7月13日奇富科技正式开源面向业务场景的自动建模Agent——ModelEvo。这一工具既是为了将分散的专家经验沉淀为标准化、可复用的建模能力提升内部研发效率同时也希望将经过真实业务验证的方法论开放给行业参与到AI建模基础设施的共建中。用户只需从业务目标出发ModelEvo 即可通过 Agent 编排标准化建模 Skills协助完成需求澄清、数据检查、存量模型评估、样本构建、特征分析、模型训练、自动调优、效果评估和报告生成。首个版本支持分类预测与 Uplift 增益建模两类典型任务。建模难不只难在算法真实业务建模并非单纯的算法优化。如何将业务目标转化为建模任务如何定义标签、切分样本窗口、识别特征泄漏、评估存量模型都直接影响模型效果和业务价值。过去这些流程往往分散在个人 Notebook和临时脚本中容易造成重复开发和标准不一。ModelEvo 希望将分散的专家经验转化为标准化、可执行、可追踪的建模能力。先评估、后建设让模型资产持续复用在用户澄清需求后ModelEvo 会优先从模型知识库中检索目标、客群或特征体系相近的历史模型并依据 AUC、KS、分桶排序性和业务适用范围判断模型能否直接复用、继续优化或需要重新建设。这一机制能够提升历史模型和经验的复用率让模型资产持续产生价值。把专家经验转化为可执行 SkillsModelEvo 将奇富科技在真实业务中的方法和质量要求沉淀为 Agent 可理解的规则将建模流程拆解为可组合、可复用、可追踪的 Skills。系统能够检查标签定义、观察窗口和表现窗口提供特征筛选、模型选择和参数优化建议自动生成 AUC、KS、分桶排序性等评估结果。同时还能根据评估结果开展多轮自迭代优化持续推动模型效果提升。Agent 会记录每次实验的数据、特征、参数、指标和模型产物。用户最终获得的不只是一个模型还包括完整实验记录、模型对比结果和可复现、可供专业评审的建模报告。降低建模门槛不降低专业标准ModelEvo 自动化的是标准化、重复性工作放大的是专业人员的经验价值。业务人员可以参与问题定义和结果解读数据分析人员可以完成数据探索和基线验证算法工程师则可将常规训练、数据检查和报告生成交给 Agent把更多精力投入复杂场景和技术创新。相比主要聚焦算法选择和参数搜索的传统 AutoMLModelEvo 更关注业务问题理解、存量模型复用和完整流程标准化并根据评估反馈开展多轮迭代优化逐步探索特征和模型的自进化能力。奇富科技增长算法负责人王耀宣表示“大模型正在快速降低代码开发和算法工具的使用门槛但要在真实业务场景中建出有效的模型仍然离不开对业务问题的深刻洞察、专业的建模判断和驾驭大模型的能力。打造ModelEvo正是希望将这三类能力及其背后的专家经验沉淀为一套经过真实场景验证、可复用、可追溯并能够持续进化的建模方法体系。”从工具开源到能力共建ModelEvo v1.0 内置基于公开数据集的完整示例无需部署大数据集群即可在本地体验核心流程企业用户可参照 README.md 完成全流程接入。未来项目还将逐步扩展模型知识库、特征自进化和模型自进化等能力不断完善智能建模体系。奇富科技希望通过开源将经过真实业务打磨的建模经验转化为开放、可复用、可持续演进的行业能力推动业务建模从依赖个人经验走向流程标准化、经验资产化和能力智能化。目前ModelEvo 已在 GitHub 正式开源项目地址https://github.com/QFIN-tech/model-evo