风控日报 — 2026-06-26

📊 原料：47 条相关条目（GitHub 仓库搜索 46 条 / arXiv 11 条全部无关——类星体 LRD、量子 Wigner 负性、系外行星硅酸盐云、机器人跨体操作 Action Priors、RevengeBench 行为逆向工程、sEMG 力觉操作、Parnassus 粒子探测器模拟、Dicke 模型超辐射相图、贝叶斯非参数隐私合成数据、动量矩闭合、不平衡分类合成数据增强理论等 / HN 18 / Trending 20 / Reddit 0）。arXiv 数据源连续十一期（06-13→06-26）返回 100% 噪声，累计 252 条全部无关。另有 2 个破解/盗版垃圾仓库（Crypto-Aml-Checker-2026 "Full Version Pro"、Aml-Maple-7.32 "Full Setup Installer"），已剔除。今日 GitHub 源亮点：josemzr/energy-fraud-detection（LangGraph 多 Agent 能源欺诈检测，Microsoft Foundry+Databricks+Prompt Shields）、mukul975/Anthropic-Cybersecurity-Skills（817 条网络安全技能映射 MITRE F3 Fight Fraud，4304★）。另有 19 条已在近 1-2 期日报中覆盖（kitsune、cross-border-fraud-detection、VPN-Detector、marketplace-phaas-tracker、disposable-email、scent、defi-risk-screening、quant-systems-lab、payment-channel-guide、RiskEngine-Java、archittrehan/risk-engine、AI_Fraud_Detection、SnifTern.ai、qw_pay、upi-fraud-gnn、maharashtra-pride、nyc-advanced-debt-surveillance、payment-fraud-detector、payment-channel-guide），本轮不重复入选。

今日高信号

1. energy-fraud-detection — LangGraph 多 Agent 能源欺诈检测（Microsoft Foundry + Databricks）【信号：★★★】

josemzr/energy-fraud-detection 是一个多 Agent 能源欺诈检测系统，构建于 Microsoft Foundry + Azure Databricks 之上。技术栈：LangGraph 编排多 Agent 工作流、Prompt Shields + Defender for Cloud AI（AI 安全防护）、Angular + FastAPI 仪表盘、Azure ACS 语音 Agent、Bicep IaC 部署。风控视角：多 Agent 架构（multi-agent）是风控系统的前沿范式——传统风控引擎是单一规则/模型管道，多 Agent 架构将风控拆分为协作的专家 Agent（如「数据采集 Agent → 特征工程 Agent → 检测 Agent → 解释 Agent → 报告 Agent」），每个 Agent 专注于子任务并通过 LangGraph 编排。能源欺诈（energy fraud） 是风控的非金融垂直场景——窃电、篡改电表、虚假申报，其检测逻辑与金融交易欺诈一致（异常模式识别），但数据源和监管框架不同。Prompt Shields 的加入反映了LLM 驱动风控自身的安全风险——防止攻击者通过注入恶意输入操纵检测 Agent。与 实时风控引擎 的多 Agent 架构和 反欺诈体系 的垂直场景扩展关联。→ GitHub

2. Anthropic-Cybersecurity-Skills — 817 条网络安全技能映射 MITRE F3 Fight Fraud【信号：★★★】

mukul975/Anthropic-Cybersecurity-Skills（4304★）是一个包含 817 条结构化网络安全技能的知识库，映射到 6 个安全框架：MITRE ATT&CK、NIST CSF 2.0、MITRE ATLAS、D3FEND、NIST AI RMF 以及 MITRE F3 (Fight Fraud)。覆盖 29 个安全域，支持 Claude Code、Copilot、Codex CLI 等 20+ AI Agent 平台。风控视角：MITRE F3 (Fight Fraud) 是 MITRE 面向欺诈对抗的知识框架——与 ATT&CK（攻防战术）和 ATLAS（AI 安全）并列，F3 专门描述欺诈攻击的技术手段和防御对策。这个项目将 F3 技能映射为 AI Agent 可执行的结构化技能，意味着风控知识正从「文档/规则」走向「Agent 可调用的技能库」。对于构建 AI 驱动的风控系统，这种结构化的欺诈对抗知识是 Agent 决策的事实基础。29 个安全域的覆盖也反映了风控与信息安全的深度交叉——账户盗用、支付欺诈、身份盗用等场景同时是风控和安全的关注点。与 反欺诈体系 的知识框架化和 风控合规 关联。→ GitHub

3. GalFoks/fraud-detection-system — Kafka + XGBoost + PySpark 实时欺诈检测管道【信号：★★】

GalFoks/fraud-detection-system 是一个端到端实时欺诈检测管道，核心技术栈：Apache Kafka（事件流）+ XGBoost（梯度提升树检测模型）+ PySpark（分布式特征工程/批处理）。风控视角：Kafka + XGBoost + PySpark 是实时欺诈检测的经典三件套——Kafka 负责交易事件的实时摄取和流式传输，PySpark 负责大规模分布式特征计算（历史特征聚合、窗口统计），XGBoost 负责最终的欺诈分类决策。这套技术栈与互联网公司/金融科技公司的标准风控架构高度吻合。与 06-25 的 RiskEngine-Java（Java 风控引擎）和 confluent-fraud-detection（Flink+LLM）形成对比：Java 系偏向企业级金融、Flink 系偏向流处理深度、PySpark 系偏向数据工程生态。三个项目共同覆盖了实时风控引擎的主流技术路线。与 实时风控引擎 和 风控模型 关联。→ GitHub

4. graph-fraud-detector — GNN + 定量风险分析的图欺诈检测【信号：★★】

sabrinapribadi/graph-fraud-detector 使用图神经网络（GNN）进行欺诈检测，并引入定量风险分析（Quantitative Risk Analysis）。风控视角：「定量风险分析」是该项目的独特维度——大多数 GNN 欺诈检测项目输出二分类标签（欺诈/正常）或概率分数，而定量风险分析意味着输出可量化的风险度量（如预期损失金额、风险敞口、置信区间）。这种从「检测」到「度量」的升级对风控决策至关重要——风控策略需要知道「这笔欺诈的潜在损失是多少」才能决定是否拦截（拦截成本 vs 欺诈损失的权衡）。GNN 捕捉账户/交易之间的拓扑关系（团伙检测），定量分析将检测结果转化为业务可操作的风险指标。与 风控模型 的图算法和定量分析关联。→ GitHub

5. finomaly（Filidetan597）— 模块化规则 + ML 金融异常检测库【信号：★★】

Filidetan597/finomaly 是一个模块化、开源的 Python 金融异常检测库，同时支持规则方法（rule-based）和机器学习方法（ML-based）。风控视角：「规则 + ML 双模」是风控异常检测的务实设计——规则方法高精度、零延迟、可解释，ML 方法高召回、自适应、捕捉复杂模式。该库将其封装为模块化接口，允许用户灵活组合两种方法。值得注意的是，这是一个同名不同作者的项目——与 06-20 日报覆盖的 404khai/finomaly（Autoencoder + GNN + Kafka 流式管道）完全不同。前者偏库/API 设计，后者偏端到端流水线。两个 finomaly 项目恰好展示了异常检测的两种工程形态：可复用库 vs 完整管道。与 风控模型 和 规则引擎 的双模设计关联。→ GitHub

6. LoanIQ-Credit-Risk-Engine — NBFC 实时 ML 信贷评分引擎【信号：★★】

indu127pal/LoanIQ-Credit-Risk-Engine 是面向 NBFC（非银行金融公司） 的现代贷款发起平台，核心能力：智能多步申请表单、实时 ML 驱动的信用评分、综合承保管理门户（含高级队列管理）。风控视角：NBFC 是信贷风控的重要细分场景——与传统银行相比，NBFC 面向的客户群体往往信用记录不完整（薄信用文件/thin-file），传统评分卡效果有限，ML 模型可以利用替代数据（alternative data，如行为特征、社交网络）提升风险评估。「承保管理门户 + 队列管理」反映了信贷风控的人工审核流程——ML 模型给出初步评分后，高风险案件进入人工审核队列，由承保员做最终决策。这种「ML 预筛 + 人工审核」的分层模式是信贷风控的标准实践。与 风控模型 的信贷评分和 风控合规 关联。→ GitHub

7. risk-fraud-financial-analytics-portfolio — Excel 驱动的 AML/KYC 风险分析【信号：★】

tyleroneshs/risk-fraud-financial-analytics-portfolio 使用 Excel 驱动的分析技术处理交易数据，识别欺诈风险、简化告警审查流程，确保 AML 和 KYC 合规。风控视角：Excel/电子表格在 AML/KYC 场景中的持续存在值得注意——尽管风控系统的技术栈不断升级（Kafka/Flink/GNN），但大量中小金融机构和合规团队的日常分析工作仍依赖 Excel。这个项目从合规运营视角（而非技术架构视角）展示了 AML/KYC 的实际工作流：交易数据筛选 → 可疑告警生成 → 人工审查 → 合规报告。虽然技术深度有限，但反映了风控工具链的分层现实——高端系统用实时引擎 + ML，日常运营用 Excel/BI 工具。与 反洗钱-AML 的运营实践关联。→ GitHub

8. arXiv: 合成数据增强何时改善不平衡分类？— 欺诈建模的理论基础【信号：★】

arXiv 2606.26053 — 《When Does Synthetic Data Augmentation Improve Score-Based Imbalanced Classification?》建立了合成数据增强（如 SMOTE）何时能改善阈值指标（AUROC、AUPRC、best-threshold balanced accuracy、F1）的理论框架，将增强效果分解为有效类别权重变化和分布偏移两个分量。风控视角：类别不平衡是欺诈检测的核心挑战——欺诈样本占比通常 <1%，SMOTE 等合成数据技术是标准应对手段。但实践中 SMOTE 的效果不稳定（有时提升 AUPRC，有时反而降低），缺乏理论指导。该论文提供的框架可以帮助风控建模者判断在什么数据条件下合成增强有效，以及应该优化哪个阈值指标。对于风控模型迭代有直接指导价值。与 风控模型 的类别不平衡处理关联。→ arXiv

技术趋势

• 多 Agent 架构（multi-agent）进入风控领域：energy-fraud-detection 用 LangGraph 编排多 Agent 工作流（采集→特征→检测→解释→报告），将风控管道从「单一引擎」拆分为「协作 Agent 集群」。这是继 06-24 kitsune（攻防对抗 Agent）之后，多 Agent 范式在风控检测侧的又一次落地。
• 风控知识结构化为 AI Agent 技能库：Anthropic-Cybersecurity-Skills 将 MITRE F3 (Fight Fraud) 映射为 817 条 Agent 可调用技能，标志着风控知识从「文档/规则手册」走向「Agent 可执行技能」的转变。
• LLM 驱动风控自身的安全防护浮现：energy-fraud-detection 集成 Prompt Shields + Defender for Cloud AI，反映了一个新问题——当风控系统使用 LLM 时，LLM 本身成为攻击面（prompt injection），需要专门的安全防护层。
• 从「欺诈检测」到「定量风险度量」：graph-fraud-detector 引入定量风险分析，将 GNN 检测结果转化为可量化的风险指标（预期损失、风险敞口），对应风控从「是/否拦截」到「损失量化决策」的升级。
• GNN 欺诈检测持续活跃：graph-fraud-detector（GNN+定量风险）和此前的 upi-fraud-gnn、maharashtra-pride、finomaly 等项目，说明 GNN 在团伙欺诈检测领域已从学术探索进入工程实践阶段。

行业案例

• 能源欺诈 / 多 Agent：energy-fraud-detection 展示了 LangGraph 多 Agent 在非金融垂直领域（能源）的欺诈检测应用。
• 网络安全 / 知识框架化：Anthropic-Cybersecurity-Skills 将 MITRE F3 Fight Fraud 知识结构化为 Agent 技能库。
• 实时欺诈检测 / Kafka+XGBoost+PySpark：GalFoks/fraud-detection-system 展示了经典三件套的端到端管道。
• 图欺诈检测 / GNN+定量风险：graph-fraud-detector 展示了从检测到风险量化的升级。
• 异常检测库 / 规则+ML 双模：Filidetan597/finomaly 展示了模块化双模设计（与 404khai/finomaly 的管道式设计形成对比）。
• 信贷风控 / NBFC ML 评分：LoanIQ-Credit-Risk-Engine 展示了非银行金融机构的贷款发起+实时评分+承保管理。
• AML/KYC 运营 / Excel 驱动：risk-fraud-financial-analytics-portfolio 展示了中小机构合规分析的日常工具。

值得深入

• [ ] 拆解 energy-fraud-detection 的 LangGraph 多 Agent 架构——各 Agent 的职责划分？Agent 间通信协议？LangGraph 的编排模式（sequential vs parallel vs supervisor）？延迟开销如何控制
• [ ] 研究 MITRE F3 (Fight Fraud) 框架的技术分类——与 ATT&CK 的战术/技术矩阵有何异同？F3 如何描述欺诈攻击链（fraud kill chain）？817 条技能中有多少直接关联支付/账户/身份欺诈
• [ ] 对比两个 finomaly 项目（404khai vs Filidetan597）的设计差异——管道式 vs 库式、Autoencoder+GNN vs 规则+ML、Kafka 流式 vs API 调用
• [ ] 分析 graph-fraud-detector 的定量风险分析方法——GNN 输出如何转化为损失金额/风险敞口？是否结合历史损失数据做校准