Post Loan Management

目标角色 (Target Role)

• 角色：贷后管理岗 / 风险审查人员
• 使用场景：贷款发放后的持续性贷后管理——首次检查、常规检查、风险预警、分类调整
• 输出用途：生成结构化贷后检查报告，作为风险分类调整、预警处置、监管检查的依据
• 决策层级：提供风险分析与分类建议，分类下调为不良类须人工审批
• 执行频率：按客户风险分类和授信金额矩阵确定（见 references/check-frequency-policy.md）

数据接入 (Data Sources)

必需数据

数据脱敏规则

• 企业统一社会信用代码：显示前 6 后 4，中间用 * 替代
• 客户联系人手机号：仅显示前 3 后 4
• 银行账号：仅显示后 4 位
• 押品详细地址：不在输出中完整展示，仅展示区域和类型

降级策略

• 如果征信数据不可用：标注"未纳入征信维度"，其余分析继续
• 如果财务报表仅有 1 年：标注"数据不足，趋势分析不可用"，仅做静态分析
• 如果资金流向明细不可获取：标注"资金流向核查无法执行，建议人工调取"，其余检查继续
• 如果押品价值数据不可用：标注"押品价值基于最近一次评估，可能不能反映当前市场价"
• 如果外部行业数据不可用：使用 references/ 中的基准数据并标注"基于历史基准数据"

术语消歧 (Terminology)

执行流程 (Workflow)

先读后写：在开始任何分析之前，必须先执行以下数据确认步骤：

1. 读取并列出所有输入数据（客户信息、授信台账、财务报表、征信报告等）
2. 确认数据的时间范围、会计准则（CAS/IFRS）和币种
3. 运行 scripts/validate_post_loan_data.py 验证数据完整性和勾稽关系
4. 仅在验证通过后进入步骤 1

步骤 1：贷后检查计划与准备

根据客户风险分类和授信金额确定检查频率与重点，准备检查清单。

1. 查阅 references/check-frequency-policy.md 确定检查频率矩阵
2. 调阅客户近期档案、历史贷后检查记录、预警处置记录
3. 查询客户最新征信、司法信息、舆情动态
4. 标注上期发现未整改事项为本核查重点

• ✅ 检查计划生成完成 → 进入步骤 2
• ❌ 客户基本信息缺失 → 停止检查，输出缺失清单
• ⚠️ 部分数据不可用 → 按数据接入降级策略处理，继续并在报告中标注

📋 数据来源：user_upload（客户提供检查参数）

步骤 2：资金用途与流向核查

逐笔核查贷款资金流向，对照 references/fund-usage-policy.md 的禁止性清单。

1. 核查受托支付资金流向：对照合同约定，核查收款方和交易背景真实性
2. 抽查自主支付大额支出（单笔 > 100 万）：核查用途是否符合合同约定
3. 执行资金回流核查：识别 7 日内/30 日内回流至借款人/关联方的异常交易
4. 对固定资产贷款核查资本金到位情况和工程进度匹配度
5. 对照禁止性流向清单，逐笔标记疑似违规流向

运行 scripts/check_fund_usage.py --input {fund_flow_data} --rules references/fund-usage-policy.md 进行自动化违规检测。

• ✅ 未发现违规 → 进入步骤 3
• ❌ 发现资金挪用 → 标记为一票否决条件（P1），输出红色预警，进入步骤 5 但在最终报告中红色高亮
• ⚠️ 部分交易背景存疑 → 标记为黄色预警，进入步骤 3 并在报告中标注

📋 数据来源：system_api（信贷系统资金流向数据）

步骤 3：经营状况与财务健康度检查

分析客户经营稳定性和财务健康度。

1. 读取财务报表，按以下维度核查经营状况：
   • 营收变化（同比/环比）
   • 订单与生产（在手订单、产能利用率）
   • 主要客户/供应商变动
   • 库存与周转
   • 人员变动
2. 计算财务健康指标（流动比率、速动比率、资产负债率、利息保障倍数、经营现金流/总负债、应收账款周转天数），查阅 references/industry-benchmarks.md 获取行业基准
3. 对照 references/financial-warning-thresholds.md 判断是否触发预警
4. 执行财务造假识别检查（报表与税控/流水交叉验证、收入与现金流匹配、关联交易、期末突击回款）

分析要求：

• 不得跳过任何指标，即使某些指标"看起来正常"
• 所有比率须展示计算过程，不得直接给出结论
• 如指标与预期不符，须停下来分析原因

运行 scripts/calculate_financial_ratios.py --input {financial_data} --benchmarks references/industry-benchmarks.md 计算财务指标并与行业基准对比。

• ✅ 经营正常、财务指标在正常区间 → 进入步骤 4
• ⚠️ 部分指标进入关注区间 → 标记预警信号，进入步骤 4
• ❌ 多项指标进入预警区间或发现财务造假 → 标记橙色/红色预警，进入步骤 4

📋 数据来源：user_upload（用户上传财务报表）

步骤 4：担保有效性与外部风险环境检查

核查担保物价值和外部环境变化。

1. 按担保类型（抵押/质押/保证）逐一核查：
   • 抵押物市场价值变动和物理状态
   • 质押物付款义务人资信
   • 保证人财务和征信状况
2. 查阅 references/collateral-policy.md 获取各类担保的抵押率上限和预警阈值
3. 评估行业政策、区域风险、市场风险、信用环境变化
4. 量化外部环境变化对客户还款能力的冲击

• ✅ 担保有效、外部环境无重大不利变化 → 进入步骤 5
• ⚠️ 担保物价值下跌 ≥ 15% 但 < 25% → 标记黄色预警，进入步骤 5
• ❌ 担保物被查封或保证人资信严重恶化 → 标记红色预警，进入步骤 5

📋 数据来源：system_api（押品管理系统、保证人征信）

步骤 5：早期预警识别与风险分类评估

综合前述核查结果，识别预警信号，评估风险分类。

1. 汇总步骤 2-4 识别到的所有预警信号，对照 references/early-warning-indicators.md 确定等级（黄/橙/红）
2. 查阅 references/five-classification-policy.md（五级分类标准），评估当前分类是否准确
3. 按"实质重于形式"原则综合判断（逾期天数仅为参考）
4. 如分类需调整，附详细分析依据

一票否决条件检查：逐项核对 P1-P6 一票否决条件（见 references/p1-p6-veto-conditions.md）。触发任一条件须立即红色预警。

运行 scripts/evaluate_risk_classification.py --input {assessment_data} --policy references/five-classification-policy.md 生成分类建议。

• ✅ 分类准确、无新增重大风险 → 进入步骤 6
• ⚠️ 分类需下调但非不良 → 输出下调建议和依据，进入步骤 6
• ❌ 分类需下调为不良或触发一票否决 → 输出红色预警及分类下调建议，进入步骤 6

📋 执行主体：ai→human（AI 生成分类建议 → 风险审查人员确认） 📋 确认机制：approve（不良类分类下调须人工审批）

步骤 6：预警处置与贷后报告生成

对已识别预警信号制定处置方案，生成结构化贷后检查报告。

1. 核实预警信号（排除误报），评估风险严重程度
2. 按预警等级制定差异化处置方案：
   • 黄色预警：加强监测频率、要求客户补充材料
   • 橙色预警：压缩敞口、追加担保、调整授信条件
   • 红色预警：启动提前收贷、诉讼保全、不良贷款移交
3. 查阅 references/disposal-escalation-policy.md 确定上报路径和时限
4. 使用 assets/post-loan-report-template.md 生成贷后检查报告
5. 报告末尾附加免责声明（使用 assets/disclaimer-template.md）

输出完整贷后检查报告。

📋 执行主体：ai→human（AI 生成报告 → 检查人员、负责人双签归档） 📋 确认机制：approve（报告须双签后方可归档）

输出格式 (Output Format)

使用 assets/post-loan-report-template.md 模板。报告必须包含以下结构化章节：

1. 客户基本情况

2. 本期检查概述

3. 资金用途核查结果

4. 经营与财务评估

5. 担保有效性评价

6. 预警信号清单

7. 风险分类建议

8. 处置建议与下期计划

9. 免责声明

报告末尾必须包含免责声明，使用 assets/disclaimer-template.md 标准版模板。

本输出可被 credit-risk-classification 和 early-warning-disposal Skill 解析使用。

合规红线 (Constraints)

1. 禁止收益承诺：任何情况下不得出现"预计恢复"、"有望好转"、"回收率预计 X%"等确定性表述。
2. 禁止数据猜测：缺失数据须向用户索要或按降级策略处理，严禁用行业平均值替代真实数据（行业平均值仅用于对标比较）。
3. 数据时效性标注：如果引用的行业基准数据超过标注有效期，必须在输出中标注"⚠️ 行业基准数据可能已过时"。
4. 禁止越权审批：本 Skill 仅生成分类建议和处置方案，不得代替人工审批或自动执行分类调整。
5. 禁止掩盖风险：不得淡化或遗漏已识别的预警信号，所有预警必须如实列示并分级。
6. 禁止绕过实地检查：关注类及以上客户必须实地检查，不得以电话或系统核查代替。
7. 禁止事后补录：贷后检查报告须实时生成归档，不得事后补录或篡改历史记录。
8. 一票否决立即上报：触发 P1-P6 任一条件的，必须立即红色预警并启动应急报告，不得延迟处理。

审计追踪 (Audit Trail)

每次贷后检查执行结束后，生成审计日志 audit/{企业简称}_{日期}_post_loan_audit.json：

{
  "skill_name": "post-loan-management",
  "skill_version": "1.0.0",
  "execution_time": "YYYY-MM-DDTHH:mm:ss+08:00",
  "customer_id": "[脱敏]",
  "check_type": "首次检查/常规检查/风险分类调整/预警处置",
  "model": "claude-opus-4-7",
  "operator": "[姓名]（工号：[工号]）",
  "steps": [
    {
      "step": "数据确认与验证",
      "executor": "ai",
      "data_source": {"type": "user_upload"},
      "result": "通过/不通过",
      "duration_seconds": 0
    },
    {
      "step": "资金用途核查",
      "executor": "ai",
      "data_source": {"type": "system_api", "system": "信贷系统"},
      "result": "通过/不通过/预警",
      "findings_count": 0
    },
    {
      "step": "经营与财务检查",
      "executor": "ai",
      "data_source": {"type": "user_upload"},
      "result": "pass/fail/warning"
    },
    {
      "step": "担保有效性检查",
      "executor": "ai",
      "data_source": {"type": "system_api", "system": "押品管理系统"},
      "result": "pass/fail/warning"
    },
    {
      "step": "预警识别与分类评估",
      "executor": "ai→human",
      "data_source": {"type": "context"},
      "ai_output": "建议分类：[分类]",
      "confirmation": {"type": "approve", "approved_by": "[姓名]", "role": "风险审查人员", "final_decision": "[分类]"}
    },
    {
      "step": "报告生成与归档",
      "executor": "ai→human",
      "confirmation": {"type": "approve", "signed_by": "[检查人] + [负责人]"}
    }
  ],
  "warnings": ["如有"],
  "veto_conditions_triggered": [],
  "references_used": ["references/check-frequency-policy.md", "references/industry-benchmarks.md", "..."]
}

审计日志保留期限 ≥ 3 年。

踩坑记录 (Gotchas)

#1：误将逾期天数作为唯一分类依据

• 症状：将逾期 90 天的贷款直接归为次级类，忽略了借款人实际还款能力和担保充足性
• 原因：过度依赖逾期天数，未执行"实质重于形式"综合判断
• 解决：严格按执行流程步骤 5 执行——逾期天数仅为参考，须综合还款能力、担保充足性、回收可能性判断

#2：资金回流穿透不足导致漏判

• 症状：只核查了直接收款方，未识别经多层转账后回流至借款人的资金
• 原因：资金流向核查仅停留在一级交易对手，未执行穿透分析
• 解决：按执行流程步骤 2 要求穿透至最终收款方，重点关注 7 日内/30 日内累计回流超过贷款金额 30% 的异常路径

#3：保证人过度担保被忽略

• 症状：保证人对外担保总额已超过净资产 50%，但仍将其评估为"良好"
• 原因：仅关注保证人自身财务指标，未核查其对外担保总额
• 解决：按执行流程步骤 4 要求，保证人核查须包含对外担保/净资产比率，> 50% 须预警

#4：行业基准数据过期导致误判

• 症状：使用过期的行业基准数据，将正常经营客户误判为财务预警
• 原因：references/industry-benchmarks.md 标注的数据有效期已过期但未更新
• 解决：执行前检查所有 references/ 文件的数据有效期标注，过期数据须标注"可能已过时"或拒绝使用

示例 (Examples)

示例 1：正常类客户常规贷后检查

用户输入：

请对 XX 科技有限公司执行本季度贷后检查。当前分类：正常类，授信金额 8000 万元，担保方式：房产抵押。

Skill 执行流程：

1. 数据确认：读取客户档案、授信台账、最新财务报表 → 验证数据完整性 → 通过
2. 检查计划：查阅 check-frequency-policy.md → 正常类 ≥ 5000 万 → 每月 1 次实地+系统检查
3. 资金用途核查：核查受托支付凭证和自主支付大额支出 → 未发现违规 → 通过
4. 经营与财务检查：计算财务指标 → 流动比率 1.8、资产负债率 52%、利息保障倍数 4.2 → 均在正常区间 → 通过
5. 担保检查：抵押房产价值稳定，他项权证有效 → 通过
6. 预警识别：无新增预警信号 → 维持正常类分类
7. 生成贷后检查报告（含免责声明）→ 双签归档

输出摘要：客户经营正常，财务指标健康，担保有效，无预警信号。建议维持正常类分类，下次检查日期：[下月日期]。

示例 2：关注类客户触发橙色预警

用户输入：

XX 制造公司最近经营不太稳定，帮我做一次贷后检查。当前关注类，授信 3000 万，保证担保。

Skill 执行流程：

1. 数据确认：读取数据 → 财务报表显示营收同比降 25%，经营现金流连续两季为负 → 验证通过
2. 检查计划：关注类 → 每月 1 次实地检查
3. 资金用途核查：发现 1 笔 200 万自主支付转入关联企业，交易背景存疑 → 标记黄色预警
4. 经营与财务检查：营收降 25%（> 20% 关注阈值），利息保障倍数 1.2（< 1.5 预警区间）→ 标记橙色预警
5. 担保检查：保证人资产负债率 68%（接近 70% 阈值）→ 标记关注
6. 预警识别：汇总 1 个橙色预警 + 2 个黄色预警 → 建议压缩敞口、追加担保
7. 生成贷后检查报告 → 上报风险管理部门

输出摘要：客户营收大幅下滑，利息保障倍数不足，存在关联交易存疑。建议维持关注类、压缩敞口 500 万、要求追加抵押担保，30 日内完成。

非功能范围 (Out of Scope)

• 本 Skill 不执行贷前尽职调查或授信审批（请使用授信审批相关 Skill）
• 本 Skill 不生成法律意见或诉讼策略（涉诉事项请联系法务部门）
• 本 Skill 不直接执行资金划转、提前收贷、诉讼保全等操作（仅生成建议）
• 本 Skill 不处理个人信贷/零售业务的贷后管理
• 本 Skill 不提供投资建议或资产处置方案（不良资产处置请联系资产保全部门）
• 如果用户请求以上内容，明确告知并建议联系相应部门或使用合适的 Skill