共计 2023 个字符，预计需要花费 6 分钟才能阅读完成。

背景痛点

在业务规则管理系统（BRMS）中，rule 的过度使用常导致维护成本激增。例如，某电商平台的风控系统最初完全基于 Drools 规则引擎实现，随着业务复杂度提升，规则数量从最初的 200 条膨胀到 5000+ 条，引发以下问题：

• 规则加载时间从 2 秒延长到 15 秒
• 平均请求响应时间下降 50%（从 80ms 增加到 160ms）
• 规则冲突检测耗时占整体发布流程的 70%

概念对比

选型标准

采用三维评估模型进行技术选型：

1. 条件分支数量
2. <10 个：纯 Rule 方案
3. 10-20 个：Rule+DSL 组合

4. 20 个：Skill 服务化

5. 外部依赖程度

6. 无外部调用：Rule 优先

7. 依赖 DB/API：必须用 Skill

8. 变更频率

9. 日级变更：Rule 配置化
10. 月级变更：Skill 代码化

混合架构实现

Rule 引擎基础匹配

/**
 * 风控事实对象
 */
@Fact
public class RiskFact {
    private Long userId;
    private BigDecimal paymentAmount;
    // getters/setters...
}

// Drools 规则示例
rule "HighRiskRule"
when
    $fact : RiskFact(paymentAmount > 10000)
then
    insert(new RiskMark("HIGH"));
end

Skill 服务封装

@FeignClient(name = "fraud-service")
public interface FraudDetectionSkill {@PostMapping("/detect")
    RiskResult detect(@RequestBody FraudRequest request);
}

// 策略路由
public class RiskStrategy {
    private final DroolsRuleEngine ruleEngine;
    private final FraudDetectionSkill fraudSkill;

    public RiskLevel evaluate(RiskFact fact) {
        // 先执行规则引擎
        RuleResult ruleResult = ruleEngine.execute(fact);

        if (ruleResult.needDeepCheck()) {
            // 触发技能服务
            return fraudSkill.detect(buildRequest(fact));
        }
        return ruleResult.getLevel();}
}

性能优化

1. Rule 层优化
2. 启用 Rete 算法的状态缓存
3. 使用 Phreak 模式替代经典 Rete

4. 规则按业务域分组加载

5. Skill 层优化

6. 线程池隔离：不同技能使用独立线程池

7. 超时控制：

   @Bean
   public Executor riskSkillExecutor() {ThreadPoolTaskExecutor executor = new ThreadPoolTaskExecutor();
       executor.setCorePoolSize(10);
       executor.setMaxPoolSize(50);
       executor.setQueueCapacity(1000);
       executor.setThreadNamePrefix("risk-skill-");
       return executor;
   }

8. 混合模式熔断

9. Rule 执行超时自动降级
10. Skill 服务不可用时启用缓存结果

避坑指南

1. 规则中的 IO 禁忌
2. 错误做法：在 DRL 中调用 JDBC

3. 正确方案：将数据预处理为 Fact

4. 技能幂等性

5. 必须设计 requestId 机制

6. 示例：

   @Transactional
   public void processPayment(PaymentRequest request) {if (duplicateCheck(request.getRequestId())) {return; // 幂等处理}
       // 业务逻辑...
   }

7. 版本兼容性

8. 规则版本与事实对象版本绑定
9. 采用蓝绿发布策略

延伸思考

当规则需要集成机器学习动态调整时，建议：
1. 设计规则特征向量接口

public interface FeatureExtractor {Map<String, Double> extract(RiskFact fact);
}

2. 实现动态权重加载

rule "DynamicRule"
when
    $fact : RiskFact()
    $weights : MLWeights()
then
    double score = calculateScore($fact, $weights);
    // 后续处理...
end

3. 建立 AB 测试流量分流机制

通过合理运用 Rule 与 Skill 的组合，可以在保持系统灵活性的同时获得最佳性能表现。关键在于根据业务特征选择适当的抽象层级，并建立有效的治理机制。