📄 Daily Digest

风控日报 — 2026-08-10

📊 原料：36 条相关条目（GitHub 仓库搜索 50 条 / arXiv 12 条——本轮 arXiv 条目未出现在原始 markdown 中，采集器返回 12 条但未通过相关性过滤）/ HN 11 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 17 期（07-17、07-19、07-20、07-21、07-22、07-23、07-24、07-26、07-27、07-28、07-29、08-04、08-05、08-07、08-08、08-09、08-10）全噪声，累计 603 条中 1 条相关，噪声率 99.8%。~15 条已在近 1-2 期日报中覆盖或剔除（disposable-email-domains / ip-fraud-database [数据库]、justcheckingmate [08-09]、lucidfence [08-07]、marketplace-phaas-tracker [07-17]、Migelitz/sentinel-risk-engine [08-04]、hope-g234/fraudgraph [08-08]、Mule-Hunt [08-07]、graph-fraud-ai [08-07]、Portfolio-Risk-Engine [08-05]、ExposurePlatform [非风控]、srujangowdaskp46-blip [空 README]、perishable-inventory [非风控]、chitranshsaxena2003-ai/Payment-Fraud-Detection-ML [通用描述]、slowmist-security-cc [Claude Code 审计]、prompt-integrity-validator [Prompt 工具]、nkabomcare [医疗]、ha-owlnest [Home Assistant]、game-hub [桌游]、sushilpatil51p-ds [学生项目]、prompt-integrity-validator），本轮不重复入选。⚠️ 恶意仓库持续残留：efnciofjioi/aml-checker-pro-master（07-29 已确认恶意，activate.sh 伪装模式）、Digressive-pulse731/fraud-detection-api（07-26 批次）、tyleroneshs/risk-fraud-financial-analytics-portfolio（07-26 批次）本轮仍在搜索结果中，不重复验证。今日筛出 8 条新增高信号条目，覆盖信贷风控 Agent 平台、台湾 VASP 加密金流侦测、虚假评论欺诈检测、实时账户盗用风控引擎、Kafka+PySpark 流式支付反欺诈、IEEE-CIS 可解释风险评分、同盾科技公司画像、Rust 嵌入式规则引擎。今日核心亮点是 MARVIS-Agent（516★）——一个本地优先的信贷风控 AI Agent 平台，覆盖模型开发→验证→策略→Vintage 全工作流，是迄今为止在风控日报中出现的星数最高项目。⚠️ 新增恶意仓库（3 个）：forensic-hay545/trade-intelligence-graph（main 分支 tests/ 目录内 in-repo .zip 诱饵 intelligence_graph_trade_v2.2.zip，典型 07-27 变种 in-repo .zip 伪装模式）、Ethanj7750/face-anti-spoofing-dataset（main 分支 preterpolitical/ 目录内 in-repo .zip 诱饵 face_anti_dataset_spoofing_v2.6.zip，生物识别主题伪装）、jossauro/deepguard（main 分支 src/deepguard/templates/ 目录内 in-repo .zip 诱饵 Software_3.2.zip，图像取证主题伪装）。三个新恶意仓库均采用相同的 in-repo .zip + 社会工程指令模式，证明此威胁模式持续演化。

今日高信号

1. MARVIS-Agent (eddyzzl) — 本地优先信贷风控 Agent 平台（自然语言→可审计交付物 + 七步策略开发工作流 + 模型开发→验证→策略→Vintage 全链 + PMML 导出 + 责任门人在环路 + KS/AUC/PSI 确定性内核 + 影响度量 ImpactCube + DuckDB SQL/Python/JSON 代码生成）【信号：★★★】

eddyzzl/marvis-risk-agent（516★, Python 3.11-3.13 + MIT, CI + release badge, 迄今风控日报最高星数项目）是一个本地优先、受治理的信贷风控 Agent 平台——不是包裹脚本的聊天机器人。用自然语言描述业务目标，MARVIS 询问缺失文件和定义、构建可审查的计划、在责任门暂停、运行确定性工具，返回真实数据集、证据、模型、策略代码和报告。

核心架构决策：(1) 确定性计算内核——KS、AUC、PSI、坏账率、通过率、利润和影响由确定性平台代码计算，而非 LLM 猜测——Agent 解释指向确定性证据和可审计记忆引用。(2) 责任门人在环路——高影响操作暂停等待人工确认，关键治理结果携带血缘和审计证据。(3) 本地优先——文件、任务状态、证据和输出默认保存在受控本地工作区。

V2 七步策略开发工作流：当前和历史证据 → 治理双群体采样 → 单变量和模型证据 → 决策树/Cross Matrix/评分卡/Voting/Strategy Pools → 影响度量 → 验证 → 代码交付 + 四格式审查报告。

模块覆盖：(1) 数据处理（注册 CSV/Excel、推断模式、画像、连接、去重）；(2) 标签样本特征（DPD 定义坏标签、观察/表现窗口、IV/KS/AUC/PSI/Lift/Coverage、分箱、编码、衍生特征）；(3) 模型开发（二分类/回归/多分类、拒绝推断、特征选择、多配方训练对比、PMML 导出、模型卡和交接包）；(4) 模型验证（Notebook 扫描+执行、PMML 对比、性能/稳定性/一致性/压力证据、批量验证 1-10 个隔离任务）；(5) 策略开发（审批/拒绝/额度/定价/分群规则、自动+交互树、2D Cross Matrix、2D/3D 阈值搜索、Strategy Pools、影响和稳定性验证）；(6) Vintage 和风险分析（VTG 终端/年化坏账率/盈利计算、标准 Vintage 和滚动率）。

风控视角：信贷风控全链 Agent 平台是风控自动化的下一个范式：(1) 自然语言→可审计交付物的范式——从"描述风险决策需求"到"证据+模型+策略代码+报告"的端到端自动化，同时保留责任门和确定性内核——这是 AI Agent 在金融风控中的正确应用方式（Agent 编排 + 确定性工具执行，而非 LLM 自由发挥）。(2) 模型开发→验证→策略的全链治理——MARVIS 将模型验证（PMML 对比、Notebook 执行）和策略开发（Cross Matrix、Voting、Strategy Pools）纳入同一工作流，解决了"模型在 Jupyter 里训练但验证和策略在不同系统"的碎片化问题。(3) 确定性内核的信任设计——KS/AUC/PSI 由确定性平台代码计算而非 LLM 猜测，满足金融监管对"可审计计算"的要求。(4) 516★的社区信号——这是风控日报中首次出现 500+ 星的项目，说明信贷风控 Agent 有真实的社区需求。与 风控模型 的模型开发和 风控策略 的策略引擎关联。→ GitHub

2. ChainLens 鏈鏡 (zuemen) — 台湾 VASP 加密资产诈骗金流侦测平台（SNA+GNN 双引擎 + 可解释结构证据 + Elliptic 203K BTC 图基准 + TRC-20 USDT 2-hop 实时图 + fan-in/fan-out/peeling chain 图样规则 + Louvain 社群检测 + STR 草稿自动生成 + 反向消息传递 RMP）【信号：★★★】

zuemen/ChainLens（0★, Python + PyG + FastAPI + Streamlit + NetworkX, MIT, FinTech Taipei Awards 2026）是一个面向台湾 VASP（虚拟资产服务提供商）法遵筛查的加密资产诈骗金流侦测平台。核心卖点：可解释性——每个风险判定都附带结构证据（中心性异常、社群归属、资金路径图样），而非黑箱分数。

四层架构：(1) 数据层——Elliptic Data Set（203K 节点 BTC 交易图）+ TronGrid API（TRC-20 USDT 2-hop 图）；(2) 分析层——NetworkX SNA 指标（degree/PageRank/k-core/betweenness）+ Louvain 社群检测 + 诈骗图样规则（fan-in/fan-out/peeling chain 剥洋葱链）；(3) 模型层——GCN/GraphSAGE（PyG）；(4) 解释与服务层——风险证据产生器（结构证据+中文调查叙事）+ 出金审查引擎（关联追溯+风险融合+STR 草稿）+ FastAPI + Streamlit 工作台。

模型指标（Elliptic 官方时间切分，illicit 类别）：GCN F1 0.506 / GraphSAGE F1 0.620 / GraphSAGE+RMP F1 0.661 / Random Forest F1 0.806。两个文献一致结论：Random Forest 仍是最强基线（重现 Weber et al. 2019 的 RF≈0.79-0.83），reverse message passing（AAAI 2024 Multi-GNN）让 GraphSAGE F1 +4.1pp——有向交易图的入边/出边信号确实互补。消融观察：串联 SNA 特征未提升 F1（0.601 vs 0.620），GNN 的消息传递已隐含学到局部结构——SNA 在本系统的价值在可解释层（中心性百分位、社群风险占比、图样命中→人读得懂的调查叙事）。

风控视角：VASP 合规的 SNA+GNN 可解释侦测参考：(1) 出金审查引擎的合规价值——关联追溯+风险融合+STR 草稿自动生成直接对接 VASP 的反洗钱报告义务，STR（可疑交易报告）草稿自动化大幅降低法遵团队的工作量。(2) "RF 仍是最强基线"的诚实评估——在加密金流检测中，Random Forest F1 0.806 超过所有 GNN 变体——这印证了 GNN 欺诈检测领域的一个普遍发现：很多时候简单模型的强基线仍难以超越。GNN 的价值在于图结构可解释性而非纯性能。(3) 反向消息传递（RMP）——AAAI 2024 Multi-GNN 的 RMP 技术让 GraphSAGE F1 +4.1pp，证明有向交易图的入边（资金来源）和出边（资金去向）信号确实互补——这是 GNN AML 的工程优化方向。(4) 台湾 VASP 合规场景——服务台湾 VASP 业者的法遵筛查，是亚洲加密资产监管落地的具体案例。与 反洗钱-AML 的图算法检测和 风控模型 的 GNN 关联。→ GitHub

3. Sentinel (BenjaminHolderbein) — 实时账户盗用风险引擎（梯度提升模型 ONNX 导出 + TypeScript 零原生依赖 tree scorer + Vercel serverless 部署 + Neon Postgres 特征存储 + 因果 point-in-time 特征 + 等渗校准 + reason codes + 2% FPR 预算阈值 + 反馈闭环）【信号：★★★】

BenjaminHolderbein/sentinel-risk-engine（0★, TypeScript + Python + XGBoost/LightGBM + ONNX + Neon Postgres + Vercel, MIT, live demo: sentinel.holderbein.dev）是一个实时账户盗用（ATO）风险引擎——登录事件发生时即时评分。每次登录构建一组基于账户近期历史的特征，校准的梯度提升模型评分，返回风险等级 + 通俗英文原因。

架构创新——Python 训练 + TypeScript 推理：梯度提升模型导出为 ONNX 作为可移植、parity-checked 的工件，同时编译为紧凑的决策树 JSON——一个小型 TypeScript scorer 在 serverless 函数内直接遍历。无原生模块、无 wasm，极小的 bundle 随处运行。整个特征契约存在于一个文件 feature_spec.json（有序特征、分类编码、clip 边界、校准表、操作阈值），Python 和 TypeScript 双端导入，parity check 断言 TS 路径在 1e-6 精度内复现 Python 管线——无训练/推理偏差（train/serve skew）。

ML 工程深度：(1) 因果 point-in-time 特征——geo-velocity（地理位置速度）、设备/网络新颖度、最近失败尝试、账户触及的国家数、距上次登录时间——全部在评分时从特征存储在线计算。(2) ~3% 正样本的不平衡处理——scale_pos_weight + 平衡类权重 + PR-AUC 排名（非 accuracy）。(3) 等渗校准——原始梯度提升 margin 不是概率，等渗映射拟合在 held-out 切片上修正，以 256 点查找表交付。(4) 2% FPR 预算阈值——阈值不是 0.5，而是在 2% 告警预算内保持最高 recall 的点。(5) reason codes——每个分数附带规则原因（不可能的旅行、新设备、撞库等）。(6) 反馈闭环——flagged 事件可在仪表盘中确认/驳回，标签用于重训练监督。

指标（temporal hold-out）：PR-AUC 0.979 / ROC-AUC 0.999 / Recall@2%FPR 0.998 / Precision@threshold 0.78 / Brier score 0.004。

风控视角：账户盗用检测的"全 ML 工程教科书"：(1) Python 训练 + TypeScript 推理的零 skew 架构——feature_spec.json 单文件特征契约 + parity check 是消除 train/serve skew 的工程纪律——与 08-09 fraud-engine 的"冻结快照可重放"理念一致，但解决的是模型推理一致性问题。(2) ONNX → tree JSON → TS scorer 的部署链——梯度提升模型编译为决策树 JSON 由 TS 直接遍历，无需 ONNX runtime 或原生模块——这是 serverless 风控推理的极简部署方案。(3) PR-AUC + 2% FPR 预算的评估纪律——在 ~3% 正样本率下用 PR-AUC 而非 accuracy 排名，阈值基于 SOC 告警预算而非 0.5——这是风控模型评估的正确方法论。(4) reason codes + 反馈闭环的可运营设计——每个分数附原因列表，分析师可确认/驳回，标签回流重训练——这是风控模型的完整 MLOps 闭环。与 风控模型 的模型部署和 实时风控引擎 的在线推理关联。→ GitHub

4. fake-review-detection-bert-yelp (CDC1688) — Yelp 虚假评论欺诈检测基准（BERT vs LightGBM vs LSTM vs CNN-LSTM vs Naive Bayes 六模型对比 + 359K 真实评论 + 行为元数据消融 + 时间防泄露分割 + BERT 77.9% accuracy/0.766 F1）【信号：★★】

CDC1688/fake-review-detection-bert-yelp（0★, Python + TensorFlow + Keras + LightGBM + scikit-learn, MIT, 2026-08-09 新建）是一个Yelp 虚假评论检测基准项目——在 359,052 条真实 Yelp 评论上对比六种模型（Naive Bayes / 神经网络 / LSTM / CNN-LSTM / LightGBM / BERT），结合评论文本 + 评论者行为元数据 + 产品行为元数据。最佳模型：fine-tuned BERT——77.9% test accuracy, 0.766 F1。

实验设计亮点：(1) 时间防泄露分割——训练 2011 年 / 验证 2012 年 / 测试 2013 年，避免随机分割的时间泄露；(2) 行为元数据消融——添加评论者和产品行为元数据提升所有模型准确率（Naive Bayes +9pp，BERT +7pp），证明"信号既在评论语言中也在评论者行为中"；(3) BERT 数据受限而非容量受限——扩展训练集将 BERT accuracy 从 75.7%→77.9%，说明模型受数据量限制而非模型容量限制；(4) AUC-ROC 跨所有操作点对比——BERT 在所有 FPR 下均优于其他模型。

数据集：Yelp 评论数据集，经 Yelp 自己的评论过滤器标记 ground-truth fake/real。总计 359,052 条评论（2004-2015），其中 36,885 条标记为 fake（~10%）。

风控视角：虚假评论检测是营销反作弊的重要场景：(1) 虚假评论的业务危害——在线评论驱动数十亿美元消费支出，大量虚假评论由付费写手或机器人撰写以夸大或抹黑商家声誉——这是电商和本地生活平台的营销反作弊核心场景。(2) "文本+行为元数据"双信号融合——BERT 在纯文本上已强，但加入评论者行为元数据（评论频率、评分偏差、账号年龄）进一步提升——虚假评论检测不能只看文本，评论者的行为模式是更强的信号。(3) 时间防泄露分割的评估纪律——按年份分割避免未来泄露，是欺诈检测模型评估的标准做法（与 08-09 fraud-engine 的 IEEE-CIS 回测和 Sentinel 的 temporal hold-out 一致）。(4) ⚠️ 入门到中级项目（Colab notebook + Google Drive 路径），无生产部署工程化内容。与 营销反作弊 的虚假评论检测和 风控模型 的 NLP 分类关联。→ GitHub

5. realtime-payment-fraud-detection-platform (vuhung-289) — 端到端流式支付反欺诈平台（Kafka + PySpark Structured Streaming + BigQuery + Airflow + Streamlit + velocity/anomaly 窗口特征 + risk_rules 引擎 + Docker Compose 全栈）【信号：★★】

vuhung-289/realtime-payment-fraud-detection-platform（1★, Python + Kafka + PySpark 3.5.1 + BigQuery + Airflow + Streamlit + Docker, 无 license）是一个端到端流式管道——使用 Kafka、Spark Structured Streaming、BigQuery、Airflow 和 Streamlit 近实时检测支付欺诈。

数据流五步架构：(1) Event Producer——发布合成支付事件（~20 events/s）到 Kafka topic payments_raw；(2) Spark Streaming——消费 Kafka、验证/标准化模式、计算 velocity 和异常特征、应用风险规则；(3) BigQuery——持久化所有评分交易和高风险告警；(4) Streamlit Dashboard——近实时查询 BigQuery 展示欺诈率、风险分布、top 高风险用户/国家；(5) Airflow DAG——每天凌晨 2:00 运行，归档旧数据到 Parquet 并更新用户行为画像。

风控特征：velocity spikes（快速连续交易）、geo anomalies（异常国家活动）、new device + large amount（新设备+大额）。所有 velocity/frequency 特征使用窗口聚合计算。

风控视角：Kafka+PySpark 流式风控的工程参考：(1) Spark Structured Streaming 的窗口特征计算——velocity（时间窗口内同实体交易频率）和 geo anomaly 是流式风控的标准特征，PySpark 的 window+watermark 是实现方案。(2) Kafka→Spark→BigQuery 的 Lambda 架构——实时层（Kafka+Spark Streaming）做检测，批处理层（Airflow+BigQuery）做归档和画像更新——这是实时风控的经典双层数据架构。(3) risk_rules.py 规则引擎——src/common/risk_rules.py 封装了规则评分逻辑，可单元测试——规则引擎与 ML 模型的分离设计。(4) ⚠️ 合成数据（~20 events/s），无 license 文件——定位为工程学习项目。与 实时风控引擎 的 Kafka 流式架构和 风控策略 的规则引擎关联。→ GitHub

6. Payments Risk Intelligence & Anomaly Scoring Engine (ManthanB29) — IEEE-CIS 可解释风险评分框架（纯 SQL BigQuery + 时间防泄露分割 + point-in-time 累积特征 + 百分位校准风险分层 + 五支柱加权 0-100 分 + Tableau 交互仪表盘 + top 13% 捕获 40% 欺诈）【信号：★★★】

ManthanB29/Payments-Risk-Intelligence-Anomaly-Scoring-Engine（0★, Python + SQL + BigQuery + Tableau, 无 license）是一个端到端、可解释的欺诈风险评分框架——基于 IEEE-CIS 欺诈检测数据集，从原始交易/身份数据到特征工程、百分位风险评分、样本外验证和交互式 Tableau 仪表盘。核心定位：不是黑盒 ML 分类器，而是基于规则、可解释的风险评分框架。

关键设计：(1) 纯 SQL 实现——所有特征工程和评分逻辑用 BigQuery SQL 实现（sql/ 目录含 5 个子目录 ~20 个 SQL 文件），无需 Python ML 框架；(2) 时间防泄露分割——在最早的阶段（ingestion）按 TransactionDT 的 75 百分位分配 train/validation split，传播到所有下游表；(3) point-in-time 累积特征——所有 velocity/frequency 特征使用 ORDER BY TransactionDT RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW，确保不包含来自未来或自身交易的信息——防止特征泄露；(4) 五支柱加权评分——card identifiers、device/browser fingerprints、transaction behavior、missing-identity patterns、categorical flags 五个维度量化欺诈 lift、百分位分层、业务判断加权，组合为 0-100 可解释分数。

核心结果：在验证数据（权重计算期间未见过）上，审查 top ~13% 交易捕获 ~40% 欺诈，欺诈 lift 从 1.0x（无过滤）单调递增到 6.2x（top 评分交易），两个独立评估视图（分数段和风险类别）均无反转。

风控视角："纯 SQL 可解释评分"是风控工程的基础设施级方案：(1) 纯 SQL 的工程价值——所有评分逻辑用 BigQuery SQL 实现，无需 Python ML 框架，可直接在生产数据仓库中运行——这是"最低技术债务的风控评分方案"，适合作为 ML 模型的基线或规则层。(2) point-in-time 特征的防泄露纪律——RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW 确保特征不包含未来信息——这是欺诈检测特征工程的铁律，许多"高 AUC"项目因违反此规则而结果虚高。(3) 百分位校准风险分层——风险信号按欺诈 lift 量化、百分位分层、业务判断加权——这种"数据驱动+人工判断"的混合评分是风控策略的实用方法。(4) lift 单调性验证——top 13% 捕获 40% 欺诈、lift 6.2x、无反转——这是评分框架有效性的直接证据。(5) Tableau 仪表盘的 BI 桥梁——将 ML/规则评分结果嵌入 Tableau 让业务团队自主探索。与 风控策略 的评分引擎和 风控模型 的特征工程关联。→ GitHub

7. ferric-rules (plx) — Rust 嵌入式 CLIPS 规则引擎重写（Rete 算法 + deffacts/defrule/salience + 无全局状态无线程不安全单例 + 独立 Engine 实例 + C FFI 绑定 + CLIPS 兼容语义）【信号：★★】

plx/ferric-rules（0★, Rust + Apache-2.0/MIT dual, 37.3MB workspace with FFI, 83 open issues）是一个CLIPS 规则引擎的 Rust 重写——保留 CLIPS 的语言和语义（deffacts、defrule、salience、Rete 算法），去掉不适合现代应用的部分：无全局状态、无线程不安全单例、无 C 构建麻烦。每个 Engine 实例完全独立，作为普通 Rust crate 或 C 库（ferric-rules-ffi）编译。

当前功能：有序和模板事实、否定和存在模式、完整 Rete join network、带 focus stack 的模块、deffunction/defgeneric、globals、CLIPS 标准库核心（math/string/multifield/predicates/I/O）。计划中：逻辑依赖、更 exotic 的模式连接词、语言绑定（C++/Swift/Python）。

README 示例：移动应用 engagement 规则——每个 session 决定展示评分提示/升级推销/付费墙/留存优惠/无操作，规则编码产品团队优先级和约束。

风控视角：嵌入式规则引擎是实时风控的基础设施：(1) CLIPS 规则引擎在风控中的历史地位——CLIPS（NASA 1980s）是专家系统的经典规则引擎，在金融风控、反欺诈领域有悠久应用历史——Drools 和 CLIPS 同属前向链规则引擎家族。(2) Rust 重写的工程价值——无全局状态意味着可以安全地并发运行多个独立规则引擎实例（如每笔交易一个），无线程不安全单例消除了 C CLIPS 在多线程环境下的风险——这对高并发实时风控场景至关重要。(3) FFI 绑定的跨语言集成——ferric-rules-ffi 允许从 Java/Python/C++ 调用，使 Rust 规则引擎可以嵌入现有风控系统。(4) ⚠️ 非风控专用项目，是通用规则引擎基础设施——但作为 Drools/CLIPS 的 Rust 替代品，对风控规则引擎选型有参考价值。与 风控策略 的规则引擎管理和 实时风控引擎 的基础设施关联。→ GitHub

8. Tongdun 同盾科技 (api-evangelist) — 同盾科技公司画像（杭州智能风控反欺诈公司 + 小盾未来品牌 + API Evangelist 第三方画像）【信号：★】

api-evangelist/tongdun（0★, 无代码, API Evangelist 公司画像 stub）是 API Evangelist 对同盾科技（Tongdun Technology）的第三方公司画像——同盾科技是总部位于杭州的智能风控和反欺诈分析公司，目前公开产品以"小盾未来（Xiaodun Future）"品牌运营（xiaodun.com）。仓库含 README.md、apis.yml、kin/ 和 security/ 目录（画像元数据），非代码项目。

风控视角：同盾科技是中国风控行业的头部公司参考——同盾科技（成立于 2014 年）是中国智能风控领域的代表企业，提供反欺诈、信贷风控、身份验证等服务。其产品架构（设备指纹、IP 信誉、行为分析、规则引擎+ML 模型）是中国风控行业的标准范式。API Evangelist 画像是了解其公开 API 和产品定位的入口。⚠️ 非代码项目，仅公司画像元数据。与 风控策略 的行业参考关联。→ GitHub

技术趋势

行业案例

值得深入

  1. MARVIS-Agent 的七步策略开发工作流——"自然语言→可审计交付物 + 责任门人在环路"如何与我们的风控策略开发流程对比？我们当前的策略开发是否具备全链治理（数据→特征→模型→验证→策略→Vintage）的端到端工作流？
  2. ChainLens 的"RF 仍是最强基线"结论——在我们的 GNN 欺诈检测实践中，是否也观察到 Random Forest 超越 GNN 的现象？GNN 的可解释性价值（中心性+社群+图样→调查叙事）如何在我们现有的反洗钱调查中落地？
  3. Sentinel 的 Python 训练 + TypeScript 推理零 skew 架构——feature_spec.json 单文件特征契约 + parity check 如何应用到我们的模型部署？我们当前是否存在 train/serve skew 风险？