Excalidraw描绘信贷审批流程：金融业务建模

Excalidraw描绘信贷审批流程：金融业务建模

在金融机构日益依赖数字化协作的今天，一个常见的挑战浮出水面：如何让风控、产品、法务和开发团队在同一个“频道”上讨论复杂的信贷审批流程？传统方式往往是一堆静态PPT或Word文档来回传阅，信息滞后、版本混乱、理解偏差频发。特别是当一次贷审会需要快速调整规则时，没人愿意花两小时重画一张流程图。

正是在这种背景下，Excalidraw——这个看起来像“手绘草图”的开源白板工具——悄然成为许多金融科技团队的新宠。它不追求完美对齐的线条，反而用轻微抖动的矩形和歪斜的箭头营造出一种轻松氛围，让人更专注于内容本身而非形式。更重要的是，结合AI后，你只需说一句“画个消费贷流程，从申请到放款”，几秒钟内就能生成一个可编辑的初稿。

这不只是绘图效率的提升，而是一种协作范式的转变：从“先写文档再开会”变为“边画边聊、即时共创”。

Excalidraw的核心魅力在于它的“轻”。它本质上是一个运行在浏览器中的前端应用，所有图形元素都以JSON结构存储，包含类型、坐标、尺寸、样式以及连接关系。比如一个表示“人工审核”的矩形框，可能长这样：

{ "type": "rectangle", "x": 400, "y": 200, "width": 160, "height": 60, "strokeColor": "#000", "backgroundColor": "#fff", "label": "人工审核" }

而连接它的箭头则通过起点、终点和控制点定义路径。这种数据模型极为灵活，允许动态增删改，也为后续集成AI提供了基础。

真正让它区别于普通画图工具的是“手绘风格”的实现机制。它并非简单加滤镜，而是通过算法对标准几何图形进行微扰动。例如使用Kochanek–Bartels样条曲线模拟人类书写时的手部抖动，使直线略带弯曲、圆角略有不均。你可以把它理解为“数字世界里的铅笔感”。这种设计降低了用户的表达压力——没人会因为画得不够规整而犹豫下笔，特别适合头脑风暴场景。

更关键的是，Excalidraw支持实时协作。多个用户可以同时进入同一块白板，每个人的操作（移动元素、添加注释）都会通过WebSocket广播，并借助CRDT（无冲突复制数据类型）协议自动合并变更。这意味着即使网络延迟或离线编辑，最终也能达成一致状态。对于跨地域的金融项目组来说，这相当于把线下会议室搬到了线上，且不留信息差。

但最令人兴奋的变化来自AI的加入。想象这样一个场景：产品经理在晨会上口头描述：“我们新上线的小微信贷产品，流程是客户提交资料 → 系统自动打分 → 如果分数低于700就转人工复核 → 同时触发反欺诈检查 → 最终决定是否放款。” 过去，会后需要专人整理成文档再绘图；现在，这句话可以直接作为输入，驱动AI生成初步流程图。

其背后的技术链条并不复杂，却非常有效：

1. 自然语言输入被发送至后端AI服务；
2. 大语言模型（LLM）提取关键节点与逻辑关系，识别如“如果…就…”这类条件判断；
3. 结构化解析结果转化为带有坐标的图形元素列表；
4. 前端调用Excalidraw API批量注入画布。

下面这段简化代码展示了插件如何将AI输出映射为可视元素：

// excalidraw-plugin-ai-flowchart.js import {excalidrawAPI} from "@excalidraw/excalidraw"; const AI_API_URL = "https://your-llm-gateway.example.com/generate-diagram"; async function generateFlowchart(prompt) { try { const response = await fetch(AI_API_URL, { method: "POST", headers: {"Content-Type": "application/json"}, body: JSON.stringify({ prompt }), }); const data = await response.json(); const elements = []; data.nodes.forEach(node => { elements.push( excalidrawAPI.createShapeElement({ type: "rectangle", x: node.x, y: node.y, width: node.width, height: node.height, strokeColor: "#000", roughness: 2, labelText: node.label, }) ); }); data.edges.forEach(edge => { elements.push( excalidrawAPI.createShapeElement({ type: "arrow", origin: [edge.fromX, edge.fromY], points: [[0, 0], [edge.deltaX, edge.deltaY]], endArrowhead: "arrow", }) ); }); excalidrawAPI.updateScene({ elements }); } catch (error) { console.error("AI绘图失败:", error); alert("无法生成流程图，请检查网络或输入内容"); } } excalidrawAPI.addLibraryItem({ label: "AI生成信贷流程", icon: "🤖", action: () => { const userInput = prompt("请输入流程描述，例如：'客户提交申请 → 风控初审 → 人工复核 → 放款'"); if (userInput) generateFlowchart(userInput); }, });

这段代码虽简，但它揭示了一个重要趋势：未来的建模工具不再是被动的画布，而是能主动理解意图的协作者。当然，AI生成的结果并非完美。实践中常见问题是节点重叠、布局不合理，或是误解了“并行”与“串行”的逻辑。因此，合理的做法是将AI视为“初级助手”——产出初稿，由人精修。

为此，我们在后端服务中引入了一套轻量级语义解析策略。以下Python示例展示了一个基于关键词匹配和规则推理的简化引擎：

from flask import Flask, request, jsonify import re app = Flask(__name__) def parse_credit_flow(text): steps = [] keywords = [ "申请", "提交", "录入", "自动评分", "风控初筛", "信用评估", "人工审核", "复核", "尽职调查", "审批会", "贷审会", "放款", "资金划拨", "签约" ] found_steps = [word for word in keywords if re.search(word, text)] if not found_steps: sentences = re.split(r'[→→,\n]+', text) found_steps = [s.strip() for s in sentences if s.strip()] elements = [] x_offset = 100 y = 200 width = 160 height = 60 spacing = 250 for i, step in enumerate(found_steps): x = x_offset + i * spacing elements.append({ "type": "node", "label": step, "x": x, "y": y, "width": width, "height": height }) if i > 0: elements.append({ "type": "edge", "from": i - 1, "to": i, "fromX": x - spacing + width, "fromY": y + height / 2, "deltaX": spacing - width, "deltaY": 0 }) return { "nodes": [e for e in elements if e["type"] == "node"], "edges": [e for e in elements if e["type"] == "edge"] } @app.route("/generate-diagram", methods=["POST"]) def generate_diagram(): data = request.get_json() prompt = data.get("prompt", "").strip() if not prompt: return jsonify({"error": "缺少输入描述"}), 400 try: result = parse_credit_flow(prompt) return jsonify(result) except Exception as e: return jsonify({"error": str(e)}), 500 if __name__ == "__main__": app.run(host="0.0.0.0", port=8080)

虽然这里没有接入真正的LLM，但已经体现了核心思想：用领域知识约束生成过程。金融术语有较强规律性，提前定义关键词库和流程模板，能显著提高AI输出的准确率。生产环境中，我们会用LangChain封装Qwen或ChatGLM等模型，并加入few-shot提示样本，例如：

示例输入：
“画一个车贷审批流程：客户申请 → 自动评级 → 人工复审（若额度超5万）→ 抵押登记 → 放款”

示例输出：
json { "nodes": [...], "edges": [...] }

这样模型更容易学会结构化表达。

在一个典型的金融企业部署架构中，Excalidraw通常以内网私有化方式运行，确保敏感流程不外泄：

+------------------+ +---------------------+ | 业务人员终端 | <---> | Excalidraw 前端 | +------------------+ +----------+----------+ | +------------------v-------------------+ | 自建协作服务器（Room Server） | | - WebSocket 实时通信 | | - CRDT 数据同步 | | - 权限控制与审计日志 | +------------------+--------------------+ | +------------------v-------------------+ | AI 图形生成微服务 | | - 接收自然语言 | | - 调用LLM进行语义解析 | | - 返回结构化图形数据 | +--------------------------------------+

整个系统采用“客户端主导”设计，服务端仅负责会话管理和数据同步，极大降低了运维负担。AI服务部署在独立安全区，与前端通过受控API通信，输入数据需经过脱敏处理，防止客户信息泄露。

实际工作流往往是这样的：一次跨部门需求评审会开始前，风控负责人创建共享链接并邀请成员加入。会议一开始，主持人直接调用AI插件输入：“生成小微企业贷流程，包含KYC验证、双人审批、放款稽核三个关键节点。” 几秒后，一幅初始流程图出现在白板中央。

接着，团队开始协同细化：
- 产品同事拖拽出一个菱形，标注“授信额度 > 10万？”作为分支条件；
- 技术工程师添加两个并行框：“征信查询”和“反欺诈扫描”，用虚线标明异步执行；
- 法务人员插入备注：“根据监管要求，所有贷款记录必须留存至少5年”。

所有人看到彼此的操作实时更新，光标颜色区分贡献者，讨论焦点始终聚焦在画布上。会议结束时，这张图不仅是一份流程说明，更是一次集体决策的完整留痕。

相比传统方式，Excalidraw解决了几个长期痛点：

甚至在敏捷开发中，这张图可以直接作为“轻量PRD”，前端据此设计页面跳转逻辑，后端据此拆解服务接口，减少中间翻译损耗。

不过，在落地过程中也有一些经验值得分享：
-命名规范很重要：建议采用统一格式如CreditApproval_V2_202504，避免出现“最终版_新版_确认版”这类混乱文件。
-权限要分层：设置查看者、编辑者、管理员三级角色，关键流程防止误删。
-定期备份不可少：即便有协作服务器，也应导出重要白板为.excalidraw文件异地保存。
-建立提示词模板库：预设常用指令如“生成房贷审批流程”，提升AI响应质量。
-考虑系统集成：可通过中间件将输出导入Jira创建任务，或对接BPM引擎自动生成流程定义。

Excalidraw的价值远不止于“画图更快”。它代表了一种新的可能性：让业务逻辑的表达变得更轻、更开放、更智能。在信贷审批这类高度依赖流程规范与多方协同的场景中，它的意义尤为突出。

未来，随着AI能力的演进，我们可以期待更多高级功能：比如自动检测流程中的闭环缺失、识别潜在合规风险点，甚至根据历史数据模拟审批 throughput 和瓶颈环节。那时，Excalidraw或将不再只是一个建模工具，而是演变为一个“智能流程中枢”，真正实现“所见即所得”的业务设计体验。

而这，或许正是金融科技走向深度协作与认知升维的一个缩影。