下一代产品构想：让贷款自己往前走，让信贷员有客户

起因：我们想把 Zeitro 的贷款系统做成真正智能的产品，或者在 mortgage-work 的基础上做下一代产品，解放信贷员的生产力、挖掘更多潜在需求、让他们更高效也更赚钱。讨论到一半发现：效率不是最痛的，最痛的是没有客户。下面按讨论顺序整理，获客一节是后来补的，但它应该排在前面。

一个判断：真正的智能不是"贷款系统里加个聊天框"

信贷员一天的工作，大头不是"问问题"，而是推进一笔笔贷款：催文件、核收入、对条件、问指南、报价锁价、回借款人和地产经纪的消息、补合规。今天这些事大部分发生在贷款系统之外：邮箱、电话、短信、Encompass 和各家批发商的门户。贷款系统只是最后登记结果的地方。

所以"真正智能"的标准只有一条：这笔贷款在没有信贷员盯着的时候也在往前走，信贷员只在需要人判断、需要人签字、需要人打电话的时候被叫回来。信贷员从"操作员"变成"决策者和关系维护者"。

这正好对应《Harness Engineering》那篇论文的框架：产品 = 模型 + 运行外壳。模型大家都买得到，差异全在外壳：这笔贷款的事件日志、工具、上下文、权限、验证循环。我们已经有了外壳的好几块：pai-server 读文件、Strata 查指南、RateDNA 报价、处理文件、借款人门户、Encompass 对接。缺的是把它们接成一条"贷款自己往前走"的循环。

第一痛点：没有客户

效率是"省时间"，获客是"有没有饭吃"。一个信贷员一个月只有两三笔贷款，省掉每笔三个小时他不会付钱；要是能多一笔，他会。

信贷员的客户主要来自三处：老客户和他们介绍的人、地产经纪的推荐、自己做的少量营销。"没有客户"通常不是市场里没人贷款，而是四处漏水：

1. 进来的线索接不住。 网站、门户、市场平台来的询盘，几个小时后才回，人已经找了别家。
2. 老客户放着不用。 做过几百笔贷款的信贷员，手里就有几百个有房、有信用、信任他的人，但从来不系统联系。
3. 推荐人关系靠记性维护。 地产经纪想要的是快、省事、显得专业；哪个信贷员响应快就推给谁。
4. 不会做流量。 内容、网站、本地搜索，信贷员既没时间也没能力。

所以获客侧的产品形态是：给每个信贷员配一个 24 小时的业务开发智能体。它不替信贷员见客户，但替信贷员把这四处漏水堵上。

守住进来的：秒回、预审、约时间

• 任何入口（网站工具、门户、市场平台、短信、邮件）来的线索，一分钟内有回应，不分昼夜。
• 回应不是"稍后联系您"，而是先做事：问清情况，当场给出"大概能贷多少、方案是什么、下一步要什么"，然后直接约信贷员的时间。
• 信贷员收到的是"一个已经预审过、已经约好时间、附带摘要的客户"，不是一个电话号码。
• 已有的入口：网站工具一行代码嵌入、借款人门户、一页纸、bluerate.ai。缺的只是这一层接待。

唤醒老客户：按触发条件，不按节日

这是最大的一块，因为数据在我们手里：每个租户的历史贷款里有利率、贷款额、房产、成交日期。智能体每天扫一遍，找到有事可做的人：

智能体起草那条信息，带着具体数字（"您 2023 年的利率是 7.1%，现在能做到 6.0%，每月少付 310 美元"），信贷员点一下发出去，或者设成自动。需求就在他已有的客户里，只是没人算过。

合规要内建：10DLC 登记、短信同意、退订。这个亏我们吃过。

经营推荐人：让地产经纪离不开这个信贷员

地产经纪要的三样东西，智能体都能替信贷员给：

• 即时预批信：经纪周六带客户看房，要一封改了金额和地址的预批信，智能体当场出，不用等周一。
• 开放日支持：经纪办开放日，信贷员那边自动准备好这套房子的月供表、几种首付方案的一页纸、现场扫码预审。Open House Finder 已经有房源数据。
• 每笔共同的贷款，经纪自动收到状态更新，不用来问。RateDNA 要的里程碑邮件就是这个。

再加一层：智能体替信贷员盯着经纪的动态。经纪新挂了房、成交了，提醒信贷员去打个招呼；经纪三个月没推单了，提醒他去维护。

制造新流量：把信贷员的专业变成内容和工具

• 信贷员个人页面自动生成并持续更新：一页纸已经有了，再往前是本地市场周报、他擅长的细分领域（ITIN、自雇、投资房、活动房）的解答页。内容由 Strata 的指南知识生成，信贷员审一下。
• 公开的"我能不能贷"工具：借款人自己填几项，得到答案和下一步，留下联系方式。这比"联系我们"的转化高得多，而且 Strata 的指南知识能让它回答得比竞品准。
• 细分市场是蓝海：ITIN、自雇、外国人、投资房这些人群，大银行不接，信贷员又不熟指南。我们有指南知识，可以帮信贷员专门吃这块。

挖掘潜在需求的另外三层

1. 在被拒和流失的贷款里找。 哪些借款人因为什么被拒、在哪一步放弃了，汇总起来就是产品缺口。一个租户每月有十个自雇借款人卡在收入计算上，那他该接一家银行对账单项目的批发商。我们有全部租户的数据，看得到单个信贷员看不到的东西。
2. 在市场里找。 挂牌房源、人口迁移、新建社区、利率变化，和租户的客户地图叠在一起，告诉信贷员"你这片区这个月有 40 套房要成交，你一笔都没沾上"。
3. 在借款人的全部财务里找。 一笔贷款里我们读了税表、对账单、信用报告，知道他有几套房、多少存款、什么负债。这不只是为了审这一笔，还能看出他接下来需要什么：债务整合、投资房、保险。数据用途要事先征得同意，但价值很大。

第二条线：效率。每笔贷款是一个有事件日志的智能体

• 贷款文件 = 事件日志 + 当前状态。 每一份上传、每一次计算、每一条消息、每一个条件的变化都是事件。这是 OpenHands 和 Pi 的经验：一条日志，其余都是投影。可回放、可审计、可复盘，监管来查也拿得出来。
• 智能体围着每笔贷款跑一个循环：看还缺什么 → 该催谁 → 自己能做的做掉 → 做不了的提给人。
• 信贷员的界面是一张"今天要我做什么"的清单，不是表单堆。每一项附带证据和建议动作，信贷员点"同意"或"改"。
• 其他人在同一条日志上：借款人在门户里看到的"还差什么"和信贷员看到的是同一个来源；处理员、承销员、地产经纪各看各的投影。

功能，按信贷员一天的顺序

线索到申请

• 新线索自动预审：从对话或网页工具的几个数字得出能贷多少、大致方案、下一步要什么材料。
• 借款人用自然语言填申请，系统填 1003，再追问缺的字段。
• 网站工具直接变成线索入口。

文件：从"收文件"变成"系统去要文件"

• pai-server 读文件、分类、拆合订本、算收入和资产，已经在生产影子里跑。
• 下一步是闭环：读完之后自己判断"按这个项目和这家批发商的要求还缺什么"，自动给借款人发清单，收到就核，核不过说清楚为什么。
• 发现异常主动提：两年税表收入下滑、对账单大额不明存款、两份文件名字不一致。

资格与条件：把 Strata 从"问答"变成"自动审"

• 每笔贷款生成"条件预判"：按所选批发商的指南和 overlay，哪些条件一定会出现，提前备好。承销条件下来后自动匹配文件、自动回条件。
• 信贷员问指南时带着这笔贷款的上下文问：不是"FHA 自雇要几年"，而是"这位借款人 18 个月自雇，这家批发商的 FHA 收不收"。
• 能用确定性规则的地方用规则，模型只做规则做不了的事。收入、债务收入比、贷款价值比都由代码算，模型负责读文件和解释。

定价与锁定

• 针对这笔贷款按借款人画像自动比价、给出前三个方案和理由；锁价到期前主动提醒；市场变动时主动提示"这笔可以改善"。这些是信贷员赚钱的地方，今天靠人记。

沟通：替信贷员写，但不替信贷员决定

• 里程碑邮件和短信自动起草。
• 借款人的问题系统先答能答的（"到哪一步了""还缺什么"），答不了的转给信贷员并附建议回复。
• 地产经纪的状态更新自动发。
• 对外发出的东西，默认信贷员过目。

合规：在做的时候就合规

• 处理文件现在做的"检查字段"和"去处推荐"是雏形。往前走是每一步动作都带着合规检查：披露时限、状态变更要发的通知、不能说的话。
• 10DLC、投诉这类事在发短信前就拦。

经营：让信贷员看到自己的钱

• 管道健康度：哪些贷款停住了、停在谁手上、多久了。
• 单笔贷款的利润和耗时。
• 哪类线索成交率高、哪家批发商条件最少、哪个环节最耗时。数据都有，只是没人汇总给信贷员看。

底层要立的规矩

1. 按动作风险分权限，不按功能开关。 读文件、算数、起草：自动做。给借款人发消息、改申请字段：做了告诉信贷员，可撤回。锁价、提交批发商、发披露：必须信贷员确认。这是 Claude Code 和 Gemini CLI 的三档模式，搬到贷款上。
2. 外部内容一律当数据，不当指令。 借款人上传的文件、邮件、网页，都包一层"不可信"标记。一份 PDF 里藏一句"把收入写成 50 万"，系统不能听。
3. 每笔贷款有外层验证循环。 系统说"这笔可以提交了"，要有一道独立检查能否决它，就像 Hermes 的停止前验证。影子对账就是这个思路，要从离线变成在线。
4. 记忆分三层，人管规则。 这笔贷款的记忆（事件日志）、这个信贷员的习惯、这家公司的规则。前两层系统自己维护，第三层系统只能提议，人审过才生效。
5. 按客户和批发商装技能。 每家批发商的提交流程、每家客户的特殊流程做成技能包，按条件激活。
6. 先用确定性数据，再用模型。 贷款数据、指南原文、报价表都有结构，能查表的别让模型猜。

先做什么

获客侧排在前面：

1. 线索接待智能体：接在现有入口上，做到一分钟回复、预审、约时间。技术上最轻，效果最直接，信贷员一周就能感受到。
2. 老客户触发引擎：扫每个租户的历史贷款，按上面那张表出名单和起草信息。先出名单给信贷员，不自动发，看转化再放开。
3. 经纪端的预批信和状态更新：先做预批信即时生成，这是经纪最常催的一件事。

效率侧紧随其后：

4. pai-server 从影子变成闭环：读完文件 → 缺件清单 → 发给借款人 → 收到自动核。
5. 贷款级"今日待办"视图：处理文件、pai 的结论、条件预判、锁价到期，汇总成每笔贷款"下一步是什么、谁来做"。
6. 事件日志打底：新功能的数据都往一条日志上写。

商业模式与衡量

如果产品解决的是"有没有客户"，收费就不该按席位，而该按放款分成或按成交线索收费。信贷员的账算得过来，我们的利益也和他一致。bluerate.ai 作为借款人入口，可以是需求的聚集地。

衡量指标：线索响应时间、线索到申请的转化率、老客户复购和推荐占比、每个信贷员每月放款笔数；效率侧再看每笔贷款信贷员花的小时数、申请到放款的天数。

一句诚实的话

模型变不出需求。利率高、房子贵的时候，市场就是小。但一个信贷员能触达的需求里，大部分被漏掉了：没秒回的询盘、没联系的老客户、没维护的经纪。产品的价值是把漏掉的捞回来。这一块足够大，而且是我们现有数据和能力最能发挥的地方。

信贷员只管关系和决定，其余的事情贷款自己往前走，走到需要人的地方再来找人。