反欺诈检测 Agent¶

项目背景与目标¶

金融交易欺诈（盗刷、套现、洗钱、虚假交易）每年造成巨额损失，传统基于规则的风控系统面临规则爆炸、漏报率高、新型欺诈适应慢等问题。基于 AI Agent 的实时反欺诈系统通过行为序列分析、设备指纹、图谱关联与实时风险评分，能在毫秒级完成交易风险判断并执行拦截/放行/挑战动作。

本项目目标是构建一个端到端的实时反欺诈 Agent，覆盖交易前预警、交易中拦截、交易后调查三个阶段，平衡风险控制与用户体验（误杀率可控）。

需求分析¶

核心能力： 1. 实时风险评分：单笔交易 < 100ms 完成评分 2. 行为序列建模：基于用户历史行为刻画"正常模式"，检测偏离 3. 关联图谱：识别团伙欺诈（同一设备/IP/收款方关联多账户） 4. 自适应规则：新欺诈模式出现后快速迭代规则 5. 案件管理：拦截后生成调查工单，支持人工复核闭环

性能要求：TPS > 5000；评分延迟 P99 < 100ms；误杀率 < 0.1%；召回率 > 90%。

技术选型说明¶

模块	技术方案	选型理由
实时特征	Flink + Redis	流式计算行为特征，毫秒级更新
风险评分	XGBoost + 图神经网络	表格特征 + 关联特征双模型
Agent 编排	LangGraph	拦截决策与案件调查多步流程
LLM	Qwen-Max	案件摘要与调查报告生成
图数据库	Neo4j	设备-账户-收款方关联图谱
消息队列	Kafka	交易事件高吞吐解耦
在线服务	Triton Inference Server	模型低延迟推理
后端	Go + gRPC	高并发实时决策

架构设计¶

flowchart TD
    TX[交易事件] --> KAFKA[(Kafka)]
    KAFKA --> FLINK[Flink 特征计算]
    FLINK --> REDIS[(实时特征 Redis)]
    TX --> DEC[决策引擎 gRPC]
    REDIS --> DEC
    DEC --> XGB[XGBoost 评分]
    DEC --> GNN[图谱关联评分]
    XGB --> AGENT[决策 Agent]
    GNN --> AGENT
    AGENT --> ACT{动作}
    ACT -->|放行| PASS[通过]
    ACT -->|挑战| CHAL[短信/人脸验证]
    ACT -->|拦截| BLOCK[阻断+工单]
    NEO[(Neo4j 图谱)] --> GNN
    BLOCK --> CASE[案件管理]
    CASE --> LLM[调查报告 LLM]

关键模块实现思路¶

模块1：实时特征计算¶

Flink 消费 Kafka 交易流，维护两类滑动窗口特征：用户维度（过去 1 分钟/1 小时/1 天交易次数、金额、地理跨度）、设备维度（同设备关联账户数、首次出现设备标记）。特征写入 Redis 供决策引擎实时读取，TTL 控制内存占用。

特征设计要兼顾实时性与区分度，避免维度爆炸。建议先从 30-50 个高价值特征起步，逐步扩充。

模块2：风险评分双模型¶

XGBoost 模型处理结构化表格特征（金额、时间、地理、用户画像、历史行为统计），输出 0-100 分。优势是训练快、可解释（SHAP 值）。

图神经网络模型从 Neo4j 提取交易双方的多跳关联子图（设备、IP、手机号、收款方），识别团伙欺诈。GNN 对孤立的"看似正常但属于欺诈网络"的交易有强区分力。

两模型分数加权融合，权重通过离线回测调优。融合分数超过阈值触发对应动作。

模块3：决策 Agent 与动作策略¶

决策不是简单的阈值判断，而是 Agent 多步推理：先看分数区间，再查历史拦截记录（避免重复打扰老用户），再评估挑战成本（小额交易挑战成本可能高于损失），最终输出"放行/挑战/拦截"决策及理由。

def decide(score, tx, user_history):
    if score < 30: return ("pass", "低风险")
    if score > 80: return ("block", "高风险拦截")
    # 中间区间：看挑战成本与用户价值
    if tx.amount < 50 and user_history.is_vip:
        return ("pass", "小额VIP免挑战")
    return ("challenge", "短信验证")

挑战方式按风险递进：短信验证码 → 人脸识别 → 人工外呼。

模块4：案件管理与自学习¶

拦截后自动生成工单，LLM 汇总交易特征、关联图谱、历史行为生成调查摘要。人工复核结论回流为标注数据，定期重训模型。新型欺诈模式由风控分析师录入新规则，规则与模型并行运行（规则兜底模型盲区）。

核心流程详解¶

实时拦截流程： 1. 交易请求到达支付网关 → 同步发送 Kafka 2. 决策引擎从 Redis 读取特征 → 调用 XGBoost 与 GNN 推理 3. Agent 综合决策 → 返回动作（< 100ms） 4. 拦截/挑战 → 工单落库 → 推送调查员 5. Flink 异步更新特征 → 形成闭环

模型迭代流程： 1. 每日导出标注数据（确认欺诈 + 误杀申诉） 2. 离线训练新模型 → A/B 回测对比 3. 灰度上线 10% 流量 → 监控指标 4. 全量切换 → 旧模型保留兜底 1 周

部署与优化建议¶

特征预热：新用户首次交易前预计算基础特征，避免冷启动
模型量化：XGBoost 转 ONNX，Triton 部署降低推理延迟
降级策略：模型服务超时时降级为规则引擎，避免交易卡死
图谱更新：Neo4j 写入异步化，避免影响实时决策
监控告警：评分分布漂移、特征缺失率、拦截率突变实时告警

常见问题与解决方案¶

问题	原因	解决方案
误杀率突升	模型过拟合新样本	引入对抗验证 + 灰度放量
GNN 推理慢	子图过大	限制 2 跳邻居 + 子图采样
新型欺诈漏报	训练样本不足	规则快速兜底 + 主动学习采样
特征缺失	上游数据延迟	缺失值填充策略 + 降级规则

扩展方向¶

接入设备指纹与生物行为（击键节奏、滑动轨迹）
跨机构联邦学习，共享欺诈样本不泄露数据
反洗钱（AML）可疑交易上报自动化
实时可视化风控大盘，攻击态势感知