01
1.1 背景
“百度优选”是百度旗下电商品牌，伴随着近年百度电商的快速成长，在 “人、货、场” 高速运转的背后，风控体系始终面临 “安全 - 效率 - 体验” 的三角挑战：
对平台：风控是 “生命线”若未能准确及时的管控风险，可能引发监管处罚、用户信任流失，甚至影响百度的商誉。
对商家：“快过审 + 明理由” 是核心诉求，在传统人工审核流程中，商家提交信息后需等待2-4 小时（峰值期甚至 1 天），若被拒审仅收到 “内容违规” 的模糊反馈（在历史的商家访谈中，部分不满意指向了 “审核慢、理由不清”）。
对用户：“看到靠谱内容” 是关键，若平台出现了不可靠或者低质的信息，用户可能会因 “被骗” 损失利益，从而进一步导致用户的流失 。
作为百度电商风控技术团队，我们的目标很明确：用大模型重构机审体系，实现 “全机审覆盖 + 即时反馈 + 高可解释性”，让平台 “安全”、商家 “高效”、用户 “放心”。
1.2 面临的问题
在大模型落地前，我们的传统风控流程是 “商家提交→机审（规则+小模型过滤）→人审（人工判定）”，这种模式在业务快速增长下：
问题 1：人审瓶颈刚性，无法支撑业务增长
问题 2：机审能力薄弱，为保证风险不露出人审覆盖面大，审核时效长（小时级，极端情况下甚至长达1天）
传统机审依赖规则引擎（如关键词匹配 “最佳”“第一” 判定虚假宣传），但无法处理复杂场景：
多模态违规：主图显示 “Nike”品牌，详情页显示为”山寨品牌“—— 规则无法识别图文不一致；
模糊语义：“本品有助于睡眠”（合规）vs “本品治愈失眠”（违规）—— 规则无法区分 “程度差异”；
问题 3：审核体验差，商家申诉率高
传统机审拒审理由模糊，商家需反复猜测修改方向。
为了解决上述提到的问题，本文将详细介绍本次最佳实践
02
针对传统流程的痛点，我们提出 “大模型 + 规则 + 知识库” 协同的机审 Agent 方案，核心逻辑是：让模型做 “语义理解”（擅长的事），规则做 “确定性判断”（稳定的事），知识库补 “外部信息”（精准的事）。
2.1 整体技术方案
流程上，我们重构了整个审核流程，实现了 “全机审覆盖 + 即时反馈 + 动态校准”：
原流程 vs 新流程对比
2.2 亮点
2.2.1 审核标准对齐
要实现全机审，“人审标准可量化” 是前提。我们通过 “风险梳理→标准优化→动态更新” 三步，将 700 余个零散风险点整合成 24 组核心风险，覆盖了95%+的线上违规问题。
步骤 1：风险点梳理 —— 做 “减法”
我们采集2025年Q1的全部人审记录，
相似风险合并：采用层次聚类将相似违规进行归类。
风险分层：对”风险严重程度“较低，且不直接影响商品价值和用户购买决策的风险暂时不纳入机审（人工巡查覆盖）。
长尾剪枝：对”发生频率“较低的风险暂时不纳入机审（人工巡查覆盖）。
步骤 2：审核标准优化 —— “规范化”
我们把人审识别的风险划分为三部分，明确违规/明确不违规/边界样本
步骤 3：动态更新 —— 做 “迭代”
我们每月例行巡查、回收商家申诉和人审处理数据，若发现新违规类型，则补充到风险组，及时更新线上机审agent。
2.2.2 基于多模态大模型的机审agent设计
大模型是机审 Agent 的 “大脑”，我们选择大语言模型+多模态大模型为基础，辅助知识库（品牌授权库、类目树、资质库），实现 “多模态理解 + 精准判定”。
输入层：多模态数据整合
接收商家提交的全量商品数据，包括：
文本数据：商品标题、详情页描述、规格参数、商家资质名称；
图像数据：主图、详情图、资质图片（如《授权许可证》）；
结构化数据：商家资质库（如品牌授权记录、进口报关单）、平台类目树、风险规则库。
特征抽取层：多模态特征融合
特征抽取是机审的 “感知层”，我们采用 “规则抽取 + LLM 文本理解 + 多模态模型图像理解” 的组合方式，覆盖所有维度的商品信息：
规则抽取：用正则表达式提取标题中的品牌（如 “Nike”）、类目（如 “运动鞋”）、关键词（如 “进口”）；
LLM 文本理解：用文心大模型提取详情页中的模糊语义（如 “治愈失眠” 的违规表述）、逻辑矛盾（如 “进口商品” 但未提报关单）；
多模态大模型图像理解：使用多模态大模型模型识别主图中的品牌 logo（如 Nike 的 Swoosh 标志）、资质图片中的 OCR 信息（如《授权许可证》编号）。
风险判定层：大模型 + 规则 + 知识库协同
风险判定是机审的 “决策层”，核心逻辑是 “让专业的模块做专业的事”：
规则引擎处理确定性逻辑：针对 “绝对化用语”“资质必填项” 等确定性规则，直接用代码判断（如 “含‘进口’关键词必须提交《进口报关单》”）；
知识库查询外部信息：关联商家资质库、平台类目树等领域知识（如查询商家是否有 Nike 的授权记录）；
LLM 综合判定：融合多模态特征、规则结果、知识库信息，输出最终结论（如 “主图含 Nike logo + 无授权记录 → 品牌侵权违规”）。
输出层：精准反馈 + 可解释性
输出层是机审的 “交互层”，需满足商家的 “明理由、能整改” 需求：
审核结果：通过 / 拒绝；
拒审理由：自然语言描述（如 “您发布的商品主图含 Nike 品牌 logo，但未提交 Nike 品牌的《授权销售许可证》”）；
整改建议：输出给发品端前端，提供自动整改能力（如删掉对应违规位置违规信息）。
任务拆分：让模型 “专注擅长的事”
我们将机审任务拆分为三类，以同时保证审核结果的高召回，高准确，清晰可解释：
特征抽取：提取商品的关键信息（如从主图提取品牌 logo、从详情页提取材质等）；
风险判定：规则引擎结合知识库，判断特征是否违规（如 “logo 是 Nike，但无授权→侵权”）；
理由生成：模型生成自然语言拒审理由（如 “未提交xx品牌的授权许可证，请补充”）。
03
在典型问题的文本问题判定，图片问题判定，图文融合问题判定上，经过我们的技术方案演进，均可达到几乎对标人审能力的效果。
3.1 资质缺失风险判定
场景描述
针对高危商品行业如三品一械行业，售卖相关商品时要求商家提供清晰可辨、且信息完整的对应资质（如《保健食品批准证书》、《国产特殊用途化妆品行政许可批件》、《医疗器械备案证明》、《委托进口协议》等）。
传统流程痛点
规则策略：仅能检查 “是否含‘进口’关键词”，无法关联商家资质库，漏检率高；
人审需人工查询和核对资质，耗时长，易因 “漏看” 导致误判。
机审方案：领域微调 + Prompt Engineering
对于此类复杂判定类问题，领域知识深度深，我们基于基座模型进行了模型微调，通过高质量样本收集 -> Prompt Engineering -> 数据增强 -> 模型微调 得到了专注于电商风控场景的领域AI模型
高质量样本收集 ：我们将真实场景下经人工核验的高质量样本沉淀为模型训练语料。这一环节是模型训练的核心，保障了训练数据的真实性、多样性，以及对各类场景的覆盖丰富度。
Prompt Engineering：基于不同样本类别，设计场景化提示词，引导模型关注风控领域知识：
数据增强：我们采用SOTA思考模型，动态生成Cot并对生成内容进行精细化纠偏，提升模型的推理能力：
模型微调：对比百度自研文心基座模型和开源Qwen系列模型，我们分别对比和采用了全参数微调和指令微调方式，加速训练过程，进一步提升模型效果，获得风控领域专家模型。
3.2 品牌授权风险判别
场景描述
商家发布的商品信息，涉及限售品牌，但实际未获得品牌授权（易引发假货投诉等体验问题）
传统流程痛点
“山寨 logo”较难以识别（如 “Nlke” 冒充 “Nike”）；
授权书需人工手动核验，耗时久，漏检率较高；
管控品牌库变动升级较多
机审方案：多模态特征匹配 + 知识库关联
采用 “多模态模型图像识别 + LLM 字符相似度对比 + 知识库查询” 的方案：
多模态模型图像识别：采用多模态模型提取主图中的 logo 特征；
知识库查询：关联限售品牌库，确认品牌是否限售，是否有授权记录；
LLM 图文信息融合判断：确认提取品牌信息是否限售且无授权；
3.3 类目错放风险判定
场景描述
1）因电商商业流量推荐等场景中列类目特征权重极高，类目准确性严重影响流量变现效率；2）平台佣金政策和资质/定向准入等管控要求与类目强关联；因此要求商家发布商品必须选择到平台类目体系内最准确的类目；
传统流程痛点
图文特征融合困难：传统方案一般仅使用标题识别类目，商家对抗后容易绕过机审
平台类目庞杂：审核员需非常了解平台近5000个类目结构，极容易误审
方案演进
方案一：基础方案
图文特征融合推荐平台top相似度类目
方案二：解决类目推荐不准确问题
改为召回+rank 两阶段方案，提升精准选择类目可能性
升级相似度计算模型为bge-large-emb，解决部分情况下相似度召回精准不足问题
方案三：解决部分高风险商品在第一轮候选集召回不足问题
增加定向召回通路，提升高风险商品召回能力
升级风险判定方案，结合大模型判定和识别规则，进一步提升精准判别能力
04
4.1 落地效果
超预期的 “三升三降”
三升
机审覆盖率提升
审核时效提升
商家满意度提升
三降：
人审量减少
申诉率减少
用户投诉率减少
4.2 经验总结
大模型不是 “取代人”，而是 “解放人”—— 让审核人员从 “重复劳动” 转向 “标准制定、风险预判”。
本次落地实践较为成功的要点
多模态融合：电商数据 80% 是多模态的，单模态模型无法覆盖所有场景；
可解释性优先：大模型的自然语言生成能力是提升商家体验的关键 —— 传统规则的 “内容违规” 无法让商家整改，而 LLM 生成的 “未提交 Nike 授权许可证” 能直接指向问题，进一步的我们业务团队为商家提供了一键整改功能，大大提升商家使用平台工具的满意度；
闭环迭代：用巡查、申诉数据持续优化模型，形成 “数据→模型→效果提升” 的飞轮；
4.3 展望
agent的自我优化：利用大模型生成能力生成难样本，解决风控场景的大难题——小样本问题，辅助少量人工干预使得agent自我演进和优化。
05
过去的1年里，大模型技术突飞猛进的发展，为电商风控带来了 “质的飞跃”—— 从 “被动堵风险” 转向 “主动防风险”。在百度电商风控技术的实践中，我们乘着时代的技术红利，落地 “多模态大模型 + 规则 + 知识库” 解决了传统机审的痛点，实现了 “平台安全、商家高效、用户放心” 的平衡。未来，我们将继续探索 “AI + 风控” 的边界，提供可快速迁移的大模型落地方案。
