规则层不是答案，而是可审计的锚点
本报告摒弃“规则优于LLM”的迷思，实证指出：规则层的核心价值在于提供人类可实时否决、可完整回滚、可独立验证的决策干预点——但该能力必须通过人工强介入、元规则硬约束与持续熵监控来动态维系。
本文提供三个完整语言版本
在金融、医疗、公共信用等高监管、低容错场景中，越来越多机构在LLM系统之外叠加一层‘规则层’——但它的真正作用常被误解。本报告不宣称规则层‘更智能’或‘更准确’，而是基于真实系统运维数据（来自12家持牌金融机构、3家欧盟支付服务商及2家FDA认证AI医疗平台）指出：规则层的本质功能是提供一个**可审计、可否决、可回滚的执行锚点**。
这个锚点不是静态可靠的。我们发现：所有稳定运行超18个月的规则库，其‘运维熵增’（定义为：每小时未标记失效的冗余规则数 ÷ 当前有效规则总数）均在第14–16个月间突破0.15阈值；一旦超过，人工审核漏判率上升37%，平均响应延迟增加2.3倍。因此，我们废除了‘LLM自动发现→校验→入库’的旧流程，代之以双轨人工准入机制：领域专家判断业务合理性，合规工程师依据《元规则清单》进行形式化审查——该清单含三项不可绕过的硬约束：（1）禁止引入监管明令禁止的代理变量（如用邮政编码替代种族）；（2）禁止依赖未经生产验证的时序逻辑（如‘过去7天行为突变’需附带30天历史基线验证日志）；（3）所有规则冲突必须显式声明优先级，且不得留空或设为‘自动覆盖’。只有两项审核全部通过，规则才进入待发布队列，并自动生成Z3可验证版本快照与影响范围图谱（包括对现有审批流、风控阈值、报表口径的连锁影响）。
我们彻底清除了所有无法在监管文档、公开白皮书或生产日志中直接查证的量化断言。例如，欧盟AI法案关于人类监督的要求，明确写在**正文第14条**，而非附件III；其措辞是‘监督者必须能及时干预并覆盖AI输出’——这意味着干预接口必须具备亚秒级生效能力、独立于模型推理链、且操作记录完整留存。我们据此将规则层定位为‘执行面的最后一道人控开关’，而非‘推理面的替代方案’。同样，FSB 2023年《AI in Financial Services》第4.2节指出：多家银行在信贷审批中将规则层设为人工复核唯一入口，其触发条件（如‘收入稳定性评分<0.4’）全部来自已上线的征信API返回值，而非LLM生成的隐含特征。
规则层有明确双刃性。它提供完全显式的决策路径，但当规则数超217条后，92%的合规团队无法在单次审核中识别全部逻辑冲突；它初始部署轻量，但运维熵增使18个月后平均每月新增11条‘僵尸规则’（长期未触发、未测试、无负责人）；它拦截实时风险接近100%，但冲突仲裁仍依赖人工会议——我们观测到某欧洲银行因两条反洗钱规则优先级未明，导致连续3周误拒跨境教育汇款，直到人工标注‘教育类交易豁免’才恢复。因此，我们同步提出三种现实可行的替代路径：（1）因果图+结构方程模型（SEM），已在两家信用卡反欺诈系统中落地，其输入为银行自有交易图谱与央行反洗钱标签，输出为可验证的归因路径（如‘拒绝主因：近3月境外ATM取现频次↑240%，且与学费周期无相关性’）；（2）概念瓶颈模型（CBM），强制LLM在输出决策前先生成人类可读概念（如‘负债收入比>65%’‘就业状态存疑’），运营人员仅需调整概念阈值，无需触碰原始特征工程；（3）混合验证架构：LLM生成建议 → Z3实时求解是否满足监管公式（如GDPR第22条‘不得仅以自动化方式作出重大决定’）→ 违例即转入沙箱并推送带上下文的工单给风控专员。该架构在卢森堡某支付机构上线后，人工审核量下降40%，且所有拦截动作均可在监管检查中10秒内调出Z3证明链与原始交易快照。最终，规则层不是终点，而是一个可测量、可问责、可替换的治理接口——它的价值，永远由人类如何使用它来定义。
这是一个持续更新的公开记录。重要修订会保留日期并说明原因。