一、项目背景

依照《中华人民共和国反洗钱法》及《金融机构大额交易和可疑交易报告管理办法》（中国人民银行令(2016)第3号）相关规定，我行建设了反洗钱系统，并设计了反洗钱客户甄别的基本工作流程。

我行反洗钱系统有“疑似诈骗监测模型”“信用卡套现”“疑似地下钱庄监测模型”等92个反洗钱预警模型。目前的反洗钱客户甄别工作模式是“系统预警+人工甄别”，即反洗钱系统每日会根据客户的基本信息和账户的交易信息运行预警模型，若触发预警规则，则形成待人工甄别任务，并推送至业务人员工作台。业务人员在进行人工甄别时，主要需要完成以下四点工作：一是查询客户基本信息和风险等级；二是开展尽职调查；三是统计该客户近一年交易情况；四是根据“客户敏感时段交易多”“客户交易对手涉及省外多地市”等21条人工甄别规则进行疑点分析，得出甄别结论。

当前人工甄别过程主要存在三个方面的问题：一是甄别工作量大，目前日均推送的待甄别客户达几十余户，高峰期可能达到几百上千户，平均每完成一个客户的甄别大约需要40分钟；二是不同业务人员的甄别标准存在偏差，未系统性形式化定义人工甄别标准，如对“较多”“金额较大”等模糊标准判定不一；三是不同业务人员输出的甄别报告不统一，报告结构和内容表达存在差异，下游理解成本变高，且一些需要体现的关键要素可能遗漏。

针对以上问题，我们旨在构建可以统一可疑交易报送标准和风险点，优化甄别报告，做到降本增效的AI甄别助手。本项目利用大模型能力作为基座，结合反洗钱甄别业务规则设计自动甄别流程，主要适用于反洗钱可疑客户的甄别场景，面向行内反洗钱相关业务部门的甄别人员开放，辅助业务人员进行可疑客户和交易的甄别及报告撰写，要求AI助手输出结果能够基本达到直接应用和上报水平。

二、项目方案

本项目将我行的行社应用数据云作为源数据供数支撑平台，能保障数据每日自动跑批更新和预处理，并推送至应用平台。整个甄别助手工作流程基于私有化部署的Dify 搭建，语言模型基座使用的是私有化部署在4张NVIDIA Tesla V100 GPU的DeepSeek-R1-0528-Qwen3-14B，利用Xinference 服务化后嵌入Dify平台进行使用。

图1 反洗钱预警客户AI甄别助手整体工作流程

AI甄别助手每日会通过行社云，获取行内大数据仓库中的预警客户名单信息、客户基础信息、交易明细信息等，并将这些信息经过加工后存入自定义的数据库，该数据库可以被Dify平台直接访问，对应图1“数据准备流程”。其中数据加工过程主要是为下一步甄别信息提取做准备，如客户民族、客户职业等信息的码值映射；交易对手开户行所在的行政区划代码判断及映射等，为提升“指定客户甄别流程”的效率，尽量将数据加工成下游直接可用的状态。考虑到存储资源和计算资源的合理利用，及数据使用的局部性，这里获取的数据范围是30天内触发过反洗钱系统预警规则的客户，及这些客户近一年的有效流水。

用AI助手进行甄别时，甄别业务人员输入待甄别客户的客户号，AI助手首先判断该客户号是否在客户池内，若在便进行后续的甄别信息查询和处理，及报告内容的组织和生成。模块⑦是业务人员整理的细化的人工甄别规则，一般描述为“客户敏感时段（0点至6点）交易数多（10笔以上）”；“交易对手涉及省外多地市，一日内达3个省外地市或一周内达5个省外地市”等，共计21条规则。这些规则在描述上需进行量化，在模块⑧中我们针对每条规则设计SQL脚本从预先准备好数据的自定义数据库中进行查询，获取甄别所需的关键内容。我们将所有查询结果输入到模块⑨大模型中，由大模型给出分析过程和甄别结论。针对不同的甄别条目，prompt一般设计为“你是一个数据分析及反洗钱业务专家，你可以根据有问题的流水数据，将它通过文字的方式总结进行总结。针对……问题，流水查询结果为……。输出格式为，该客户存在/不存在……的问题，具体表现为……”。

最后将进行甄别报告内容的组织。报告主要由四部分组成：一是客户基本情况，一般描述为“姓名、证件号、民族、性别、职业、行内账户”的直接陈述语句，这部分不需要大模型组织 ，从自定义数据库中查出结果通过规则拼接即可；二是尽职调查情况，如“我行员工电话联系客户核实交易情况,客户回答此卡长时间未使用，后又表示用于买卖游戏装备”，这部分由尽调人员直接填写，不需要大模型组织；三是交易情况统计，主要是对可疑客户近一年的交易情况进行分类汇总统计，并将统计结果直接呈现，仍不需要大模型组织；四是甄别分析过程及结论，将21条由大模型输出的甄别结果嵌入到报告中。至此便完成了一个客户的AI自动甄别流程。

三、创新点

（一）业务创新点

本项目对日常业务工作进行了高度抽象和整合。一方面，既保留了业务必要的各类元素和核心工作流，保证甄别助手投产辅助或替代人工甄别的业务产出无感性，又利用科技手段提高业务工作质效，充分将数据平台和AI平台的能力运用到日常业务工作中。另一方面，在实现科技赋能业务的过程中也能发现非标准化业务规则的矛盾和漏洞，反过来完善业务逻辑，提高标准化和准确性。通过以上两个方面实现业务完备、质效提升、要求规范的多维度优化，最终提高金融服务效能。

（二）技术创新点

本项目充分利用和发挥了前沿技术和工具的价值，避免了重复“造轮子”的工作，快速投入到业务赋能的探索中，例如通过Dify平台，使用低代码模块化节点实现业务逻辑，既可以专注于业务逻辑开发，低成本快速响应业务需求，又方便快速迭代和扩展，以适应业务政策变化。

此外，本项目在不抛弃安全性和可控性的基础上，打通了行内数据服务平台和私有化部署AI平台之间的数据交互链路，解决了对前沿技术的应用探索时，缺乏真实数据和真实业务场景支撑；而对行内业务数据进行分析和挖掘时，又缺乏前沿技术工具赋能的矛盾。

四、技术实现特点及优势

从系统架构设计上，AI甄别助手技术特点及优势主要体现在技术选型和数据链路两个方面。

图2 反洗钱预警客户AI甄别助手技术架构图

图2所示技术架构主要优点包括三点：一是安全可控。首先，整个数据链路不会和外网存在任何交互，极大杜绝了外部网络攻击和数据泄露风险。其次本地代码部署能利用工具进行代码审计，进行安全评估，极大杜绝了代码漏洞和病毒的侵入。二是便捷迭代。无论是优化迭代还是增量扩展，开发人员无需关心底层数据来源和平台部署方案，专注于甄别信息的查询和甄别逻辑的开发即可。且Dify本身作为低代码平台，开发人员可以主要关注较上层的工作流程，而不是底层单元功能的实现逻辑。三是运行维护简单。甄别助手是松耦合状态，各模块相互独立。

图3 反洗钱预警客户AI甄别助手数据架构图

本项目的数据源获取来自行内各业务系统，源数据经行内批量计算引擎初步加工处理后，推送至行社数据应用平台。AI甄别助手所依赖的数据加工逻辑及任务调度由行社数据应用平台完成。对于单客户甄别任务，AI助手仅需在已完成全部预处理的数据上进行，从客户范围、数据范围均已简化，性能达到可用水平。数据获取和加工的批处理过程，与甄别的流式处理过程相互独立、并行，而又统一完成从预警到甄别的业务全流程，保证了整个助手的安全、性能及可控。

五、项目过程管理

六、运营情况

反洗钱预警客户智能甄别助手于8月14日正式在巴中农商银行投产试点运行，我行同步开展了对全省农商行的推广，计划于10月中旬完成第一轮迭代优化后，开展第二批次试点运行，于12月份完成全省推广和部署。截至目前AI甄别助手已在巴中农商行试点运行40天，甄别可疑客户800余户。系统从开始运行至今，整体运行稳定，无重大风险漏洞事件和重大业务风险，并且整体性能基本满足当前业务要求。受大模型所依赖的GPU算力限制，若要保证甄别任务响应时间在可接受范围（3 min）内，试点系统可支持的并发数最大为4，仅能满足一个农商行机构的日常使用。考虑后续省推广和部署，我们在加大算力的同时引入了batch inference的方案，当前可支持100并发数。

七、项目成效

反洗钱预警客户智能甄别助手的实用成效主要体现在以下三个方面：

一是极大提高渠道与运营部的甄别效率。以往手工甄别并撰写甄别报告耗时平均约40分钟一户，而AI甄别助手2分钟左右即可完成甄别过程及报告的生成，对于AI生成的内容可能需要人工检查审核，总耗时不超过5分钟一户，效率提升约8倍。业务人员可以减少在日常甄别任务的精力和时间投入，更加专注于业务政策的研究和对金融服务更深层次的思考。

二是甄别标准更加严格统一。以往不同业务人员的甄别标准存在细微差异，可能带来一定的甄别准确度风险。而AI甄别助手的甄别标准及一些定量的属性阈值是配置化的，一旦标准固化，AI助手就只会用一个标准甄别所有客户，避免了人工甄别带来的差异，确保了上报的甄别结论准确且一致。

三是甄别报告行文结构和内容更加稳定。类似第二点，人工甄别带来的另一个问题便是撰写甄别报告，文档化甄别结论时，不同业务人员侧重点可能不同，报告结构可能存在差异，需要表达的关键要素存在遗漏风险。而AI助手受prompt设计限制，固化了甄别报告的结构和内容侧重点，下游审核报告或上报报告时，对报告结论的理解更加容易。

八、经验总结

本项目使用“开源技术+本地化部署+业务场景驱动”的路径，搭建反洗钱预警客户智能甄别助手，该方法完全可以迁移至其他业务场景，如贷款尽调报告自动撰写、贷款自动审查等。利用成熟的平台和工具，结合业务场景个性化需求，全面激活“AI赋能的新质生产力”。

甄别助手的开发和投产过程中，我们也发现了一些需要进一步优化迭代和深入探索的方向，如是否可以考虑构建交互式AI甄别助手。当前AI甄别助手工作模式是每日跑批准备数据，用户输入客户号对指定客户进行甄别，后续希望可以构建更加灵活多变的工作模式，可以以对话形式要求助手完成指定工作，例如可以输入指令让助手“罗列今天需要甄别的客户”“纠正以上甄别过程中的某项错误”“只统计某客户的交易情况，不进行反洗钱甄别”等。