称规则目标约束条件输入、输出、时序和各类流程业务复杂度规则的参数列表及常量/变量/因变量/张量/向量/矩阵/图/表/列表/集合各类字段列表规则模型的逐步推理思考的每一步数学方程式建模数学特征数据列表关联知识1​企业服务/ SaaS科技公司B2B产品部、销售部客户成功部、财务部、法务部计算与决策规则客户分级与资源分配IF​ 客户健康度评分 80AND​ 合同金额 阈值THEN​ 分配“VIP”标签触发专属客户成功经理对接流程ELSE IF​ 健康度评分 40THEN​ 触发“流失预警”流程通知客户成功经理介入。客户价值分级与预警规则优化客户服务资源分配提升高价值客户满意度提前干预潜在流失客户。1. 评分数据需每日更新2. VIP客户数量受客户成功团队人力上限约束3. 阈值需每季度由销售与财务部门校准。输入客户近30天产品使用活跃度、登录频率、功能使用广度、支持工单解决满意度、合同金额、续约历史。输出客户等级VIP/标准/预警、待执行任务列表。时序每日凌晨计算结果更新至CRM系统任务自动派发。流程数据抽取 - 指标计算 - 规则引擎判断 - 结果持久化 - 任务触发。高常量VIP阈值80预警阈值40合同金额阈值T。变量健康度评分S合同金额C。列表功能使用列表F支持工单列表T。集合VIP客户集合预警客户集合。1.特征归一化对每个原始指标x_i进行Min-Max归一化x_i‘ (x_i - min(x))/(max(x)-min(x))。2.加权求和健康度评分 S Σ (w_i * x_i’)其中w_i为各指标权重Σw_i 1。3.规则判断IF S0.8 AND CT THEN VIPTrueELSE IF S0.4 THEN WarningTrue。线性加权、阈值比较、布尔逻辑。客户元数据表、产品行为日志表、客服工单表、合同订单表。客户生命周期管理、RFM模型、净推荐值。2​智慧城市/ 政务国有科技企业/ 集成商B2G项目实施部、算法部政府交通管理局、数据资源管理局、财政局控制与优化规则智能交通调度基于实时交通流Q、路口排队长度L、紧急车辆信号E通过强化学习模型动态调整信号灯相位时长P以最小化区域总车辆延误时间D。自适应交通信号配时优化规则缓解交通拥堵提升道路通行效率保障应急通道。1. 必须保证各方向最小绿灯时间2. 需优先响应消防、救护等特种车辆3. 策略调整需平滑避免频繁剧烈变化。输入各车道线圈/视频检测的实时车流量、车速、排队长度特种车辆GPS优先请求信号。输出下一周期各相位的绿灯时长。时序每1-5分钟一个信号周期计算并下发一次。流程数据采集 - 状态感知 - 模型推理 - 指令下发 - 信号机执行。极高张量/矩阵交通流状态矩阵S_t (nm)n为路口m为车道指标。变量相位时长动作A_t延误奖励R_t。图*路网拓扑结构图G。1.状态定义S_t [Q_t, L_t, E_t]。2.动作选择A_t π_θ(S_t)其中π_θ为策略网络输出各相位时长概率分布。3.奖励计算R_t -D_t -Σ (L_i / S_i)即负的总延误。4.策略更新使用PPO等算法最大化累积期望奖励 J(θ) E[Σγ^t R_t]更新网络参数θ。强化学习、图网络、优化理论。实时交通流数据表、路口信号配置表、路网拓扑表、特种车辆请求日志。强化学习、排队论、城市交通控制理论。3​电子商务互联网平台公司B2C推荐算法部运营部、市场部、风控部排序与过滤规则商品个性化推荐用户U对商品I的预估点击率CTR(U,I)与预估转化率CVR(U,I)加权并乘以商品质量分Q(I)和多样性衰减因子Div(U,I)得到最终排序分数Score。商品推荐排序规则提升用户点击率和购买转化率兼顾推荐结果的多样性和商品质量。1. 必须过滤用户已购买、已失效商品2. 同商家/同类目商品需做打散3. 新品需有一定曝光扶持。输入用户画像、历史行为序列、上下文信息候选商品池及特征。输出排序后的商品列表。时序用户每次刷新页面时实时计算。流程召回 - 粗排 - 精排 - 重排打散、强规则过滤- 展示。高向量用户嵌入向量u商品嵌入向量i。变量CTR, CVR, Q, Div, Score。列表/集合用户历史行为商品集合H过滤商品集合F。1.匹配度计算pCTR σ(f_θ(u, i))其中f_θ为深度神经网络σ为sigmoid函数。pCVR计算类似。2.综合打分Score(U,I) α * pCTR β * pCVR γ * log(Q(I))。3.多样性惩罚If I.category in Recent_Cats(U): Score(U,I) * δ (δ1)。4.最终排序按Score降序排列并经过打散规则调整。深度学习、逻辑回归、加权求和、对数变换。用户画像表、商品特征表、用户行为日志表、商品上下架状态表。协同过滤、深度学习推荐系统、探索与利用。编号行业类型公司类型产品类型主导/核心部门相关/博弈部门规则类型规则领域规则的模型配方 (含逻辑)规则名称规则目标约束条件输入、输出、时序和各类流程业务复杂度规则的参数列表及常量/变量/因变量/张量/向量/矩阵/图/表/列表/集合各类字段列表规则模型的逐步推理思考的每一步数学方程式建模数学特征数据列表关联知识4​社交/内容平台互联网平台公司B2C推荐算法部内容运营部、安全审核部、法务部排序与过滤规则信息流内容推荐召回从海量内容池中通过双塔模型、协同过滤、热门榜单等多路召回得到候选集C。粗排/精排对候选集C中的每条内容i使用深度神经网络如Transformer预估用户u对其产生各类正向互动点赞p_like、评论p_comment、分享p_share、完播p_finish等和负向互动拉黑p_block、举报p_report等的概率。最终排序分数 Score(u,i) Σ (w_pos * p_pos) - Σ (w_neg * p_neg) γ * Q(i) - λ * Sim(i, H)。其中Q(i)为内容质量分Sim(i, H)衡量内容i与用户近期历史H的相似度用于打散。重排对精排结果施加强规则如作者多样性同一作者内容不连续出现、内容去重、高风险内容过滤等生成最终展示列表。多目标内容排序与多样性控制规则最大化用户长期价值如停留时长、留存率平衡点击率、互动深度、内容多样性及平台生态健康。1. 必须遵守内容安全与合规底线2. 需控制相似内容频率避免信息茧房3. 需保障新内容/新创作者的曝光机会4. 高热度内容需经过更严格的多层审核。输入用户画像兴趣向量、历史行为序列、上下文时间、地点、设备、候选内容特征文本/视频嵌入向量、作者信息、热度、质量分。输出排序后的信息流内容列表。时序用户每次刷新或下滑时实时计算百毫秒级。流程多路召回 - 粗排快速筛选- 精排深度模型打分- 重排规则干预- 展示 - 行为反馈收集 - 模型更新。极高向量用户嵌入向量u 内容嵌入向量i。张量用户历史行为序列张量H。变量各类互动概率 p_action 权重 w_action 质量分 Q 相似度 Sim。集合候选内容集合 C 用户近期观看内容集合 H 过滤内容集合 F如违规、重复。1.召回匹配度s_recall(u,i) cosine_similarity(u,i) 或基于Item-CF的相似度。2.多目标概率预估p_action σ(W​ * φ(u,i) b)其中φ为特征交叉函数σ为sigmoid。3.综合打分Score(u,i) Σ{a∈A_pos} w_a * p_a(u,i) - Σ{b∈A_neg} w_b * p_b(u,i) γ * Q(i)。4.多样性惩罚If author(i) in Recent_Authors(u): Score(u,i) * δ (δ1)。5.最终排序L_final TopK( Sort_by_Score( Filter(L_candidate, F) ) )。向量相似度计算、多目标加权求和、概率预估深度学习、多样性约束下的排序。用户行为日志表、内容特征表、作者信息表、内容审核状态表、实时热度表。协同过滤、深度学习WideDeep, Transformer、多目标优化、探索与利用EE。5​金融科技/信贷互联网金融公司B2C风控算法部业务运营部、合规部、法务部计算与决策规则贷前反欺诈识别IF​ 反欺诈评分卡分数 F_Score 阈值T_highTHEN​ 直接拒绝ELSE IF​ T_low F_Score ≤ T_highTHEN​ 转入人工审核或增强验证流程ELSE​ 进入信用评分A卡流程。F_Score Σ (β_j * WOE(x_j)) α。其中x_j为经过分箱和WOE编码后的特征变量β_j为逻辑回归模型系数。反欺诈评分卡F卡规则在贷前环节精准识别欺诈申请拦截恶意用户降低资金损失同时控制误拒率保障业务通过率。1. 模型需满足监管可解释性要求2. 特征数据来源必须合法合规3. 决策阈值需根据业务损失容忍度和通过率目标动态调整4. 需应对快速变化的欺诈手法模型需定期迭代。输入申请人基本信息、设备指纹设备ID、IP、GPS、申请行为序列填写时长、修改次数、关联网络数据同一设备/IP/联系人的申请次数。输出欺诈风险分数、风险等级高/中/低、处置建议通过/拒绝/审核。时序申请提交后实时计算秒级。流程数据采集 - 特征工程 - 模型评分 - 规则引擎决策 - 处置执行。高常量逻辑回归系数β_j 截距α 决策阈值T_high, T_low。变量原始特征x_j 经WOE编码后的值WOE(x_j) 最终分数F_Score。列表/集合强规则黑名单集合 高风险设备指纹集合 关联网络子图节点集合。1.特征分箱与编码对连续变量x_j进行分箱计算每个箱的WOE值WOE_i ln( (Bad_i / Total_Bad) / (Good_i / Total_Good) )。2.线性评分F_Score α Σ_{j1}^{n} β_j * WOE(x_j)。其中β_j由逻辑回归模型训练得到。3.概率转换欺诈概率 p 1 / (1 exp(-F_Score))。4.决策IF p P_high THEN Reject; ELSE IF p P_low THEN Review; ELSE Pass。逻辑回归、WOE编码、信息值IV、概率校准。申请信息表、设备指纹库、历史欺诈案件表、第三方征信数据表、行为日志表。逻辑回归评分卡、图神经网络用于关联欺诈识别、特征工程、模型监控PSI, CSI。6​本地生活/出行互联网平台公司B2C/C2C供需策略部/算法部运营部、司机生态部、政府事务部控制与优化规则网约车动态定价溢价基于实时供需不平衡度如周围司机数/周围订单数即供需比R通过预测模型或强化学习模型计算当前区域和时刻的溢价倍数S或加价金额A。核心逻辑IF​ 供需比R 阈值R_cAND​ 预测未来一段时间需求持续 供给THEN​ 触发动态溢价溢价幅度与(R_c - R)正相关同时考虑对乘客订单转化率和司机应答率的预期影响。实时供需平衡与动态定价规则在运力紧张时通过价格杠杆调节需求、激励司机跨区域调度以最大化平台整体效率订单完成率、司机收入、平台收益并保障核心用户体验。1. 溢价幅度需符合当地法规上限2. 需避免频繁或过高的价格波动引发用户反感3. 需考虑司机侧的长时收入公平性4. 必须公开定价的基本规则和影响因素。输入实时订单密度、实时空闲司机分布、历史同期供需数据、天气、事件、交通状况。输出各地理网格的实时溢价系数或加价金额。时序每分钟或每几分钟更新一次。流程实时数据采集 - 供需状态计算 - 溢价模型推理 - 价格发布 - 订单匹配 - 效果反馈转化率、应答率- 模型更新。高变量实时供需比R 基础价格P_base 溢价倍数S或加价金额A 订单转化率预估CVR 司机应答率预估AR。矩阵/张量城市地理网格的实时状态矩阵M每个格子包含订单数、司机数等。图城市路网图G用于司机调度成本估算。1.供需状态量化R_t,loc (Number_of_Available_Drivers) / (Number_of_Requests)。2.溢价决策以乘数模型为例S_t,loc 1 f(R_t,loc)。其中f为非线性函数如 f(R) k * max(0, R_c - R) / R_ck为调节系数。3.收益与体验平衡优化目标为 max Σ (P_base * S * CVR(S) - Driver_Cost)同时约束 AR(S) AR_min。4.基于强化学习的建模将定价视为马尔可夫决策过程状态s为供需状况动作a为定价策略奖励r为平台收益与用户等待时间的加权和通过DQN等算法学习最优策略。供需函数建模、优化理论、强化学习马尔可夫决策过程、Q-learning。实时订单流数据、司机GPS轨迹数据、历史订单表、城市POI与路网数据、特殊事件日历。经济学供需理论、强化学习、时空预测模型、机制设计。7​云计算云服务提供商B2B云产品研发部/运维部销售部、财务部、SRE站点可靠性工程控制与调度规则弹性伸缩Auto ScalingIF​ 监控指标如CPU利用率U_cpu 上限阈值U_high持续​ M分钟THEN​ 触发扩容动作增加N个实例ELSE IF​ U_cpu 下限阈值U_low持续​ N分钟THEN​ 触发缩容动作减少M个实例。同时支持定时策略在业务高峰前预先扩容和健康检查策略替换不健康实例。基于监控指标的自动扩缩容规则根据业务负载动态调整计算资源实现高可用性保证服务不因资源不足而中断与成本优化避免资源闲置。1. 扩容有上限受限于账户配额和资源库存2. 缩容有冷却时间防止频繁伸缩造成震荡3. 需配置优雅下线流程确保缩容时不中断现有服务4. 伸缩配置镜像、规格需预先定义。输入资源监控指标CPU、内存、网络IO、自定义指标、定时任务配置、健康检查结果。输出扩缩容指令创建/释放特定类型和数量的云服务器实例。时序监控数据周期性如每分钟采集与评估伸缩动作触发后执行。流程监控数据采集 - 指标聚合 - 规则引擎判断 - 执行伸缩活动调用云API- 更新伸缩组状态 - 负载均衡/服务发现更新。中常量扩容阈值U_high 缩容阈值U_low 持续时长M/N 冷却时间T_cooldown 最大/最小实例数Max/Min。变量当前监控指标值U_cpu(t) 当前实例数Count(t) 目标实例数Count_target。集合伸缩组内实例ID集合 待移除实例ID集合。1.指标计算U_cpu(t) (Σ_{i in Instances} CPU_i(t)) / Count(t) 计算聚合指标。2.规则判断IF (U_cpu(t) U_high for duration M) THEN Count_target min(Count(t) Step, Max)。IF (U_cpu(t) U_low for duration N) THEN Count_target max(Count(t) - Step, Min)。3.执行决策Delta Count_target - Count(t)。IFDelta 0 AND (now - last_action_time) T_cooldown THEN 执行伸缩。阈值比较、时间窗口内的持续判断、最值约束。补充说明以上四个案例分别对应了互联网公司在内容分发、金融风控、市场定价和资源调度四大核心领域的规则体系。这些规则通常以“算法模型业务规则”的混合形式存在模型负责复杂模式的识别与预测规则负责处理明确逻辑、合规要求和模型结果的最终裁决。构建此类规则表是产品、算法、工程团队对齐需求、明确边界、实现系统化的关键步骤。