风控日报 — 2026-09-03

📊 原料：56 条入文件（GitHub 仓库搜索 41 条 + arXiv 15 条全部无关——新批次 2609.01xxx（09-01 提交日期，非缓存）：sub-Neptune 大气 Tier-2、视频基础模型时空探针、SDARE-Bench 污名对话基准、统一多模态理解-生成协同、LLM-judge 扰动分类、PTA-IRT SWE agent 评测、血管分割、Verbal RL 综述、超导邻近效应、Higgsino 暗物质、深度-1 量子扩张图、Fraenkel 猜想、自旋进动黑洞引力波、LLM 科学定律发现、结构检索表层偏差）。arXiv 全噪声小计：连续 38 期（07-17→09-03）全噪声，累计 816 条中 1 条相关，噪声率 99.9%。剔除构成：17 条已覆盖/重复（justcheckingmate、FFraud-com×2 连续三日、lucidfence、Docket-Risk、RecoverAI、ameva-sentinel、TemporalStore、weiwen-law-dsh、tongdun 厂商 stub、portfolio-risk、warden-desk、Duel-Masters、gnn-ieee、GraphGuard、SupplyChain-V2、phaas-tracker[08-14 已入图]）+ 1 个已确认恶意仓库残留不重复验证（Digressive-pulse731/fraud-detection-api[07-26]）+ 8 条域外/过薄（Climate_risk 气候 MERN、jd-capital 量化投资终端、tactical-battle-kit 游戏规则引擎、cle-code-probe AI 痕迹词藻、jolarca 电商平台代码、Hemanthyadv/muzane-1 模板残句描述、Rishabhrharit 作品集）+ 6 条同质/过薄剔除（sentinel-fraud-risk-engine 三档成本路由第 5 同质样本、FraudGuard 作品集管道、Finsheild ULB 管道族、lynxiondev README 仅 127 字节、PayGuard-AI 空仓且 agent 支付信任层概念已被 governor 覆盖、fintech-document-risk-service 过薄且证据引用概念已覆盖）。今日 0 新确认恶意仓库（09-02 后重新起算 1 日），累计维持 21 个。今日筛出 9 条新增高信号条目。今日主题是"LLM 决策边界的代数化"：agentic-finsec 把"LLM 永不决策"从架构口号写成一行可测试的代数性质——决策=发现上的 max、模型发现被钳位在 MONITOR——注入攻击的最坏后果只是多一次人工审查，并用契约测试把性质锁进 CI；同一纪律在 VAJRA 变成"程序合成策略、有界执行器落地"；AML-Graph 则给出 GNN 在 AML 侧的罕见正结果（+8pp F1，与 08-31 Elliptic 侧负结果构成场景分化的双向锚点）。

今日高信号

1. agentic-finsec (V1c99) — "LLM 永不决策"的代数化：一行 max() 把模型钳位在 MONITOR（四条检测规则并行→处置三值 CLEAR/MONITOR/ESCALATE(SAR)；决策=findings 上的 max，LLM 来源的发现被硬性钳位在 MONITOR 才进 max——"Adding a finding can raise the outcome and can never lower it"；被注入污染的模型最坏只能多造成一次人工审查，不可能放行规则升级的 case；规则单独决策与最终决策双双入档供比对；append-only hash-chain 决策轨迹；tests/contract/ 把性质当契约测）【信号：★★★】

V1c99/agentic-finsec（0★, Python, 09-03 当日凌晨建（07:29 CST）, pyproject/alembic/Dockerfile/compose/frontend/src/tests/CI 全套）是 AML 告警 triage 服务：接收银行标记的单账户交易，四条规则并行评估，产出 clear/keep-monitoring/escalate-to-SAR 三值处置，每次运行写 hash-chained 决策档案。README 自述"the important decision in this design is the position of the language model"：模型写合规官要读的笔记、可以请求复核，但不许定案——定案是 findings 有序枚举上的 max，模型来源的 finding 在 max 之前被限到 MONITOR。作者明说这是"a property of one expression and not of the model behaving well, so it can be tested instead of promised"——tests/contract/ 正是这么做的，且轨迹同时存"仅规则决策"与"最终决策"供分析师不读源码即可核对。

风控视角："LLM 永不决策"谱系（08-27 governor 架构隔离→09-02 mule-meshhunter 证据 schema→今日代数钳位）的关键跃迁：约束第一次写成一行可测试的代码性质——max-lattice 单调性让 LLM 的失败模式只有一种方向（多花人力），不可能造成资损方向的事故；提示注入的爆炸半径被结构性限制在"一次多余的人工审查"。国内落地对应：决策融合层的"信号源权限表"（每类信号源可投出的最高处置等级）、契约测试进风控 CI、hash-chain 轨迹对应监管的决策可重放要求。与 实时风控引擎 的决策融合和 风控归因 Agent 项目 的证据约束直接同构。→ GitHub

2. VIS_mini-bank (d3m1d0s) — Java 17 无 ORM 银行系统的风控教学样本（规则化风险检查+独立欺诈复核工作流（分析师调查/备注/approve-decline）；OTP 支付授权+取消+日限额追踪；手写 Unit of Work/Identity Map/Lazy Loading；乐观锁贯穿账户/转账/欺诈告警；参数化 JDBC+事务写；JUnit5+Mockito+Vitest+CI；专属欺诈复核前端 minibank-fraud-web）【信号：★★】

d3m1d0s/VIS_mini-bank（0★, Java 17/Spring Boot/PostgreSQL/JDBC/React+TS, 2025-12 建→09-02 推送, 3.4MB, MIT, docker-compose 一键起）把"风控长在银行系统哪里"做成完整可跑的教学系统：付款创建→规则化风险检查→高风险进欺诈告警→分析师在独立工作台调查（备注/approve/decline）→OTP 授权与取消。工程亮点是无 ORM 硬写持久层模式（UoW/Identity Map），且乐观锁把欺诈告警也纳入并发保护（告警被两人同时处理时不丢更新）。

风控视角：账户/支付面的 Java 原生风控参照（继 09-02 accountshield Java 四值决策后本系列第二例 Java 重样本）：规则检查→人工复核工作流→OTP 步升授权的最小完整链路；"欺诈告警的乐观锁"是国内核心系统改造的高频真实问题；无 ORM 手写 UoW/Identity Map 亦是 Java 八股的活体样本。⚠️ 教学定位、无 ML 评分层、规则逻辑较基础。与 实时风控引擎 的复核工作流和 反欺诈体系 的 OTP/步升相关。→ GitHub

3. adaptive-merchant-risk-engine (Spgamester) — 全局模型 vs 商户级行为基线的双轨对照（"₹20,000 对不同商户含义不同"的问题框架；全局 LightGBM 检测 × 商户特定行为异常评分两层互补；FastAPI 实时评分+React 台+解释+审计日志；held-out 评估；Status 徽章诚实标"Research Prototype"）【信号：★★】

Spgamester/adaptive-merchant-risk-engine（0★, Python/FastAPI/React, 09-02 建当日, README 15.9KB, Razorpay AI Buildathon 2026 Track 02）把商户维度自适应做成主叙事：同一笔交易在不同商户语境下异常度完全不同（Merchant A 均值 ₹300 vs Merchant B 均值 ₹20K），全局检测器与商户级行为基线是互补双轨而非二选一。backend/frontend/models/artifacts 分层完整。

风控视角：商户维度是收单/平台风控的第一维——国内收单侧"商户画像+商户级基线"是标准做法，但开源界少见把它做成全局 vs 商户级对照实验的样本：全局模型抓共性模式、商户级基线抓个体偏移，两层分数怎么融合正是决策融合层问题（与今日 agentic-finsec 互补：一个管信号源权限、一个管商户语境）。⚠️ 竞赛作品、0★、held-out 评估口径未展开、营销密度中等。与 反欺诈体系 的商户维度和 风控策略 的基线设计相关。→ GitHub

4. AML-Graph-Fraud-Detection (tshah89) — GNN 在 AML 侧的罕见正结果：+8pp F1（IBM 合成 AML 数据集（HI-Medium）；GraphSAGE(dim=128) out-of-sample F1 0.7599（precision 70.15%/recall 82.90%）vs 表格 MLP 基线 ~0.68；严格未见 stratified 20% holdout（67,046 笔）；PostgreSQL 建图+PyTorch Geometric；16GB RAM 本地可跑；0.79 运营阈值明示）【信号：★★】

tshah89/AML-Graph-Fraud-Detection（0★, Jupyter/Python, 09-02 建当日, requirements/notebooks/src/models）把"表格基线升级成图"的完整对照做出来了：smurfing/multi-hop pass-through 本质是关系型模式，表格模型逐笔孤立评估天然盲区；GraphSAGE 学拓扑现金流签名，在未见 holdout 上 F1 从 ~0.68 提到 0.76。方法论干净：strictly unseen holdout、明确运营阈值、公开基准可复现。

风控视角："图模型什么时候值得上"的场景分化答案：08-31 TusharB 在 Elliptic 上给出 XGBoost>GNN 的负结果，今日在 IBM HI-Medium 上给出 GNN>表格 +8pp 的正结果——两个对照合起来指向"图的增益取决于洗钱拓扑是否是主要信号"（HI-Medium 的 smurfing/pass-through 拓扑强、Elliptic 的交易图拓扑弱），图风控面试论述题从此有双向实验锚点。⚠️ 合成数据、单日新仓自称 production-ready 偏营销、单基准。与 图风控 和 反洗钱-AML 直接相关。→ GitHub

5. vajra (Akshxx) — tribunal 辩论 + 程序合成策略的支付防御（Razorpay AI Buildathon Track 2；webhooks→Kafka→Redis/ClickHouse 特征存储；Fraud VAJRA（因果 KG+反事实+环检测）/Chargeback Defense（tribunal 辩论引擎+策略合成）/Audit Ledger（不可变+合规查询）三分支；Policy Executor：有界工作流+熔断+人工升级；neuro-symbolic causal graph + program-synthesized executable defense policies）【信号：★★】

Akshxx/vajra（1★, Python, 09-02 建当日, pyproject/Dockerfile/compose/monitoring/Makefile, railway 可部署）的架构叙事是"多 agent 法庭"：欺诈判定由辩论式 tribunal 产出、防御策略由程序合成生成可执行产物（策略即代码）、执行器用有界工作流+熔断+人工升级兜底；因果 KG+反事实推理做归因、环检测做团伙。

风控视角："LLM 产出策略、确定性执行器落地"与今日 agentic-finsec 的 max-lattice 是同一纪律的两端——决策端钳位模型权限 vs 策略端让 LLM 写策略代码但执行器有界，agentic 治理线的产品形态日渐清晰。tribunal 辩论对应国内"多专家会审"的产品化，program-synthesized policies 对应"规则自动生成+人工审核发布"流程。⚠️ 竞赛作品、README 里 Buildathon 2024/2026 年份标注混乱、1★、策略合成的安全性论证未见。与 风控归因 Agent 项目 的执行边界和 风控策略 的规则生产相关。→ GitHub

6. tmforge (Hacks4Snacks) — 威胁建模即代码：CI 级规则引擎的跨域参照（Microsoft Threat Modeling Tool 的开源跨平台继任者；.tm7 字节级无损互操作；STRIDE 完整性/输入校验/数据保护等规则包；SARIF 输出+CI gate；git 语义 diff/三路 merge；浏览器 WASM Studio（模型不出页面）+CLI+HTTP API；--json 稳定版本化 envelope；release-please 发布工程）【信号：★】

Hacks4Snacks/tmforge（0★, C#/.NET 10, 07-06 建→09-02 推送, 4.7MB, MIT badge（license 字段 NOASSERTION）, action.yml+release-please+StyleCop 治理全套）是安全威胁建模工具链：模型住 git、规则包校验、SARIF 出报告、CI 按结果卡门，WASM 版模型全程不出浏览器。

风控视角：规则引擎治理的跨域镜子：rules-as-code+语义 diff+三路 merge+CI gate+SARIF 结构化输出——这套"规则资产化"工程正对应风控规则治理的版本管理/灰度发布/审计报告需求，--json 稳定版本化 envelope 的命令接口设计可直接抄进自研规则平台清单。域外（安全威胁建模≠金融风控）仅取治理模式。⚠️ 与金融风控场景距离较远、0★。与 风控策略 的规则治理相关。→ GitHub

7. GangZero/AegisGraph (ommahajan0208) — Mastercard 赛题第三样本：GNN 红蓝+调查台（Mastercard Innovation Challenge 2026；Elliptic 全量 dashboard（203,769 节点/49 time steps）；GNN 风险分+特征归因；3-hop Network Explorer（illicit/licit/flagged/unknown 着色）；Fraud Ring Explorer（按 illicit 数排序的预检簇+交互子图）；GraphSAGE vs GAT 头对头+混淆矩阵（held-out steps 35-49）；对抗攻击建模+实时子图分析）【信号：★】

ommahajan0208/GangZero（1★, Jupyter/Python, 08-28 建→09-02 推送, 9.9MB, Apache-2.0, backend/frontend/notebooks/docs）是同赛题（09-01 GAUNTLET、09-02 LiveFire 之后）的第三个 Mastercard 样本，GNN 视角答案：红队侧做 GenAI 对抗攻击建模模拟，蓝队侧 GNN 检测+全功能调查 dashboard。

风控视角：同题三答案的谱系补全：RL 闭环（GAUNTLET）→参数化闭环（LiveFire）→GNN 红蓝+调查台（AegisGraph），三份作品的分工方式差异本身就是"对抗评估怎么组织"的一手素材；Ring Explorer 的"预检簇+交互子图"是图调查工作台的 UX 参照。⚠️ 竞赛语境、1★、GenAI 攻击建模部分实际深度待验（README 截图以蓝队 dashboard 为主）。与 图风控 的调查台和 反欺诈体系 的对抗评估相关。→ GitHub

8. qalqan-ai (Kennurken) — 哈萨克斯坦多通道反欺诈 national-scope 样本（钓鱼/电话诈骗/金融金字塔/非法赌博/采购欺诈五类；浏览器扩展+移动 PWA+Telegram bot 三通道；homoglyph 品牌仿冒检测（西里尔 а 仿冒 Kaspi）；typosquat 雷达；HIBP 泄漏查询；采购欺诈图（goszakup 公共数据）；监管 dashboard+威胁地图；三语）【信号：★】

Kennurken/qalqan-ai（0★, Python, 09-02 深夜建, master, 37 个根文件：extension/api/ml/tests/deploy/website）值得看的是欺诈类型广度——非支付类欺诈（电话诈骗/金字塔/赌博/采购欺诈）+ homoglyph/typosquat 检测细节 + 公共采购数据（goszakup）的欺诈图分析，是罕见的发展中国家 national-scale 反欺诈样本。

风控视角：非支付欺诈面的类型学补充（国内反诈场景同构：电话诈骗/ pyramid/采购围串标）；homoglyph 检测（西里尔字母仿冒拉丁品牌）对品牌保护与钓鱼拦截直接可用；采购欺诈图分析对标国内招投标围标串标识别。⚠️ README 营销指标（97% 准确率/F1 0.98/零误报）无验证口径、单日新仓、审计文件日期早于建仓日期（模板生成痕迹）、0★。与 反欺诈体系 的钓鱼/品牌保护相关。→ GitHub

9. project-sentinel-aml-analytics (hpontheway) — SQL 实现的 AML typology 检测模板（structuring/smurfing：单周 3+ 笔 $8,000–9,999 存款（低于 $10k CTR 申报阈值）标记；pass-through/mule：大额入账 48h 内近等额出账；复合风险分（PEP+KYC 评级+征信逾期+交易量）；watchlist 精确+模糊匹配；SQL+Tableau+Faker 合成数据）【信号：★】

hpontheway/project-sentinel-aml-analytics（0★, SQL/Tableau, 09-02 建当日, sql/tableau_data/dashboard_screenshots, 仓库≈0KB）把 AML 合规分析师的典型工作流做成 SQL 模板：CTR 阈值之下的 structuring 窗口检测、水房 pass-through 时窗对账、KYC+征信混合风险分、PEP/OFAC watchlist 匹配，并复制了从原始交易→typology 检测→风险排序→case 升级的分析师全流程。

风控视角：AML typology 的 SQL 教科书：structuring 阈值窗口与 pass-through 时窗是反洗钱面试高频题（"怎么用 SQL 找拆分存款/水房账户"），此处有可直接改写的检测逻辑与合成数据生成脚本；分析侧样本与今日 GNN/triage 工程样本形成 AML 的层级对照。⚠️ 合成数据、Tableau 展示为主、无实时层。与 反洗钱-AML 的 typology 相关。→ GitHub

技术趋势

  • "LLM 决策边界"从口号到代数：agentic-finsec 用 max-lattice 单调性把"模型只能加人、不能减损"写成一行可测试性质（契约测试锁进 CI），注入攻击最坏后果=一次多余人工审查；VAJRA 的 program-synthesized policies 让 LLM 写策略代码但执行器有界——治理线（governor→证据 schema→代数钳位）三连之后，"LLM 权限的形式化"成为新分水岭。
  • GNN vs 表格的场景分化有了双向锚点：AML 侧 GraphSAGE +8pp F1（IBM HI-Medium，拓扑强）vs Elliptic 侧 XGBoost>GNN 负结果（08-31）——"图有没有用"正在变成"哪种洗钱拓扑用图"。
  • 商户维度自适应：全局 LightGBM × 商户级行为基线双轨对照（Razorpay 族），收单侧"商户画像+个体基线"的开源实验样本。
  • 规则治理跨域参照：tmforge 的 rules-as-code+语义 diff+三路 merge+SARIF+CI gate——规则资产化工程的完整镜像（对照 09-02 Osprey 的规则语言光谱，治理侧补全）。
  • 竞赛族持续产出：Razorpay AI Buildathon Track 2 三日累计 5 样本（Docket/mule/adaptive/sentinel[同质未入]/vajra）；Mastercard 挑战赛第三样本 GangZero——同一赛题多次出现的"多答案对照"本身就是评估方法论素材。
  • 恶意仓库威胁面：今日 0 新增（残留 1 条跳过复验），in-repo zip 与关键词诱饵模式均未现新变体。
  • arXiv 连续 38 期全噪声：新批次 2609.01xxx（非缓存）仍 100% 域外，累计 816 条中 1 相关（99.9%）。

行业案例

  • Razorpay AI Buildathon Track 2（AI Risk Manager）：adaptive-merchant（商户自适应）与 vajra（tribunal+策略合成）两个新样本
  • Mastercard Innovation Challenge 2026：GangZero/AegisGraph 为第三样本（GNN 红蓝+调查台）
  • 哈萨克斯坦 national-scale 反欺诈：qalqan-ai 的五类欺诈×三通道×goszakup 采购数据
  • IBM 合成 AML 基准：HI-Medium 子图上的 GNN/表格对照（AML-Graph）

值得深入

  1. agentic-finsec 的 tests/contract/ 契约测试集与 adjudicate() 实现——发现级权限钳位的测试模板，决策融合层可移植。
  2. AML-Graph 的 PostgreSQL 子图抽取策略——16GB 本地约束下从 HI-Medium 全量交易构建高密度子图的具体做法。
  3. VIS_mini-bank 的欺诈复核工作流实现（minibank-fraud-web + 告警乐观锁）——Java 无 ORM 风控领域的参照实现。
  4. vajra 的 program-synthesized defense policies 产物形态——"策略即代码"的生成/审核/执行边界设计。