📄 Daily Digest

风控日报 — 2026-07-20

📊 原料：49 条相关条目（GitHub 仓库搜索 50 条 / arXiv 11 条全部无关且为 07-16 的陈旧批次——预训练数据投毒 [LLM 安全]、交变磁体-超导体自旋织构 [凝聚态物理]、TikStance TikTok 政治立场 [社交媒体 NLP]、Partition-Prompt-Aggregate LLM 自洽性 [LLM 理论]、深度热化纠缠隐形传 [量子多体物理]、RoboTTT 机器人视觉运动策略 [机器人学]、MeanFlowNFT 前向过程 RL [生成模型 RL]、在线神经时空记忆新视角合成 [神经渲染]、分层去噪多步视觉推理 [视觉扩散模型]、NV 色心微波驱动长程纠缠 [量子物理]、Beyond Success Rate 安全 agent 成本感知评估 [LLM agent 评估，非风控欺诈]——全部 11 篇 arXiv 论文与 07-17、07-19 完全一致，arXiv API 持续返回同一 2607.152xx 批次（07-16 提交）已达 3+ 连续会话，属已知 API 缓存/限流，跳过再分析）/ HN 9 条和 Trending 20 条经去重后无风控相关条目入选）。arXiv 全噪声小计：07-16 打破的连续 24 期 100% 噪声记录后又连续 3 期（07-17、07-19、07-20）全噪声，但因 07-20 返回的是 07-16 的陈旧批次，不重复计入累计（累计仍为 422 条中 1 条相关，噪声率 99.8%）。19 条已在近 1-2 期日报中覆盖或剔除（TransactGuard、sentinelpay、Achilles/fraud_detector、salam-ammari Ethereum GNN、adaptive-payment-risk-engine、secureauth-ai-platform、AntiCyScam [07-19 已覆盖]、real-time-fraud-detection [msburns24]、fraud-detection-analytics-case、Syntecxhub 信用卡欺诈、tianshu-decision-engine、Fraud-Guard [医保 GNN]、payments-risk-analytics [dbt+DuckDB]、seine [Rust Drools]、payment-fraud-detector [Transformer+LoRA]、Dudhal 合成身份 GNN、fraud-detection-credit-mlops、face-anti-spoofing-dataset、sanctioncheck [07-17 已覆盖]、trustflow_payment_risk-engine [同名项目 07-17 已覆盖]、disposable-email-domains [FFraud-com]、ip-fraud-database [FFraud-com]、disposable-email [eramitgupta]、upi-fraud-gnn [yoelpa6680]、defi-risk-screening、quantcore [期权定价市场风险]、Chronos_High_Frequency_Trading_Engine、GraphShield、cross-border-fraud-detection、marketplace-phaas-tracker、VPN-Detector、payment-channel-guide [纯文档]、perishable-inventory-risk-engine [食品过期]、sanki-engine.rs / silt / phase [游戏规则引擎]、research-blei-e [运动员生物特征映射股票]），本轮不重复入选。另有 2 条垃圾/破解项目已剔除（kaliarif55/Crypto-Aml-Checker-2026——"Full Version Pro Premium Loader Mod" 软件破解垃圾、efnciofjioi/aml-checker-pro-master——"Crypto AML Checker Full Version Tool 2026 for Compliance Testing" 同类破解垃圾）。今日筛出 10 条新增高信号条目，覆盖 TabFormer 流式支付欺诈管道、Neo4j+Databricks 图增强反欺诈湖仓、三层风控决策+LLM 合规判定、PaySim 移动支付 XGBoost 严谨评估、Autoencoder+XGBoost 混合检测、哈萨克斯坦多渠道反诈平台、AML/CTF 法律语料库（10 司法辖区+SHA-256 溯源）、YARA 钓鱼工具包检测、IBM Z 实时支付风险、保险分销早期退保欺诈检测等方向。

今日高信号

1. financial-payments-fraud-pipeline — IBM TabFormer 流式支付欺诈管道（Kafka + Spark Structured Streaming + Redis/Delta 在线/离线双特征 + XGBoost + Terraform IaC）【信号：★★★】

vaibhavkhuranaaa/financial-payments-fraud-pipeline（0★, Python）是一条流式、编排化的欺诈检测管道（streaming, orchestrated fraud-detection pipeline），基于 IBM TabFormer 合成信用卡交易数据（24M+ 行，2010-2019，~2000 张合成卡）。核心工程能力明确区分于静态 notebook：(1) 契约校验的 Kafka 摄取（contract-validated Kafka ingestion） —— ingestion.py 校验 + tokenize 事件，非法事件进 DLQ 死信队列；(2) Spark Structured Streaming 窗口特征工程 —— 滑窗聚合 1h/1d/7d/30d 每卡交易速度/消费/拒付模式；(3) 在线（Redis）/离线（Delta Lake）双特征存储 —— 防止 train/serve skew（训练-服务特征漂移）；(4) XGBoost 欺诈分类器 + Flask 延迟测量评分 API；(5) Azure Container Apps + Terraform IaC 部署。README 强调"hard part isn't the model; it's the pipeline"。

风控视角：这是目前开源生态中对"支付风控数据工程纪律"展示最完整的参考实现之一：(1) 点时正确性（point-in-time correctness）的特征计算 —— 行为特征（卡片近 1h/1d 交易速度）必须严格基于历史窗口计算，绝不能让未来信息泄漏进特征，这是风控特征工程的头号陷阱，项目明确将其作为核心设计目标。(2) 在线/离线双特征存储防 train/serve skew —— 训练时用 Delta Lake 离线特征、服务时用 Redis 在线特征，两套特征逻辑必须完全一致，否则模型离线指标好但线上表现崩，是生产风控的常见痛点。(3) DLQ 死信队列在事件驱动风控中的价值 —— 非法/格式错误的事件不能阻塞管道，DLQ 隔离坏数据同时保留可审计性，是数据质量治理的标准实践。(4) IaC（Terraform）+ ADR（架构决策记录）的工程成熟度 —— 仓库带 docs/adr/ 记录关键选型决策，体现了超越 demo 的生产工程思维。与 实时风控引擎 的事件驱动管道、特征平台 的在线/离线双存储和 风控数据架构 的特征计算直接关联。→ GitHub

2. graph-on-databricks — Neo4j + Databricks 图增强反欺诈湖仓（Silver→Gold 图特征回写 + PageRank/Louvain/Node Similarity）【信号：★★★】

neo4j-partners/graph-on-databricks（4★, Python）是 Graph-Enriched Lakehouse —— Neo4j Graph Data Science 与 Databricks Lakehouse 的官方合作参考架构，将图增强作为 Silver→Gold 管道阶段。核心流程：从 Unity Catalog 读取 Silver 表 → 加载到 Neo4j 作为属性图 → 运行图算法 → 将结果以普通 Delta 列写回 Gold 层。其中 Finance Genie 子项目是面向 Databricks 账户团队的欺诈检测 demo：合成欺诈数据集加载为属性图，PageRank（中心性）、Louvain（社区检测）、Node Similarity（结构相似度） 三个 GDS 算法将 risk_score、community_id、similarity_score 回写为 Gold 层 Delta 列。

风控视角：这是图算法集成进现代湖仓（lakehouse）的官方标杆架构，代表了"图特征工程化"的生产落地路线：(1) "金融犯罪是网络问题"的核心洞察 —— demo 文案点明"fraud rings operate as connected patterns across many accounts and transactions, and the individual event looks clean while the connected pattern does not"，单笔交易看似正常但跨账户的连接模式暴露合谋，这是图方法优于表格 ML 的根本理由。(2) 图特征作为 Delta 列回写的工程价值 —— 传统图数据库的图算法结果停留在图内，难以被下游 BI/ML 消费；将 PageRank/Louvain 结果物化为普通列，让 SQL 仓库、仪表盘、ML 模型无需图知识即可使用，是"图能力普惠化"的关键架构。(3) 三算法的组合覆盖 —— PageRank 找核心节点（洗钱网络的资金汇聚点）、Louvain 找社区（欺诈团伙聚类）、Node Similarity 找结构相似（识别与已知欺诈地址拓扑相似的新地址），三者互补覆盖了图风控的主要维度。(4) BEFORE/AFTER 对比演示的方法论价值 —— demo 设计了"未增强 Silver 表 vs 增强 Gold 表"的对比，直观展示图维度如何回答"纯表格无法回答的结构发现问题"，是向业务方论证图技术价值的范本。与 风控模型 的 GNN 与图算法、特征平台 的图特征工程和 反欺诈体系 的欺诈环检测直接关联。→ GitHub

3. FintelliGuard — 三层风控决策 + 双区 GenAI 合规判定（XGBoost <50ms + Bedrock Agent RAG 合规裁决 + Databricks 分析师 copilot）【信号：★★★】

theofanis-tsakanikas/fintelliguard（0★, Python）是实时金融欺诈检测与合规平台，技术栈为 AWS Bedrock · Databricks Mosaic AI · Kafka/MSK · Spark · Terraform · LangGraph。核心架构是三层决策漏斗（three-tier decisioning）+ 双区 GenAI（two-zone GenAI）：Tier 1 —— XGBoost 部署在 Mosaic AI Model Serving，<50ms 评分 100% 交易，~99% 低分通过；Tier 2 —— 仅对可疑的 ~1% 交易调用 AWS Bedrock Agent，通过 RAG 将合规裁决锚定到 AML/PSD2 法规，经 Guardrails 过滤后输出合规判定；Tier 3 —— Databricks Mosaic AI copilot 供分析师异步调查（Genie NL→SQL + Vector Search 语义检索）。两区通过 get_fraud_score() 契约解耦而非耦合。

风控视角：这是目前开源生态中对"ML + LLM 在风控合规中的协同架构"展示最系统的参考实现：(1) 三层漏斗的经济学逻辑 —— 贵的推理（LLM）只跑在小的切片上，便宜的推理（XGBoost）跑全量，这是生产风控的成本控制范式，避免了"每笔交易都调 LLM"的不可行方案。(2) "合规裁决需锚定法规"是 AML/PSD2 的硬要求 —— 中型银行需 40-80 名分析师为每笔可疑交易撰写基于法规的判定理由，FintelliGuard 用 RAG + Guardrails 自动起草法规锚定的合规裁决，直击合规人力成本痛点。(3) "契约而非耦合"的跨云 GenAI 架构 —— Bedrock（实时边缘）和 Mosaic AI（湖仓异步）通过 get_fraud_score() 函数契约连接，而非硬耦合，是"LLM 推理与评分模型解耦"的工程范本，便于独立迭代和替换。(4) 规则引擎"事后拦截"痛点的诊断 —— README 点明"Rule engines flag transactions *after* approval, so losses are booked before an analyst opens the case"，将欺诈延迟和合规成本作为同一个系统要解决的两个问题。与 实时风控引擎 的分层决策、反洗钱-AML 的合规自动化和 风控策略 的 LLM 辅助合规直接关联。→ GitHub

4. Fraud-Detection-System — PaySim 移动支付 XGBoost 严谨评估（walk-forward 验证 + 漂移监控 + 特征泄漏诊断 + SHAP）【信号：★★★】

alvenyuka/Fraud-Detection-System（0★, Jupyter Notebook）是移动支付欺诈分类器，基于 PaySim 合成移动支付数据（6.3M 交易），XGBoost 达 99.85% precision / 99.56% recall（132K 时间序列 holdout），经 4 折 walk-forward 验证（PR-AUC 0.9986 ± 0.0013）。项目的价值不在数据集选择（PaySim 是教程常用数据），而在于评估的严谨性（evaluation rigour）：严格时间分割、校准概率、成本敏感阈值选择、五模型对比、漂移监控（PSI）、SHAP 可解释性，以及配套 live dashboard 和案例研究页。

风控视角：这个项目最值得学习的是"特征泄漏诊断与修复"的工程方法论：(1) Step 6 特征泄漏修复案例 —— 模型原本直接使用原始余额列（oldbalanceOrg/newbalanceOrig），但 PaySim 的欺诈几乎总是把发送方账户清零，导致模型学到"余额归零即欺诈"的伪信号：一笔 $12 的合法账户关闭（余额恰好从 $12 变 $0）被评分为 100% 欺诈。修复方式是移除原始余额列，改用工程化的差异特征（discrepancy features）。(2) "部分修复"的再测试发现 —— 移除原始列后，orig_drain_ratio（amount / oldbalanceOrg）仍编码了"是否完全清空"：100% 清空的合法交易仍评分 95.3%，而 10-99% 清空的同样交易评分 0.006%，这种"100% 处的阶梯跳变"是 PaySim 欺诈生成过程的数据特征，非 bug，进一步修复需真实交易数据重训。(3) "移动支付欺诈是 precision 问题而非 accuracy 问题" —— 0.13% 正样本率下，"全判正常"就有 99.87% accuracy 但零召回，项目明确将 precision 保持在 99% 以上，因为生产风控的假阳性会冻结客户资金，带来信任和监管成本。(4) walk-forward 验证的风控含义 —— 时间序列数据不能随机分割（会泄漏未来），walk-forward（滚动窗口训练-验证）模拟生产中"用历史训、用未来测"的真实场景，是风控模型评估的标准做法。与 风控模型 的评估方法论和 特征平台 的特征工程陷阱直接关联。→ GitHub

5. Sentinel AI — Autoencoder + XGBoost 混合欺诈检测（已知+未知欺诈模式 + SHAP 可解释 + PDF 调查报告）【信号：★★】

jaynakar/sentinel-ai（0★, Python）是端到端智能欺诈检测平台（end-to-end intelligent fraud detection platform），融合三类技术：Autoencoder（异常检测）+ XGBoost（分类）+ SHAP（可解释性）。技术栈为 React + FastAPI + TensorFlow + XGBoost，提供交互式仪表盘、AI 风险评估、自动化 PDF 调查报告和高性能 REST API。核心卖点：传统监督模型只能识别历史见过的欺诈模式，Autoencoder 补充对未见过的异常模式（zero-day fraud）的检测能力，XGBoost 负责已知模式的精准分类。

风控视角："Autoencoder + 监督模型"的混合架构是欺诈检测的主流范式之一：(1) Autoencoder 的无监督异常检测原理 —— 训练时只用正常交易重构，推理时欺诈交易（偏离正常分布）会产生高重构误差，从而在无标签情况下发现异常，是冷启动和新型欺诈检测的关键技术。(2) "已知 + 未知"欺诈模式的双覆盖 —— XGBoost 覆盖有标签的历史欺诈模式（高 precision），Autoencoder 覆盖无标签的新型欺诈（高召回但低 precision），两者融合提升整体检测覆盖面。(3) SHAP 可解释性在风控中的合规价值 —— 监管要求风控决策可解释（客户有权知道为何被拒），SHAP 的 waterfall 图能展示"哪几个特征驱动了这次评分"，是模型可解释性的事实标准。(4) PDF 调查报告的自动化 —— 将检测结果自动生成专业调查报告，减少分析师的手工撰写工作，是"检测→调查"工作流闭环的一环。与 风控模型 的无监督+监督混合架构和 模型可解释性 的 SHAP 应用关联。→ GitHub

6. qalqan-ai — 哈萨克斯坦多渠道反诈平台（浏览器插件 + 移动 PWA + Telegram Bot，钓鱼/庞氏/政府采购欺诈图分析）【信号：★★】

Kennurken/qalqan-ai（0★, Python）是面向哈萨克斯坦的 AI 反诈保护平台，三语（哈萨克语/俄语/英语），97% 准确率/F1 0.98/零假阳性。三个交付渠道：浏览器插件、移动 PWA、Telegram Bot。检测能力矩阵覆盖：KZ 品牌钓鱼（Kaspi/eGov/Halyk 克隆站，同形字+typosquat 检测）、电话诈骗（Whisper 转录+诈骗模式匹配）、金融庞氏（AFM/ARDFM 注册库查询+域名库+AI）、非法赌博（离线库+品牌正则）、通用钓鱼（PhishTank+OpenPhish+URLhaus+Google Safe Browsing）、新注册域名（RDAP 情报）、政府采购欺诈（关联/合谋/卡特尔图分析）、诈骗短信（文本分析+链接提取）。配套品牌保护雷达（typosquats）、密码泄漏检查（HIBP k-anonymity）、经济影响计算器和监管者仪表盘。

风控视角：这是一个少见的"区域化全栈反诈平台"参考实现，展示了反诈从企业级向消费级+政府级的延伸：(1) 同形字攻击（homoglyph attack）的区域化检测 —— 西里尔字母"а"与拉丁字母"a"视觉相同但 Unicode 不同，钓鱼者用 kаspi.kz（西里尔 а）冒充 kaspi.kz，这种区域化品牌冒充检测对中亚/东欧市场尤其重要。(2) 政府采购欺诈的图分析 —— 将公共采购数据建模为图（供应商-官员-合同关系），用关联/合谋/卡特尔检测算法发现围标和利益输送，这是反诈从"消费者保护"向"公共部门廉洁"的扩展，体现了图方法在非传统欺诈场景的价值。(3) 多渠道交付的覆盖策略 —— 浏览器插件（网页钓鱼）、PWA（移动端）、Telegram Bot（社交工程），覆盖了用户被诈骗的主要触点，是"反诈即服务"的落地形态。(4) 监管者仪表盘的生态价值 —— 平台同时面向消费者（检测）和监管者（威胁态势可视化），形成"检测→报告→监管"的闭环，值得国内反诈中心参考。与 反欺诈体系 的消费端反诈和 风控策略 的多渠道覆盖关联。→ GitHub

dacheah/aml-sanctions-law-corpus（0★, HTML）是一个中立、溯源优先、机器可读的 AML/CTF 与金融制裁法律记录语料库，以 FATF 标准为骨架，覆盖 10 个司法辖区（澳大利亚、英国、美国、欧盟、加拿大、新加坡、瑞士、香港、日本、阿联酋），加上联合国公约和安理会决议的国际底层。v1 覆盖：authoritative/（仅官方源文本，逐字节捕获原始+SHA-256 哈希+完整溯源，append-only）、derived/（从权威文本生成：结构提取、概念标签、版本时间线、FATF 跨司法辖区交叉映射 crosswalk——将每条 FATF 建议映射到其联合国条约/安理会基础和各国实施条款）、schema/（JSON Schema）、site/（静态可浏览站点）。

风控视角：这是 AML 合规自动化稀缺的基础设施工具——将"法律文本"转化为"机器可读、可溯源、可校验"的结构化数据：(1) 合规裁决自动化的前提是法律机器可读 —— FintelliGuard 等 LLM 合规裁决系统需要 RAG 检索法规，但原始 PDF/HTML 法律文本结构混乱、版本难追踪，这个语料库提供了经结构化、溯源、哈希校验的法规数据，是 LLM 合规系统的优质知识源。(2) SHA-256 溯源的审计价值 —— 每条法规文本附带源 URL、检索日期、官方引用、签发机构、SHA-256 哈希，任何人可用 sha256sum 校验完整性，这在合规审计中至关重要——监管要求"你的合规判定基于哪一版法律的哪一条"，哈希溯源提供了不可篡改的证据链。(3) FATF 跨司法辖区交叉映射的工程价值 —— FATF 40 条建议是全球 AML 标准的骨架，crosswalk 将每条建议映射到各国实施条款（如 FATF 建议 10 → 澳大利亚 AML/CTF Act 2006 第几条 → 联合国维也纳公约第几条），这让跨国金融机构能统一管理多司法辖区合规义务。(4) "权威 vs 派生"的绝对隔离 —— 官方文本与任何生成内容物理隔离，派生内容可自由再生成，这种设计保证了语料库的中立性和可维护性。与 反洗钱-AML 的合规知识库和 风控策略 的法规锚定直接关联。→ GitHub

8. PhishingKit-Yara-Rules — 钓鱼工具包 YARA 规则库（ZIP 原始格式分析 + 目录/文件名指纹）【信号：★】

t4d/PhishingKit-Yara-Rules（239★, YARA）是 StalkPhish 项目下的钓鱼工具包 YARA 规则仓库，专门用于检测钓鱼工具包的 ZIP 文件。核心方法：基于 ZIP 原始格式分析（无需解压，直接匹配 ZIP 内的目录名和文件名特征），不依赖 yara-extend 扩展。每条规则包含：ZIP 头部匹配（50 4b 03 04）、特定目录名、特定文件名（如 mine.php、captured.txt、工具包签名文件），condition 组合判断。示例规则 PK_PayPal_H3ATSTR0K3 检测冒充 PayPal 的钓鱼工具包。

风控视角：YARA 规则在钓鱼工具包检测中是威胁情报（Threat Intelligence）的实用工具：(1) 钓鱼工具包（Phishing Kit）是钓鱼即服务（PhaaS）的核心资产 —— 钓鱼者购买/租用工具包快速搭建钓鱼站，工具包的目录结构和文件名（如 mine.php 数据接收脚本、captured.txt 窃取数据存储）是相对稳定的指纹，YARA 规则能在文件层快速识别已知工具包。(2) ZIP 原始格式分析的性能优势 —— 无需解压即可扫描，适合大规模文件扫描（如邮件附件网关、CDN 上传检测），比解压后扫描快得多。(3) 与 marketplace-phaas-tracker 的互补 —— 07-19 覆盖的 PhaaS 追踪器从"运营层"分析钓鱼即服务生态，YARA 规则从"工具包层"做检测，两者构成 PhaaS 威胁情报的完整链路。(4) 社区驱动的规则贡献模式 —— 仓库开放 PR 贡献，239★ 表明安全社区在持续维护，是钓鱼检测规则的活数据源。与 反欺诈体系 的钓鱼检测和 威胁情报 的 IOC 规则关联。→ GitHub

9. RiskPulse — IBM Z 实时支付风险（规则 + IsolationForest + Approve/Hold/Escalate 三态决策）【信号：★】

JamesKevinJones/riskpulse（0★, Python）是 IBM Z Datathon 2026 的参赛项目——实时支付风险副驾驶（real-time payment-risk co-pilot）：流式接收交易、用规则 + IsolationForest 评分风险，让操作员做出 Approve / Hold / Escalate 三态决策，设计可在 IBM Z / LinuxONE 大型机上运行。技术栈：FastAPI 后端（uvicorn）+ Vite 前端 + Docker Compose + WebSocket（/ws 实时推送）+ Plotly Dash 仪表盘。

风控视角：IBM Z / LinuxONE 在支付风控中的定位值得关注：(1) 大型机（mainframe）在支付核心的不可替代性 —— 全球多数大型银行的核心账务系统仍运行在 IBM Z 上，支付授权的最终决策在大型机执行，将风控评分前置到大型机而非旁路 x86 集群，能省去网络往返延迟，是"风控贴近账务核心"的架构选择。(2) 规则 + IsolationForest 的轻量组合 —— 规则引擎处理已知风险模式（快速、可解释），IsolationForest 处理未知异常模式（无监督、轻量），两者组合在资源受限的大型机环境下是合理的选型，比重型 GNN/深度学习更适合 mainframe 的部署约束。(3) 三态决策（Approve/Hold/Escalate）的风控分层 —— Hold 是人工复核通道、Escalate 是升级处理（如大额/高敏感交易），体现了"自动拦截 + 人工介入"的现代风控分层。(4) Datathon 项目的参考价值在于场景选型而非实现深度 —— 作为 hackathon 项目，工程深度有限，但其"IBM Z + 实时支付风控"的场景选型提示了大型机在现代风控架构中的角色。与 实时风控引擎 的部署架构和 风控策略 的决策分层关联。→ GitHub

10. lince — 保险分销早期退保欺诈检测（XGBoost + out-of-fold 验证 + SHAP + 本地 Ollama AI 代理）【信号：★】

BraylinJR/lince（0★, Python）是保险分销网络中的欺诈检测——针对大规模早期退保（cancelación temprana masiva）场景，使用 100% 合成数据。技术栈：XGBoost + out-of-fold 验证 + SHAP 可解释性 + 100% 本地 AI 代理（Ollama），配套完整方法论文档。许可证为非商业（PolyForm NC 1.0.0）。

风控视角：保险分销欺诈是一个垂直但真实的风控场景：(1) "大规模早期退保"的欺诈逻辑 —— 保险分销商（代理人/经纪）为冲业绩诱导投保人投保后短期内集中退保（骗取佣金/首期奖励），这种"刷单退保"模式在保险业有真实损失，检测的是分销商的异常退保聚集模式而非单笔交易欺诈。(2) out-of-fold 验证的防泄漏价值 —— K-fold 交叉验证中，每折的验证数据在训练时完全未见，避免同一保单/分销商的数据同时出现在训练和验证中导致泄漏，是风控模型评估的标准做法。(3) SHAP 在保险场景的可解释性 —— 保险监管要求对拒保/调查决策可解释，SHAP 能展示"哪些特征（退保率/首期保费占比/分销商历史）驱动了欺诈判定"。(4) 本地 Ollama 代理的隐私考量 —— 保险数据敏感，本地 LLM 代理（Ollama）避免数据外传到云端 API，是金融风控场景采用 LLM 时的隐私合规选择。非商业许可证限制了直接商用，但方法论文档有学习价值。与 保险风控 的分销欺诈和 模型可解释性 的 SHAP 应用关联。→ GitHub

技术趋势

行业案例

值得深入

  1. financial-payments-fraud-pipeline 的在线/离线双特征存储实现细节 —— Redis（在线）和 Delta Lake（离线）如何保证特征逻辑一致？是否有特征定义的单一真源（single source of truth）？值得 clone 后研读 features.py 和 docs/adr/。
  2. FintelliGuard 的 get_fraud_score() 跨云契约设计 —— Bedrock 和 Mosaic AI 通过函数契约解耦的具体接口定义、错误处理、超时回退策略，值得研读源码确认"契约而非耦合"的工程实现。
  3. graph-on-databricks Finance Genie 的图算法参数调优 —— PageRank 的阻尼系数、Louvain 的分辨率参数、Node Similarity 的相似度阈值如何在合成数据上校准？SCOPING_GUIDE.md 是否提供生产规模的数据量建议？
  4. aml-sanctions-law-corpus 的 FATF crosswalk 结构 —— derived/crosswalk/ 的 JSON 结构如何映射 FATF 建议 → 联合国基础 → 各国条款？是否可直接作为 LLM RAG 的 chunk 知识源？