企业 FDE

从“玩”到“用”：LLM + MCP 如何真正赋能业务？——继续深挖信贷风控场景

2025 年 4 月 23 日

探索LLM和MCP如何赋能信贷风控业务，实现从理论到实践的跨越。核心内容： 1. 大模型LLM与MCP结合的想象空间和业务应用 2. 利用MCP服务进行信贷风控的案例分析 3. 地址和定位信息在信贷风控中的关键作用及评估方法

引言

市面上的MCP (Model Controller Platform)服务正在快速涌现，无论是腾讯云、阿里云，还是 MCP.so 等，相关的 MCP 应用数量都在激增。但我们不能仅仅停留在“玩”的层面，更关键的是如何利用这些强大的工具，让它们真正在业务中产生价值。

最近我接触和研究了不少 MCP 服务，内心反复思考一个问题：

在当前阶段，大模型 LLM + MCP 的组合，究竟为我们带来了哪些想象空间？在具体业务上到底能做些什么？又该如何有效地落地？

这篇文章，我将分享一次探索过程，看如何让大模型成为我们的“业务参谋”，推动 MCP 应用从概念走向实践。

1. 灵感的火花：让大模型当参谋这周我就让大模型给我当了一次参谋。我将阿里云百炼的MCP服务直接截图扔给了Gemini2.5让他给我建议。

瞬间我就来了灵感。2. 高德MCP在信贷中的进一步延伸

还记得，我们在第一次探索MCP服务的时候，除了做旅游规划，我们还初步研究了下如何用高德MCP快速实现我们的历史需求。
需求内容：移动端通过高德SDK获取经纬度，海拔等相关信息，上传到后端，然后由后端进行风控预警。

不止出行规划！看MCP+高德地图在信贷风控的新应用

# 背景数据
***单位地址**：北京市朝阳区联合大厦13层
***家庭地址**：北京市通州区荔景园2号楼
***客户端第一次定位信息**：
    ```json
    {
      "location": {
        "longitude": "116.43228604918505",
        "latitude": "39.9214788108844",
        "altitude": "40.29402104765177",
        "levelAccuracy": "34.41631",
        "verticalAccuracy": "0.0"
      }
    }
    ```
* **客户端第二次定位信息**：
    ```json
    {
      "location": {
        "longitude": "116.43228604918505",
        "latitude": "39.9214788108844",
        "altitude": "40.29402104765177",
        "levelAccuracy": "34.41631",
        "verticalAccuracy": "0.0"
      }
    }
    ```

# 任务
评估贷款审批风险，综合考虑客户提供的地址信息和定位信息。
# 需求内容
1.**地址距离评估**：
    * 计算并返回单位地址的经纬度 (`unitLng`, `unitLat`)。
    * 计算并返回家庭地址的经纬度 (`homeLng`, `homeLat`)。
    * 判断单位地址和家庭地址之间的距离是否在 50km 以内 (`isWithin50km`)。
2.**定位距离评估**：
    * 计算当前核保定位地址与单位地址的距离 (`unitDistance`)。
    * 计算当前核保定位地址与家庭地址的距离 (`homeDistance`)。
3.**定位一致性评估**：
    * 判断客户端第一次和第二次上报的定位信息是否一致 (`isConsistent`)。
# 输出格式要求
严格按照 JSON 格式输出结果。
# 输出格式示例
{
  "unitLng": 116.4074,
  "unitLat": 39.9042,
  "homeLng": 121.4737,
  "homeLat": 31.2304,
  "isWithin50km": true,
  "unitDistance": 15.3,
  "homeDistance": 42.8,
  "isConsistent": false
}

2.1 通勤合理性与稳定性检查

业务问题：异常长或复杂的通勤可能暗示着生活不稳定、财务压力，或者潜在的地址信息不实。

所以我们可以利用高德地图的路径规划工具，进一步计算客户的通勤时长，用于评估是否存在异常通勤。
相比在之前需求中，我们简单的计算直线距离，这样能更真实地评估申请人的日常通勤负担和潜在压力因素。
所以，我们可以将：

# 需求内容
1.  **地址距离评估**：
    * 计算并返回单位地址的经纬度 (`unitLng`, `unitLat`)。
    * 计算并返回家庭地址的经纬度 (`homeLng`, `homeLat`)。
    * 驾车距离是否 > 100公里？: isDrivingDistanceOver100km (布尔值: true/false)
    * 驾车时长是否 > 2小时？: isDrivingDurationOver2Hours (布尔值: true/false)
    * 公共交通时长是否 > 2.5小时或需要换乘 > 5次？: isPublicTransportTimeOrTransfersExcessive (布尔值: true/false)

然后我们登录阿里云百炼（百炼现在有免费额度，且在迅速构建MCP生态），将以上内容整理到完整提示词。

可以看到，大模型自动使用了驾车路径规划工具和公共交通路径规划工具。当然，我们也可以继续在Cursor中使用，可以看到大模型整个的思维过程。

2.2 抵押物附近检查（针对车贷/房贷）

进一步，我们还可以检查抵押物的位置是否合理。

业务问题：确保抵押物（车/房）相对于所有人的位置合理，并且便于潜在的检查或处置。

所以我们可以，通过高德继续做以下搜索：

工作环境评估：以单位地址坐标为中心，使用 maps_around_search。搜索关键词如“写字楼”、“工业园”、“商场”，或特定行业相关的 POI。如有需要，可使用 maps_search_detail。环境是否与声称的就业/业务类型匹配。
居住环境评估：以家庭地址坐标为中心，使用 maps_around_search。搜索关键词如“小区”、“学校”、“医院”，但也搜索潜在的风险指标，如附近的“网吧”、“KTV”、“棋牌室”，甚至“小额贷款”公司。评估社区的稳定性/风险画像。

我们可以在原始提示词的需求内容部分增加以下评估项：

4. 工作环境评估 (Work Environment Evaluation)：
以单位地址坐标 (unitLng, unitLat) 为中心，使用 maps_around_search API 搜索周边的 POI (兴趣点)。依次搜索关键词。
搜索关键词建议：
办公场所类: "写字楼", "办公楼", "商务中心", "科技园", "软件园", "创业园", "工业园", "产业园", "企业大厦", "公司", "集团"
商业设施类: "商场", "购物中心", "商业街"
(可选) 特定行业类: 根据客户声称的行业搜索，如 "银行", "医院", "工厂", "学校", "研究所" 等。
评估目标：判断单位地址周边的环境是否与其声称的就业单位性质或行业类型（如办公室、工厂、商业区等）基本匹配。
输出字段: 返回一个描述性的评估结果 (workEnvironmentDescription)，例如 "周边为成熟商务办公区", "位于大型工业园区内", "周边主要是商业和住宅混合区", "环境与声称的XX行业匹配度低" 等。 [英文字段: workEnvironmentDescription]
5. 居住环境评估 (Residential Environment Evaluation)：
以家庭地址坐标 (homeLng, homeLat) 为中心，使用 maps_around_search API 搜索周边的 POI。依次搜索关键词。
搜索关键词建议：
居住及生活配套类: "小区", "住宅区", "公寓", "别墅", "学校", "幼儿园",  "超市", "便利店", "菜市场", "公园"；
潜在风险类:  "棋牌室", "麻将馆", "彩票站", "小额贷款", "借贷公司"；
评估目标：评估家庭住址所在社区的整体环境（如生活便利性、稳定性），并识别附近是否存在较多可能预示风险的场所。
输出字段:
返回一个描述性的评估结果 (residentialEnvironmentDescription)，例如 "配套成熟的普通住宅区", "高档住宅小区", "城中村或待拆迁区域", "周边生活设施便利" 等。 [英文字段: residentialEnvironmentDescription]
返回一个布尔值 (hasRiskIndicatorsNearby)，表示是否在附近搜索到潜在风险类的 POI。 [英文字段: hasRiskIndicatorsNearby]