loan-pre-screening-assistant

star 187

用于零售金融场景下的个贷预审任务。适用于当用户需要对个人贷款申请进行准入初筛、资料完整性检查、关键风险识别、预审结论分级、补件建议和面谈核验要点整理时使用。 尤其适合住房按揭、消费贷、经营贷、信用贷等场景的贷前预审。 当输入材料不完整、字段前后不一致、存在明显高风险信号或结论需要降级时,应明确标注“待核验”“待补充”“不可直接下正式审批结论”。

aifinlab By aifinlab schedule Updated 3/26/2026

name: loan-pre-screening-assistant priority: P0 level: task industry: 银行 business_domain: 零售金融 scenario: 贷款预审 description: | 用于零售金融场景下的个贷预审任务。适用于当用户需要对个人贷款申请进行准入初筛、资料完整性检查、关键风险识别、预审结论分级、补件建议和面谈核验要点整理时使用。 尤其适合住房按揭、消费贷、经营贷、信用贷等场景的贷前预审。 当输入材料不完整、字段前后不一致、存在明显高风险信号或结论需要降级时,应明确标注“待核验”“待补充”“不可直接下正式审批结论”。

技能概述

本技能用于支持银行零售金融场景下的个贷预审工作,帮助使用者在正式审批前,对借款申请人的基础准入条件、身份与职业信息、收入与负债情况、征信与外部风险信号、申请用途合理性以及资料齐备性进行结构化初筛,并输出统一口径的预审意见。

本技能的目标不是替代正式审批,也不是绕过风险规则,而是在信息有限的前提下,快速完成“是否可进入后续流程、还需补什么、哪里最需要核验”的判断。

适用范围

适用于以下场景:

  • 住房按揭贷款预审
  • 个人消费贷款预审
  • 个人经营性贷款预审
  • 纯信用类贷款预审
  • 存量客户再授信前置筛查

不适用范围

以下情形不应直接使用本技能给出强结论:

  • 缺少核心身份信息、收入信息或征信信息
  • 涉及伪造材料、欺诈、洗钱等高敏感风险的最终定性
  • 需要替代正式授信审批、人工尽调、反欺诈调查或面签核身
  • 涉及银行内部未公开规则阈值且用户未提供明确口径

输入要求

建议输入至少覆盖以下内容:

  • 申请人基础信息:姓名、年龄、婚姻、户籍、居住地
  • 贷款申请信息:产品类型、申请金额、期限、用途、担保方式
  • 职业与收入信息:单位、岗位、工作年限、收入来源、月收入或年收入
  • 资产与负债信息:房产、车辆、存款、投资、现有贷款、信用卡负债
  • 征信信息:逾期记录、查询次数、授信使用情况、负债水平
  • 辅助材料:身份证明、收入证明、流水、社保公积金、经营材料、购房或消费合同等

输出要求

输出结果应尽量包括以下部分:

  1. 申请概况
  2. 资料完整性检查结果
  3. 关键准入判断
  4. 风险信号与待核验事项
  5. 补件建议
  6. 预审结论分级
  7. 后续处理建议

预审结论分级

建议使用以下四级口径:

  • 通过初筛:当前材料下未见明显硬性阻断因素,可进入后续审批或面签流程
  • 有条件通过:整体可继续推进,但存在信息缺口或局部风险,需补件或加强核验
  • 审慎介入:存在较强不确定性或风险信号,建议人工重点复核后再决定是否推进
  • 不建议推进:当前材料下已出现明显高风险、硬性障碍或关键逻辑不成立,不建议进入下一步

使用指导

使用步骤

第一步:整理申请信息

先按“身份—申请—职业收入—资产负债—征信—辅助证明”的顺序整理信息。对缺失字段不要猜测,要明确写出“未提供”。

第二步:做资料齐备性检查

先判断是不是已经具备做预审的最低材料条件。若身份证明、申请要素、收入或征信信息缺失,应先输出“材料不足,需补充后再判断”。

第三步:做准入初筛

围绕年龄、职业稳定性、收入连续性、负债承受能力、用途合理性、征信表现等核心维度进行初筛。结论要和证据对应。

第四步:识别高风险信号

优先识别以下情形:

  • 多头借贷明显
  • 近期开卡或查询异常频繁
  • 收入证明与流水不匹配
  • 工作单位与职业描述逻辑不一致
  • 用途不清或资金回流路径不清
  • 存在较严重逾期、涉诉、失信或异常经营信号

第五步:输出结构化结论

必须区分“已确认事项、待核验事项、待补材料、结论建议”四类内容,避免混在一起。

推荐使用方式

  • 当用户只给了零散信息时,优先输出“预审信息清单 + 缺口提示”,不要强行给通过与否
  • 当用户给了较完整信息时,可输出完整预审意见
  • 当存在高风险或冲突信息时,应把重点放在“风险解释 + 进一步核验动作”上

输出措辞要求

  • 避免使用“最终批准”“必过”“肯定拒绝”等绝对化表述
  • 应使用“初步判断”“基于现有材料”“建议进一步核验”等审慎措辞
  • 对未提供的信息必须显式说明,不得默认为正常

工作流程

  1. 接收申请材料并做字段归集
  2. 执行资料完整性检查
  3. 执行准入初筛
  4. 执行风险信号识别
  5. 形成待补件清单与待核验清单
  6. 输出预审结论与下一步建议

重点检查维度

一、基础准入

  • 年龄是否在合理准入范围内
  • 身份证件是否有效
  • 是否具备稳定居住与联络信息
  • 是否存在明显身份异常

二、职业与收入

  • 职业类型是否清晰
  • 工作单位是否真实、稳定
  • 收入来源是否可解释
  • 收入证明、流水、社保公积金是否能相互印证

三、资产与负债

  • 现有债务压力是否过高
  • 月供覆盖能力是否合理
  • 是否存在短期集中新增负债
  • 资产证明是否真实且可支撑信用判断

四、征信与外部风险

  • 逾期情况是否可接受
  • 近月查询次数是否异常
  • 授信使用率是否偏高
  • 是否存在涉诉、失信、行政处罚等不利信息

五、贷款用途与交易逻辑

  • 贷款用途是否明确、合规
  • 金额与用途是否匹配
  • 消费或经营场景是否可解释
  • 是否存在疑似套现、资金挪用、用途虚化风险

风险边界

  • 本技能仅用于贷前预审辅助,不替代正式审批与反欺诈调查
  • 若用户要求绕过风控、包装资料、伪造用途或规避审查,应拒绝并提示合规边界
  • 对于无法验证真实性的信息,应明确降级结论

参考文件

  • references/pre_screening_methodology.md
  • references/risk_flags.md
  • references/material_checklist.md
  • references/interview_points.md
  • references/output_schema.md

模板文件

  • assets/templates/pre_screening_report_template.md
  • assets/templates/missing_information_notice_template.md
  • assets/templates/interview_checklist_template.md

脚本说明

  • scripts/application_normalizer.py:对申请信息做标准化归集
  • scripts/pre_screen_rule_engine.py:根据规则识别预审风险信号
  • scripts/render_pre_screen_report.py:将结果渲染为 Markdown 报告
Install via CLI
npx skills add https://github.com/aifinlab/FinClaw --skill loan-pre-screening-assistant
Repository Details
star Stars 187
call_split Forks 30
navigation Branch main
article Path SKILL.md
Occupations
More from Creator