在前文《基于规则模型的合规管理数智化系统（上）》中，我们系统分析了当前合规管理体系建设的困境和规则模型的本质。

合规管理的核心任务是将外部法律法规和内部规章制度等规定的合规规范，转化为企业经营管理行为和员工履职行为的实际约束。

但实践中这一转化过程一直存在着一个断裂：即合规规范以文本形式存在，依赖人的阅读、理解和执行，从文本到执行，中间隔着理解偏差、主观判断、利益考量等多重障碍。

合规管理体系建设或传统合规管理信息系统，一直不知道怎么弥补这个断裂。这也是所有约束型管理体系的通病。正是规则模型填补了这一断裂，将合规规范从文本形态转化为代码形态，从“软约束”转化为“硬约束”。

由智能化的管控系统来运行“代码”，从而可用更好的完成从文本到执行。这一判断为新型的合规管理数智化系统奠定了理论基础。

但仅有规则模型也是不够的。规则模型虽是系统的“智能心脏”，但它需要与本体论、数据中台、AI大模型等其他组件协同工作，才能构成一个完整的、可运行的企业级系统。

本文作为《基于规则模型的合规管理数智化系统》的下篇，在前文基础上，继续阐述基于规则模型的合规管理数智化系统的架构设计、层级划分、功能组成与技术融合路径。

一、整体架构思路

常规合规管理信息系统的架构及其局限

在探讨新架构之前，有必要审视一下当前主流的合规管理信息系统架构。

常规的合规管理信息系统，其架构通常遵循“接入层—应用层—服务层—数据层—基础设施层”的五层解耦模型。

其中，接入层负责Web/Mobile/API网关、第三方系统回调等外部接入功能；应用层提供合规门户、审批意见、风险看板、审计报表、移动审批等面向用户的功能模块；服务层包含规则引擎、工作流引擎、AI服务、消息中心、权限服务等基础能力组件；数据层整合知识库、业务数据库、数据仓库、审计日志库、图数据库等各类数据存储。

这种架构在功能上实现了合规文档管理电子化、合规流程审批线上化、合规风险库集中化、合规培训与考试在线化、合规事件管理可追溯化。

从技术架构角度看，常规系统基本具备现代企业级应用的基本要素。然而，它本质上仍只是“流程线上化”的逻辑——将传统合规管理的线下流程搬到线上，提高了管理效率，但没有改变合规管理“人防”的根本逻辑。

系统仍依赖人去识别风险、判断违规、执行处置，系统只是“工具”，人也仍然是不可或缺的“主体”。

如《基于规则模型的合规管理数智化系统（上）》所述，造成这个问题的根源在于：常规系统的服务层虽然包含“规则引擎”组件，但缺少了规则模型本身。规则引擎只是一个执行“如果A则B”逻辑的空容器，真正有价值的是规则模型——将合规规范转化为可执行逻辑的知识载体。没有规则模型，规则引擎就是一个空的容器，什么也判断不了。例如，大多数合规管理信息系统在招标采购环节只能记录“谁在什么时候审批了”，却无法自动判断“这笔采购是否存在围标串标嫌疑”。

常规系统的另一个重要局限是缺少“语义层”。数据层虽然整合了知识库、业务数据库、数据仓库等多种数据源，但这些数据以表格和字段的形式存在，各系统之间的数据标准不统一，“供应商”在采购系统是一个编码，在财务系统是另一个编码，在合同系统又是第三个编码。

系统无法理解“供应商A”与“供应商B”之间是否存在关联关系，因为它不知道什么是“关联关系”，更不知道如何从分散的数据中识别这种关系。这种“数据与业务逻辑的断裂”，正是常规合规管理信息系统难以实现真正智能化监控的深层原因。

新架构的核心思想：规则驱动 + 语义贯通 + 智能闭环

本文提出，基于规则模型的合规管理数智化系统，其核心架构思想概括为三个关键词：规则驱动、语义贯通、智能闭环。

1. 规则驱动是系统的“智能心脏”。规则模型将合规规范转化为可执行的判断逻辑，嵌入业务流程，实现实时监控和自动判断。

这是新架构区别于常规系统的根本所在。系统不再依赖人去判断“这笔交易是否合规”，而是由规则模型自动执行判断。当一条规则命中时，系统可以自动拦截违规交易、自动生成核查工单、自动推送相关责任人。规则驱动的价值在于，将合规管理从“人治”推向“法治”，从“事后检查”推向“事中拦截”。

2. 语义贯通是系统的“神经系统”。系统通过本体论层，将分散在各业务系统中的异构数据，映射为统一的业务语义。

当数据被“语义化”之后，系统就能够理解什么是“供应商”、什么是“采购订单”、什么是“关联关系”，规则模型也可以直接写成“供应商A与供应商B存在关联关系”这样的业务语言，而不是面对一堆晦涩的字段名。语义贯通的作用是打通“数据”与“业务”之间的断裂，使规则模型能够在全系统范围内共享统一的数据语义。

3. 智能闭环是系统的“执行系统”。系统不仅能够识别风险，还能够自动完成从预警到处置的全流程——自动派单、跟踪整改、对接追责，形成完整的闭环。这也是智能化穿透式监管所追求的目标。

同时，闭环中产生的数据会反馈回系统，用于优化规则模型和AI模型，形成“越用越聪明”的正向飞轮。智能闭环的价值在于，将合规管理从“发现问题”推进到“解决问题”，从“被动响应”推进到“主动优化”。

这三个关键词的融合，构成新架构区别于常规系统的根本特征。新架构不再是一个流程工具，而是一个具备“感知—判断—决策—执行”能力的企业智能体。

新架构的实施前提：全业务线上化？

在探讨新架构的落地实施时，一个很自然的问题是：是否要求企业的全部业务已经实现线上化？这是大多数企业担心自己做不到的根本原因。

事实上，当前央国企的数字化转型正在加速推进，核心业务系统如ERP、采购平台、合同管理、财务共享等已基本普及，关键业务流程和数据大多已在线上流转。即便存在部分线下业务或系统孤岛，新架构的设计本身具有足够的弹性和包容性。

我们认为，新架构并不要求“全业务线上化”作为前提。对于已经线上化的业务，可以直接接入规则模型实现实时监控；对于尚未线上化的业务，可以通过OCR识别、数据补录、批量导入等方式实现准实时或事后分析，同样能够发挥规则模型的价值。

更重要的是，新架构的建设本身会倒逼企业加快业务线上化改造——因为只有将数据线上化，才能享受自动化合规监控带来的效率和风险防控红利。

因此，业务线上化与新架构建设是相互促进、同步推进的关系，企业可以一边推动业务线上化，一边搭建基于规则模型的合规管理数智化系统，两者并行不悖。

二、合规管理数智化系统的六层架构

基于上述架构思想，本人认为，基于规则模型的合规管理数智化系统可以采用六层架构设计。

这六层自下而上依次为：业务系统层、数据集成层、本体论层、规则模型层、AI能力层、应用层。

每一层都依赖于其下层的服务，同时为上层提供支撑。这六层紧密咬合，缺一不可，共同构成一个从数据到决策再到执行的完整闭环。

第一层：业务系统层——数据来源与执行终端

业务系统层是系统的数据来源和执行终端。它包括了企业现有的各类业务系统，如ERP、采购平台、合同管理系统、财务系统、人力资源系统、产权交易系统等。这一层的功能有两个：一是向上一层提供实时、准确的业务数据；二是接收来自上层的执行指令，如拦截交易、冻结账户、暂停审批等。

业务系统层的设计在于“数据贯通”。规则模型的有效运行，依赖于实时、准确、完整的业务数据。如果合规管理数智化系统与各业务系统之间没有打通，或者数据质量不过关，规则模型就无法获取所需的输入，判断也就无从谈起。

实践中，“数据孤岛”是导致合规管理信息系统效果不佳的核心原因之一。因此，新架构要求合规管理数智化系统与各业务系统之间建立标准化的数据接口，实现数据的实时采集和指令的实时下达。

第二层：数据集成层——多源异构数据的汇聚

数据集成层负责将分散在各个业务系统中的数据汇聚起来。由于各系统的数据格式、标准、粒度各不相同，数据集成层需要完成数据抽取、清洗、转换、加载等一系列工作。

这一层的技术包括ETL工具、数据总线、消息队列等。数据集成层的设计要点在于“实时性”。穿透式监管要求“数据自动采集”的实时性，合规管理数智化系统同样需要能够在交易发生的瞬间获取数据，而不是等到T+1的批处理。这要求数据集成层具备流式数据处理能力，能够对源源不断流入的数据进行实时采集和分发。

第三层：本体论层——业务语义的统一映射

这是新架构区别于常规系统的关键创新层。常规系统的数据层直接对接业务数据库，数据以表格和字段的形式存在，缺乏统一的业务语义。而本体论层的作用，就是将底层复杂的技术数据结构，映射为业务人员能够直接理解的业务对象和关系。

在合规管理数智化系统中，本体论层的设计可以分为三个子层：对象定义层，定义业务世界中的核心实体，如“供应商”“采购订单”“合同”“员工”“决策事项”等，每个对象包含一组关键属性；关系定义层，定义实体之间的关联关系，如“供应商A与供应商B存在股权关联关系”“员工C与供应商D存在利益关系”等；操作定义层，定义可以对对象执行的操作，如“拦截采购订单”“冻结供应商账户”“生成核查工单”等。通过本体论层，规则模型可以直接用业务语言编写，系统也能够真正理解业务世界。

第四层：规则模型层——合规规范的代码化

规则模型层是系统的“智能心脏”，承载着将合规规范转化为可执行判断逻辑的核心功能。这一层由三部分组成：规则库管理、规则引擎、规则迭代机制。

规则库是企业合规风险信息的集中存储、管理和分析系统，作为合规风险管理的基础设施，支持对平台业务对象设置检查规则，并可依制度政策变化更新规则、记录版本并全程可追溯。规则库涵盖单据检查、敏感词检查、关联关系检查、多模态附件检查等多种检查模型，这是企业所有合规规则的统一管理平台。

规则引擎负责执行规则库中的规则。当业务数据通过本体论层被解析为业务对象后，规则引擎将这些业务对象输入规则模型，进行合规性校验和风险评分。

规则迭代机制确保规则模型能够持续优化。随着业务变化、政策更新、新风险事件的出现，规则库需要不断调整和扩充。迭代机制包括定期评审、事件驱动触发、数据驱动优化等多种模式。

第五层：AI能力层——大模型与智能分析

AI能力层为系统注入智能化能力，是系统从“自动”走向“智能”的关键。这一层包含以下多个组件。

大模型引擎负责处理非结构化数据和复杂推理任务，如将制度文本自动解析为候选规则，从审计报告中提取风险事件，生成核查报告和处置建议等。

知识图谱引擎负责实体关联关系的存储和查询，本体论层定义了业务对象和关系的“模板”，知识图谱引擎则将这些模板实例化，使“从A到B经过几层关系”的查询变得极其高效，是实现关联交易穿透、利益输送识别的核心技术。

机器学习模型负责处理概率性的风险识别任务，规则引擎处理确定性逻辑，机器学习模型处理从历史案例中学习的风险模式；多智能体协同则使AI Agent能够承担更复杂的任务，如自动启动核查流程、调用相关数据进行分析、生成核查报告并基于预设策略决定是否自动执行处置动作。

第六层：应用层——面向用户的场景化功能

应用层是系统面向用户的界面，将底层能力封装为具体的业务功能。

这一层包括合规规则库管理（规则的定义、测试、部署、版本管理）、实时风险监控看板（展示全集团风险热力图、规则命中统计、预警趋势分析）、自动审核工作台（展示待审核的单据、规则命中的详情、处置建议）、核查督办平台（自动生成核查工单、派发至责任人、跟踪整改进度）、智能审计助手（辅助审计人员快速定位问题、生成审计底稿）、合规报告生成器（自动生成合规管理报告、风险分析报告）等功能模块。

应用层的设计要点在于“可配置、可扩展”，不同企业的合规管理重点不同，同一企业的不同阶段关注重点也不同，应用层应当支持根据需求灵活配置功能模块。

三、合规管理数智化系统的功能详解

合规规则库管理

规则库是企业合规风险信息的集中存储、管理和分析系统，作为合规风险管理的基础设施。

功能包括：规则定义与测试，支持业务人员以自然语言或结构化模板定义规则，系统自动转化为可执行代码，并提供测试环境验证规则准确性；规则版本管理，记录规则的每一次变更，包括变更内容、变更原因、审批人、生效日期，确保可追溯；规则冲突检测，自动检测新规则与已有规则之间的逻辑冲突，提出修改建议；规则生命周期管理，从草稿、测试、上线到退役，全过程可视化管理。

实时监控与自动预警

系统对全量业务数据进行实时扫描，当规则命中时自动触发预警。

功能包括：多维度监控，覆盖采购、合同、资金、投资、产权等各业务领域，支持按组织层级、业务类型、时间维度灵活切换监控范围；分级预警，根据风险等级采用不同颜色的预警标识，高风险自动拦截并推送至纪检监察，中风险生成核查工单推送业务负责人，低风险记录风险台账供年度审计参考；智能分析，AI自动分析预警集中的风险模式，识别系统性风险。

自动审核与智能派单

系统根据预设的规则自动审核业务单据，并根据预警级别和责任矩阵自动派单。

功能包括：自动审核，在采购订单、合同签署、资金支付等环节，系统自动执行合规性检查，对符合规则的单据自动放行，对命中规则的单据自动拦截；智能派单，根据预警类型和风险等级，自动匹配责任人和监督人，生成核查工单并推送；工单跟踪，实时跟踪工单的处理进度，对逾期未处理的工单自动升级预警。

风险台账与闭环整改

系统记录所有预警事件和处置过程，形成完整的风险台账，并支持从发现到整改的全流程闭环管理。

功能包括：风险台账，记录预警时间、风险等级、规则命中详情、责任人、处置状态、整改结果等，支持多维度检索和统计分析；整改跟踪，对每一条预警的整改过程进行全程记录，包括整改计划、整改进度、验收结果；闭环验收，整改完成后，由系统自动校验或人工验收后销号。

知识沉淀与模型迭代

系统不仅执行规则，还从运行数据中学习，持续优化规则模型。

功能包括：规则效果评估，定期统计各规则的命中率、准确率、误报率，评估规则有效性；案例学习，从已确认的违规案例中学习新的风险特征，自动生成候选规则；模型迭代，根据评估结果和新增案例，自动或半自动地更新规则阈值和逻辑。

四、本体论、AI大模型与规则模型的融合

在设计了六层架构之后，还需要探讨一个关键问题：规则模型如何与时下最新的本体论和AI大模型实现融合？

本体论：为规则模型提供语义底座

规则模型的核心是“条件判断”，但条件判断的前提是系统能够理解业务语义。例如，一条规则“如果供应商与采购决策人员存在关联关系，则标记为违规”，其执行的前提是系统能够判断“什么是供应商”“什么是采购决策人员”“什么是关联关系”。这些概念的定义，正是本体论层的职责。

在合规管理数智化系统中，本体论对规则模型的价值体现在三个方面：一是统一语义，使规则模型可以直接用业务语言编写，无需关心底层数据的具体格式和存储位置；二是关系挖掘，使规则模型可以处理复杂的关联关系判断，如多层股权穿透、隐性利益关联等；三是可扩展性，新业务领域的规则模型可以直接复用已有的语义定义，大幅降低规则开发的重复劳动。

AI大模型：规则模型的“智能增强器”

规则模型与AI大模型的关系是“互补”而非“替代”。规则模型处理确定性判断，优势在于可解释性强、执行效率高、易于审计追溯；AI大模型处理不确定性任务，优势在于能够理解自然语言、处理非结构化数据、生成分析报告。

在合规管理数智化系统中，AI大模型可以从四个维度增强规则模型：规则提取自动化，将制度文件输入大模型，自动提取其中的规范性语句，识别强制词，并将模糊表述转化为候选的量化阈值；非结构化数据分析，对合同文本、会议纪要、审计报告等非结构化数据进行语义理解，提取关键信息，为规则模型提供输入；智能决策辅助，当规则模型触发预警后，AI大模型自动调取相关背景信息，生成初步的核查报告，辅助人工判断；自然语言交互，用户可以用自然语言查询合规信息，降低使用门槛。

在具体的系统架构实施中，规则模型与AI大模型可采用“多层过滤”的协同模式。第一层由规则引擎进行快速筛查，处理明确的、低复杂度的判断，将大部分正常业务快速放行，同时将可疑交易标记为“待深度分析”。第二层对规则引擎标记的可疑交易，交由AI大模型进行深度分析，综合多源数据，理解业务上下文，进行复杂推理，输出风险评分和分析报告。第三层对AI大模型输出的分析结果，再经由规则引擎进行最终的合规判定和处置决策。这种“规则引擎+AI大模型”的双层架构，既发挥了规则引擎高效、可解释的优势，又利用了AI大模型的深度分析能力，同时避免了AI大模型直接做决策可能带来的不可控风险。

从规则模型到AI Agent的演进

随着AI技术的进一步发展，可以看到一个更智能的演进方向：从“规则模型”到“AI Agent”的跃迁。在合规管理场景中，AI Agent可以承担比规则模型更复杂的任务，例如发现可疑投标人后，自动调用工商信息库查询股权关系，调用历史投标库分析行为模式，调用外部数据源验证业绩真实性，综合所有信息后生成完整的风险分析报告，并根据分析结果决定是否自动拦截、是否启动调查程序、是否需要通知相关责任人。

当然AI Agent的自主性也带来了新的挑战：如何确保AI Agent的决策符合监管要求？如何防止AI Agent的“创造性”导致误判？如何在出现错误时追溯责任？对这些问题的答案，恰恰回归到规则模型本身——规则模型可以作为AI Agent的“行为边界”和“决策依据”。AI Agent可以在规则模型划定的框架内自主行动，但不能逾越。规则模型既为AI Agent提供了判断的标准，也为AI Agent的决策提供了可解释的依据。

综上，通过以上架构，我们认为基于规则模型的合规管理数智化系统，与常规合规管理信息系统相比，在多个维度上都实现了质的飞跃。包括但不限于：

从判断逻辑来看，常规系统采用人工判断或简单流程校验，依赖人的经验和主观判断；新系统采用规则模型自动判断，将合规规范转化为可执行代码，实现“技防”。

从数据贯通来看，常规系统各模块数据分散，标准不统一，存在“数据孤岛”；新系统通过本体论层统一业务语义，实现全系统数据贯通，规则模型可跨领域共享数据。

从预警能力来看，常规系统以人工抽样检查为主，覆盖面有限，容易遗漏；新系统对全量业务数据进行实时扫描，不漏掉任何一个异常信号。

从处置能力来看，常规系统发现问题后需要人工派单、人工跟踪，效率低、易遗漏；新系统实现自动派单、自动跟踪、闭环管理，从预警到处置全流程自动化。

从学习能力来看，常规系统依赖人工更新规则，更新周期长；新系统具备持续迭代能力，从运行数据中学习，不断优化模型。

因此，可以说，对于央国企而言，基于规则模型的合规管理数智化系统具有重要的战略价值。

这个数智化系统与穿透式监管政策也是高度契合的，以规则模型为核心，正是响应了15号文“系统开展内控监管规则模型研究设计和开发工作”的要求，为穿透式监管提供了技术支撑。

并且，它与46号令追责机制之间也形成闭环，规则模型的输出可直接对接46号令的追责程序，实现从“违规识别”到“责任追究”的全流程闭环。

该系统还可和DRP平台建设可协同推进，成为DRP平台智能能力层的核心组件，与财务、投资、采购等业务系统共享数据底座，从而实现合规管理与企业经营管理的深度融合。