中文 / English

面向人和 AI Agent 的高性能信贷风控工具箱

数据画像 · 分箱评估 · 特征筛选 · 相关性分析 · 模型分交叉 · 规则挖掘

从 Pandas 或 Polars 宽表，得到可查看、可查询、可交付、可复用的风控分析结果。
用原生图表支持人工判断，用结构化报告连接你的建模、监控归因与分析 Agent。

开始分析 · 实战案例 · 面向 AI Agent · 完整文档

_{MARS 原生分箱趋势图，直接导出自分析报告；图表与统计表共享同一计算结果。点击查看高清 SVG。}
分箱与稳定性实战 · 打开交互式报告

MARS 能帮你做什么

MARS 以 Polars 为计算基础，接受 Pandas 或 Polars 宽表，将数据画像、分箱风险评估、特征筛选、相关性和规则分析组织为统一的分析报告。你可以查看分布与风险趋势，比较客群和时间，追溯特征保留与删除的原因，再将结果交付为图表、HTML 或 Excel。

同一份结果也能交给 外部 AI Agent。公共报告接口保留表目录、指标口径、特征业务元数据、计算状态和可重放证据，保存后仍能按需查询。Agent 可以把 MARS 作为分析计算层，结合你选择的模型库、实验工具和业务流程，持续提出问题、读取证据和完成分析。

七个实战案例共用 18,000 行合成申请，发现、验证、观察分区独立。人工图表和 Agent 查询读取实际报告；合成统计用于展示能力，不代表真实信贷业务效果。

基于 MARS，构建你的 Agent

MARS 提供计算与证据能力，你可以自由组合 Agent 编排、模型训练工具和业务决策流程。

这些是可以基于 MARS 构建的工作流，完整 Agent 由使用者组合实现。可选 mars.agent 也复用公共报告接口。外部 Agent 使用指南 · 规则证据与 Agent。

安装

本页示例对应 MARS 0.0.28。0.0.28 发布到 PyPI 后安装：

pip install mars-risk==0.0.28

若 PyPI 尚未提供 0.0.28，或需要开发分支，先从源码安装：

pip install "git+https://github.com/leeesq/mars-risk.git"

基础包支持 Python 3.8–3.12，3.8 使用冻结依赖栈；可选建模、调参、Notebook、文档开发与内置 Agent SDK 使用 Python 3.10+。安装与可选依赖。

先得到一份报告

在空工作目录运行这个独立示例：

import polars as pl

from mars.analysis import profile_risk

df = pl.DataFrame({
    "date": ["2026-01-01"] * 4 + ["2026-02-01"] * 4,
    "income": [3200, 3600, 5200, 6100, 3400, 4300, 5800, 6800],
    "utilization": [0.72, 0.61, 0.29, 0.18, 0.66, 0.48, 0.24, 0.12],
    "target": [1, 1, 0, 0, 1, 1, 0, 0],
}).with_columns(pl.col("date").str.to_date())
report = profile_risk(
    df, target="target", features=["income", "utilization"],
    time_col="date", method="quantile", n_bins=4,
).report
print(report.get_table("summary", sort_by="iv", descending=True, limit=2))
report.write_html("risk_report.html", chart_embed_mode="inline")
report.save("risk_report.marsreport")

共享可运行源码 · 完整 Quickstart。八行小样本用于说明接口；完整趋势图和可下载结果见分箱实战。原生图可以直接通过 report.save_risk_trend_images() 保存为 SVG 或高清 PNG。

将同一份结果交给 AI Agent

在新进程加载已保存的报告，按需读取证据：

from mars.reporting import load_report

report = load_report("risk_report.marsreport")
description = report.describe()
page = report.query_page("summary", limit=1)
next_page = report.query_page("summary", offset=page["next_offset"], limit=1)
context_json = report.to_ai_context(tables=["summary"], max_chars=16000)

describe() 提供真实表目录、口径、参数与状态；query_page() 返回结果、分页和可重放证据引用；to_ai_context() 生成有限 JSON，max_chars 是字符预算，不是 token 数。查询已有结果无需 LLM、API Key、MarsAgentSession、原始宽表或分析器。

加载得到 ReportSnapshot，包含已保存统计和元数据。report.write_excel("risk_report.xlsx") 导出静态表，report.show_table("summary", limit=10) 用于展示。需要新维度或原始记录的问题，应发起新的计算。保存后继续查询 · 交付 HTML、Excel、快照与 Agent 材料。

当前迭代方向

Analysis、Feature、Reporting 为 Stable；Rule、Monitoring、Modeling、Pipeline、Scoring、Agent 为 Experimental。 这些标记说明接口成熟度。

当前重点改进核心分析性能、内存效率、人工体验与外部 Agent 消费能力。监控、建模（含 Pipeline）、评分卡暂时停止功能迭代，现有功能和文档保留，处理必要修复与上游适配。你可以借助 AI、MARS 分析能力和自选模型工具构建更定制的流程。三个下游直接适配核心代码，上游不为它们保留兼容别名或冗余计算。

稳定性与适配原则 · 保留的 LightGBM 示例。

复现与贡献

git clone https://github.com/leeesq/mars-risk.git
cd mars-risk
pip install -e ".[docs]"
python docs/snippets/task_cases.py --case all --output-dir output/task-cases

案例下载与复现说明 · 贡献指南 · 工程 Skill · MIT License。