7月14日，奇富科技正式宣布开源面向实际业务场景的自动建模Agent——ModelEvo。这一举措蕴含双层意义：其一，将团队中积累的专家经验转化为标准化、可复用的建模能力，从而提升内部研发效率；其二，既然这套方法已在真实业务中验证可行，索性直接开源，与行业共同夯实AI建模的基础设施。

具体如何使用？只需将业务目标提交给ModelEvo，它便会启动一系列Agent编排，将标准化的建模流程逐一串联：从需求澄清、数据检查、存量模型评估，到样本构建、特征分析、模型训练、自动调优、效果评估，最后自动生成报告。首个版本已支持分类预测与Uplift增益建模两种典型任务。

建模的难点，远不止算法本身

真实的业务建模，绝非单纯调优算法那么简单。如何将业务目标转化为建模任务？标签如何定义？样本窗口如何切割？特征泄漏如何识别？存量模型如何评估？这些问题若处理不当，将直接拖累模型效果与业务价值。

过去，这些流程通常散落在各个工程师的Notebook和临时脚本中，导致重复开发、标准不统一。ModelEvo的目标，正是将这些分散的、依赖个人经验的判断力，转化为一套标准化、可执行、可追溯的建模能力。

先评估，后建设，让模型资产持续复用

用户在明确需求后，ModelEvo会首先在模型知识库中检索，查找是否存在目标、客群或特征体系相似的历史模型。随后，它会根据AUC、KS、分桶排序性等指标，结合业务适用范围，判断该模型能否直接复用、能否优化后继续使用，或者必须从零开始重建。

这一机制极具价值——它大幅提升了历史模型与经验的复用率，使模型资产不再是“一次性”产物，而是能够持续创造价值的资产。

将专家经验，转化为可执行的Skills

ModelEvo将奇富科技在真实业务中打磨出的方法论与质量要求，转化为Agent能够理解并执行的规则。整个建模流程被拆解为一组可组合、可复用、可追踪的Skills。

系统会自动检查标签定义是否正确、观察窗口与表现窗口是否合理，然后给出特征筛选、模型选择与参数优化的建议。运行完成后，AUC、KS、分桶排序性等评估结果自动生成。最关键的是，Agent会根据评估结果进行多轮自我迭代优化，逐步提升模型效果。

每次实验的数据、特征、参数、指标、模型产物，Agent都会完整记录。因此，用户最终获得的不仅是一个模型，而是一整套成果：完整的实验记录、模型间的对比结果，以及一份可复现、可供专业评审的建模报告。

降低建模门槛，但坚守专业标准

ModelEvo自动化的是那些标准化、重复性的工作；它真正希望放大的，是专业人员的经验价值。业务人员可以更专注于问题定义与结果解读，数据分析人员能更快完成数据探索与基线验证，而算法工程师则可以将常规训练、数据检查、报告生成等任务交给Agent，从而腾出精力攻克更复杂的场景与技术难点。

与传统AutoML相比——那些工具主要聚焦于算法选择与参数搜索——ModelEvo的野心更大。它更关注如何理解业务问题、如何复用存量模型、如何将整个流程标准化。此外，它能根据评估反馈进行多轮迭代优化，逐步向特征与模型的自进化方向演进。

奇富科技增长算法负责人王耀宣坦言：“大模型确实在快速降低代码开发与算法工具的使用门槛，但要在真实业务场景中做出真正可用的模型，依然离不开对业务问题的深刻理解、专业的建模判断，以及驾驭大模型的能力。打造ModelEvo的目的，正是将这三类能力及其背后沉淀的专家经验，转化为一套经过真实场景验证、可复用、可追溯、并能持续进化的建模方法体系。”

从工具开源，到能力共建

ModelEvo v1.0内置了基于公开数据集的完整示例，无需部署大数据集群，在本地即可体验核心流程。企业用户按照README.md的说明，即可完成全流程接入。接下来，项目将逐步扩展模型知识库、特征自进化、模型自进化等能力，让智能建模体系日益完善。

奇富科技此次开源，意图十分清晰：将经过真实业务打磨的建模经验，转变为开放、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、能力智能化。

项目已在GitHub上正式开源，地址：https://github.com/QFIN-tech/model-evo