📄 Daily Digest

风控日报 — 2026-07-08

📊 原料：37 条相关条目（GitHub 仓库搜索 25 条 / arXiv 12 条全部无关——高维空间对抗假样本检测的纯数学理论、LLM 选择性披露水印、脑微出血 MRI 检测、免标定视角鲁棒 VLA 机器人模型、弱到强 RL 蒸馏理论、天文学 Real-Bogus 瞬变体分类、离散扩散模型数学理论、引力常数变化宇宙学测量、语音对话自然性基准 SPEARBench、场景级 3D 扩散生成 SynCity 3000、动态相机内参估计 InFlux++、Rocket League 多人世界模型 / HN 和 Trending 本轮无风控相关条目入选）。arXiv 数据源连续十八期（06-13→07-08）返回 100% 噪声，累计 318 条全部无关。13 条已在近 1-2 期日报中覆盖或明显无关（defi-risk-screening、VPN-Detector、marketplace-phaas-tracker、disposable-email ×2、ip-fraud-database、cross-border-fraud-detection、perishable-inventory-risk-engine、Sentinel-GRC、payment-channel-guide、phase-rs、quantcore、AI_Fraud_Detection），本轮不重复入选。另有 4 条明显无关或垃圾项目已剔除（BlinkEdge——世界杯赌博 Solana Blink、mosaic-cop——军事情报地理围栏、legado-rule——网页数据抓取规则引擎、Financial-Fraud-Detection czc020——描述空洞无技术内容的 Notebook 玩具）。

今日高信号

1. osint-agent — Claude Code + MCP 驱动的外贸防诈骗 OSINT 商业情报系统【信号：★★★】

wo9230/osint-agent（5★, Python）是一个基于 Claude Code + MCP 的 OSINT（开源情报）商业调查系统，面向外贸防诈骗场景：识别诈骗客户/皮包供应商/虚假买家，覆盖海外客户背景调查、供应商尽调、竞品情报、亚马逊卖家背调，一条命令生成专业 OSINT 调查报告。风控视角：Agentic OSINT 是风控 KYC/EDD（了解你的客户/增强尽调）的新范式：(1) LLM Agent 驱动调查流程——传统 OSINT 需要人工多步操作（搜索引擎、工商查询、社媒交叉验证），该项目用 Claude Code Agent 自动编排多源情报收集和交叉验证，将尽调从小时级压缩到分钟级。(2) MCP 协议集成工具链——通过 MCP（Model Context Protocol）连接外部数据源（工商注册、社交媒体、域名 WHOIS），Agent 可按需调用工具完成调查链路，MCP 的工具发现机制使尽调工具链可插拔扩展。(3) B2B 反欺诈的实际场景——外贸场景的诈骗模式（皮包公司、虚假买家骗样、供应商跑路）与金融欺诈模式不同，但底层调查方法论（背景交叉验证、关联实体发现、风险评估报告）可迁移至金融 KYC 风控。与 身份验证 的 KYC/EDD 和 反欺诈体系 的调查自动化关联。→ GitHub

2. Collaborative-Fraud-Intelligence-Simulator — 联邦学习跨机构隐私保护欺诈检测【信号：★★★】

yusufcalisir/Collaborative-Fraud-Intelligence-Simulator（0★, Python）是一个基于联邦学习（Federated Learning）的跨机构欺诈检测模拟器，核心目标：隐私保护下的多机构协作欺诈检测。风控视角：联邦学习解决风控数据孤岛问题是行业级前沿方向：(1) 数据孤岛痛点——银行/支付机构间的欺诈数据无法共享（数据合规、客户隐私、竞争壁垒），单一机构只能看到局部欺诈模式，无法识别跨机构欺诈团伙。联邦学习允许各机构在不共享原始数据的前提下，协作训练共享欺诈检测模型。(2) 隐私保护技术——联邦学习的核心是\"数据不动模型动\"——各机构在本地数据上训练，只上传模型梯度（可用差分隐私/同态加密进一步保护），聚合服务器融合梯度生成全局模型，既保护数据隐私又利用了跨机构知识。(3) 模拟器价值——真实联邦学习需要多机构基础设施，该模拟器提供了实验沙箱，便于研究通信效率、异构数据分布（non-IID）、后门攻击防御等联邦欺诈检测的关键问题。与 反欺诈体系 的跨机构协作和 风控模型 的联邦学习关联。→ GitHub

3. FinancialAuditAI — OCR + 规则引擎 + RAG + 人审工作流的 AI 财务审计平台【信号：★★★】

xulong-jia/FinancialAuditAI（0★, Python）是一个AI 辅助财务文件审核平台，技术栈集成：OCR（文档数字化）+ 规则引擎（合规规则自动检查）+ RAG（检索增强生成，从法规库检索相关条款）+ Human Review（人审工作流）+ Evaluation（质量评估）。风控视角：该平台展示了\"规则 + AI + 人审\"三位一体的财务合规审核架构：(1) 规则引擎做确定性合规检查——财务文件审核有大量确定性规则（报销标准、发票金额阈值、费用类目合规），规则引擎可自动化执行这些检查，效率远高于纯人工。(2) RAG 检索增强法规适用——合规判断需要理解法规上下文（不同地区/行业适用不同标准），RAG 从法规知识库检索相关条款辅助 AI 判断，降低幻觉风险。(3) 人审工作流保持可控——高风险或低置信度的审核结果路由至人工复核，AI 辅助而非替代人工，合规审核的可追溯性要求决定了人审环节不可或缺。与 规则引擎 的合规审计应用和 反洗钱 的交易审查工作流关联。→ GitHub

4. fraud-detection — SHAP 可解释的保险理赔欺诈检测（ ranked shortlist ）【信号：★★】

jayesh1126/fraud-detection（0★, Python）是一个可解释 ML 保险理赔欺诈检测项目：训练欺诈分类模型后，使用 SHAP（SHapley Additive exPlanations） 生成排序列表（ranked shortlist），不仅给出欺诈评分，还告诉调查员每笔理赔被标记为可疑的具体原因。风控视角：模型可解释性是欺诈检测生产落地的硬性要求：(1) SHAP 的特征贡献归因——SHAP 基于 Shapley 值博弈论，为每个预测计算各特征的贡献度，输出\"金额异常 +0.3、就诊频率异常 +0.2、新注册设备 +0.1\"级别的归因，调查员可据此快速定位风险点。(2) ranked shortlist 优于黑箱评分——纯黑箱欺诈评分（\"风险分 0.87\"）对调查员无操作性，排序列表将评分拆解为可操作的特征贡献，直接引导调查方向。(3) 保险欺诈的场景特点——保险理赔欺诈涉及 UPCoding（低风险高报）、虚构成灾事件、重复理赔等模式，特征工程需结合保险业务规则（医疗编码、理赔金额分布），与支付欺诈的特征体系不同。与 风控模型 的 SHAP 可解释性和 反欺诈体系 的保险欺诈关联。→ GitHub

5. tracehound — 链上黑客追踪 + OFAC 制裁名单匹配 + LLM 叙事 + 法律催收函生成【信号：★★】

bakulbadwal/tracehound（0★, TypeScript）是一个链上（on-chain）黑客攻击追踪 Agent：实时交易链路追踪 + OFAC 制裁名单匹配 + LLM 自动生成事件叙事报告 + 法律催收函（demand letter）起草，定位为\"太小不值得 FBI/机构厂商介入的案件\"的自助调查工具。风控视角：链上资产追踪是反洗钱/虚拟资产风控的前沿战场：(1) OFAC 制裁名单实时匹配——美国财政部 OFAC SDN 名单是国际合规的硬约束，链上地址与制裁实体匹配是加密资产风控的基础能力，该项目将制裁筛查集成到交易追踪流程中。(2) 链上追踪的工程挑战——区块链交易图规模庞大且持续增长（混币器、跨链桥增加追踪难度），实时追踪需要高效的图查询能力（地址聚类、路径搜索）。(3) LLM 辅助调查报告——将链上证据链转化为人类可读的调查报告和法律文书，降低非技术调查人员使用门槛，是 AI + 风控调查的实际应用。与 反洗钱 的虚拟资产追踪和 身份验证 的制裁筛查关联。→ GitHub

6. ITOpsAnalytics — 10 万+ IT 资产实时风险引擎（ML 异常检测 + Ollama LLM 补救剧本）【信号：★★】

sarthak309k/ITOpsAnalytics（0★, Python）是一个面向 10 万+ IT 资产的高规模实时风险引擎：ML 异常检测 + 本地 LLM（Ollama）自动生成技术补救剧本（remediation playbooks）+ 向量化处理（vectorized processing）+ 自动化隔离（fleet isolation），目标是\"无噪声实时风险评分\"。风控视角：虽为 IT 运维场景，其风险引擎架构对欺诈风控有直接参考价值：(1) 向量化批处理风险评分——10 万+资产的大规模风险评分需要向量化处理（NumPy/Pandas 向量化而非逐条循环），该思路可直接迁移至实时交易批量的欺诈评分管道。(2) ML 异常检测 + LLM 补救——ML 模型检测异常后，LLM 自动生成修复方案（\"检测到异常登录→建议重置密码+启用 MFA\"），这一\"检测→解释→处置\"闭环模式可迁移至欺诈风控（\"检测到可疑交易→LLM 生成处置建议→自动拦截或人工复核\"）。(3) 低噪声实时评分——\"no-noise\"目标的核心是降低误报率，与欺诈检测的 precision 优化目标一致，IT 运维的异常检测方法论（基线建模、季节性分解）与欺诈行为基线建模方法论相通。与 实时风控引擎 的向量化处理和 风控模型 的 LLM 辅助决策关联。→ GitHub

7. AI-Healthcare-Insurance-Fraud-Detection-System — 机器学习医疗保险欺诈检测 + Streamlit 可视化【信号：★】

Ayushkumarpal008/AI-Healthcare-Insurance-Fraud-Detection-System（0★, Python）是一个AI 驱动的医疗保险欺诈检测系统：使用机器学习模型检测欺诈性理赔，集成 Streamlit 提供交互式可视化界面。风控视角：医疗保险欺诈是风控的重要垂直领域，与支付/信贷欺诈的模式不同：(1) 医疗欺诈典型模式——虚报医疗服务（phantom billing）、UPCoding（低级服务报高级编码）、身份盗用就医、医生-患者串通骗保等，检测需结合医疗编码（ICD/CPT）、服务频率和金额分布特征。(2) ML 模型选型——医疗保险理赔数据是典型的高维表格数据，适合梯度提升树（XGBoost/LightGBM）+ 特征工程的方案，理赔欺诈的不平衡问题同样需要 SMOTE/代价敏感学习。(3) Streamlit 交互界面——虽然技术深度有限，但 Streamlit 原型使欺诈检测结果可交互探索（调整阈值、查看特征贡献、筛选可疑理赔），降低了风控模型的可视化门槛。与 反欺诈体系 的行业垂直扩展和 特征平台 的理赔特征工程关联。→ GitHub

8. rule-based-power-theft-detection — 嵌入式规则引擎电力窃电检测（电流模式分析 + 负载隔离）【信号：★】

pololoys/rule-based-power-theft-detection（0★）是一个基于规则的电力窃电检测系统：通过分析电流模式（current patterns）和自动隔离负载（load isolation），使用嵌入式规则系统识别窃电行为。风控视角：规则引擎方法论跨场景迁移的典型案例：(1) 规则系统在边缘端的部署——电力窃电检测在嵌入式设备（智能电表）上运行规则引擎，资源受限环境下的规则系统设计（轻量条件匹配、阈值触发）与金融风控的实时规则引擎设计有方法论共通性。(2) 模式分析驱动的规则定义——窃电检测通过电流模式异常识别（如用电量骤降但持续供电、相位不平衡），规则定义基于领域专家的物理知识；金融欺诈规则同样基于业务专家知识（如\"深夜异地大额消费\"、\"新设备首笔交易超限\"）。(3) 从电力到金融的方法论迁移——虽然领域不同，但\"领域规则→实时检测→自动响应\"的管道模式在风控中同样适用，且电力行业的规则引擎在大规模部署、实时性要求方面有成熟经验可供参考。与 规则引擎 的边缘部署和方法论迁移关联。→ GitHub

技术趋势

行业案例

值得深入