7月13日，奇富科技正式开源面向业务场景的自动建模Agent——ModelEvo。这一工具既是为了将分散的专家经验沉淀为标准化、可复用的建模能力，提升内部研发效率，同时也希望将经过真实业务验证的方法论开放给行业，参与到AI建模基础设施的共建中。
用户只需从业务目标出发，ModelEvo 即可通过 Agent 编排标准化建模 Skills，协助完成需求澄清、数据检查、存量模型评估、样本构建、特征分析、模型训练、自动调优、效果评估和报告生成。首个版本支持分类预测与 Uplift 增益建模两类典型任务。
建模难，不只难在算法
真实业务建模并非单纯的算法优化。如何将业务目标转化为建模任务，如何定义标签、切分样本窗口、识别特征泄漏、评估存量模型，都直接影响模型效果和业务价值。
过去，这些流程往往分散在个人 Notebook和临时脚本中，容易造成重复开发和标准不一。ModelEvo 希望将分散的专家经验转化为标准化、可执行、可追踪的建模能力。
先评估、后建设，让模型资产持续复用
在用户澄清需求后，ModelEvo 会优先从模型知识库中检索目标、客群或特征体系相近的历史模型，并依据 AUC、KS、分桶排序性和业务适用范围，判断模型能否直接复用、继续优化或需要重新建设。
这一机制能够提升历史模型和经验的复用率，让模型资产持续产生价值。
把专家经验转化为可执行 Skills
ModelEvo 将奇富科技在真实业务中的方法和质量要求沉淀为 Agent 可理解的规则，将建模流程拆解为可组合、可复用、可追踪的 Skills。
系统能够检查标签定义、观察窗口和表现窗口，提供特征筛选、模型选择和参数优化建议，自动生成 AUC、KS、分桶排序性等评估结果。同时还能根据评估结果开展多轮自迭代优化，持续推动模型效果提升。
Agent 会记录每次实验的数据、特征、参数、指标和模型产物。用户最终获得的不只是一个模型，还包括完整实验记录、模型对比结果和可复现、可供专业评审的建模报告。
降低建模门槛，不降低专业标准
ModelEvo 自动化的是标准化、重复性工作，放大的是专业人员的经验价值。业务人员可以参与问题定义和结果解读，数据分析人员可以完成数据探索和基线验证，算法工程师则可将常规训练、数据检查和报告生成交给 Agent，把更多精力投入复杂场景和技术创新。
相比主要聚焦算法选择和参数搜索的传统 AutoML，ModelEvo 更关注业务问题理解、存量模型复用和完整流程标准化，并根据评估反馈开展多轮迭代优化，逐步探索特征和模型的自进化能力。
奇富科技增长算法负责人王耀宣表示:“大模型正在快速降低代码开发和算法工具的使用门槛，但要在真实业务场景中建出有效的模型，仍然离不开对业务问题的深刻洞察、专业的建模判断和驾驭大模型的能力。打造ModelEvo，正是希望将这三类能力及其背后的专家经验，沉淀为一套经过真实场景验证、可复用、可追溯并能够持续进化的建模方法体系。”
从工具开源到能力共建
ModelEvo v1.0 内置基于公开数据集的完整示例，无需部署大数据集群即可在本地体验核心流程，企业用户可参照 README.md 完成全流程接入。未来，项目还将逐步扩展模型知识库、特征自进化和模型自进化等能力，不断完善智能建模体系。
奇富科技希望通过开源，将经过真实业务打磨的建模经验转化为开放、可复用、可持续演进的行业能力，推动业务建模从依赖个人经验走向流程标准化、经验资产化和能力智能化。
目前，ModelEvo 已在 GitHub 正式开源。
