做风控的人有个共同体会：系统不是抓不到可疑的人，而是抓不准。规则写宽了，真坏人从缝里溜过去；规则写严了，正常用户天天被拦。而每一条被误拦的请求背后，都站着一个正在下单、转账或者登录的真人。
很多团队现在想让 AI Agent 来分担这件事，方向是对的，但常见两种错法：一种是把它当成「升级版规则引擎」，把原来那几十条规则换个说法重新写一遍；另一种是把它当成最终裁判，让它直接决定冻结谁——这一步越界了。
先把这篇在站内的位置说明白：OpenClaw 分流规则怎么写 讲的是「低风险自动跑、高风险先确认」这条审批思路；AI Agent 权限管理 讲的是「Agent 自己能动哪些东西」；治理垃圾评论与恶意提交 管的是内容层的恶意。这一篇讲的是另一件事：怎么判断一笔交易、一次申请、一个行为本身是不是恶意的，以及判断出来之后人和机器该怎么分工。
一、风控判断的不是一个点，而是三类信号
很多风控模型效果不好，是因为只盯着一类信号。真正在用的判断，一般来自三个方向，而且它们互相补位：
- 规则命中。最直接的一类——单笔金额超限、深夜异地登录、短时间高频下单。它的优点是快、可解释、能当场拦；缺点是黑产一旦摸清阈值就会绕。
- 行为序列。不看单点看顺序——先改绑手机号再大额提现、注册后立刻领券下单、浏览路径明显不像真人。这一类是规则拦不住的，因为它判的是「动作的组合」。
- 关联网络。把设备、收货地址、支付账号、注册时间这些字段连起来看，同一个人换十个账号做的事，在图上就是一个团伙。这是风控真正的杀手锏，也是规则和单点模型最难替代的一层。
三类信号的权重是随业务变的：支付类业务看关联网络更重，内容类业务看行为序列更重。所以第一件事不是选模型，而是先想清楚「我这个业务，坏人最怕被看到的是什么」。
二、规则、模型、名单，三样东西各管一段
这三样不是互相替代的关系，而是接力：
- 名单先过一遍。明确的黑名单直接拦，明确的白名单直接过——名单的作用是把最不费脑子的那部分先处理掉，省下算力。
- 规则做硬边界。监管红线、业务死规则这类没有商量余地的，交给规则，因为它可解释、可审计、可复现。规则不适合判模糊的事。
- 模型判模糊地带。哪些是「有点像但不确定」的，才是模型的战场。让它输出一个风险分，而不是一个「是/否」。
这里有个很实用的做法：让模型在给风险分的同时，把「主要依据哪一两个信号」说出来。这不是给人看的装饰，而是复核时的抓手——审的人扫一眼依据，就知道这分是靠不靠谱。
三、实时和离线怎么分工
这一条最容易被忽略，但它直接决定成本和体验：
- 实时链路只做「快决定」。下单、支付、登录这些必须几百毫秒内出结果的场景，只跑轻量规则和名单，重模型往后放。
- 离线链路做「慢而准」。跑完整的行为序列和关联网络，把当天识别出的可疑簇补进名单，供第二天实时链路用。
- 两者要能对上账。离线判出来「昨天这批其实有问题」，要能回溯到当时实时是怎么放过去的——这条断掉，风控就永远不会进步。
换句话说，实时链路负责止损，离线链路负责长记性。
四、人机分工：分档、初筛、终审
AI Agent 在风控里最合理的位置，不是裁判，而是把有限的注意力分给最该看的那部分。按风险分三档：
- 低风险 → 直通。不进人工，但必须进抽样复核（否则你永远不知道放过了什么）。
- 中风险 → 待确认。这是 AI 帮人省时间的主战场：把原始数据、命中依据、历史记录一次性摆齐，人只做一次判断。
- 高风险 → 冻结并转人工。冻结这类动作要谨慎，宁可先限流（比如要求二次验证）而不是直接封号。
关键的一条边界：AI 只做初筛和建议，终审权永远在人手上。尤其是封号、冻结资金、列入黑名单这类不可逆的动作，必须有明确的人和明确的责任。转人工的方式可以参考 转人工队列怎么设：队列里要带上风险等级和处理时限，别让高风险单子排在中风险后面。至于放行后怎么抽检，人工复核抽检怎么做 那套分层思路同样适用。
五、误杀和漏杀，代价是不对称的
风控里最容易被讲错的一句话是「追求准确率」。实际业务里，误杀和漏杀的代价往往差好几个量级：误杀一个好用户，他可能直接流失，还带走一部分口碑；漏过一笔欺诈，公司认赔。
所以阈值不该由算法决定，而该由业务决定。做法是：先把两类错误的成本各自算清楚（一次误杀意味着多少流失、一次漏杀意味着多少损失），再倒推该把线划在哪。同样 90% 的准确率，落在不同的误杀漏杀结构上，商业价值可能完全相反。
还有一个现实约束：用户体验是硬指标。风控规则每收紧一次，就有一批正常用户被多问一次。这笔账要提前算进阈值里，而不是等客诉上来再回头松。
六、判定要能解释，处置要能追溯
风控和别的 AI 场景不太一样的地方在于：它经常需要事后被检查。监管来问、客户来申诉、内部复盘，都得能回答「当时为什么这么判、依据是什么、谁签的字」。
两条最低要求：一是判定依据要落地成字段，命中哪条规则、哪个模型打了多少分、关联到哪个簇，都要存下来，审计查询字段怎么设计 里那套思路正好用得上；二是处置结果要留证据包，光留一个「已拦截」是不够的——原始数据、判定依据和处置动作要能一起还原，证据包怎么留 讲的就是这件事。
另外别忘了合规这条线：风控会大量使用个人信息，采集范围、留存期限和脱敏要求都要提前定，个人信息处理怎么合规 那四道闸在这里同样适用。
七、黑产会适应，规则得定期回看
风控是个持续对抗的过程，不是一次上线就完事。三个必做的动作：
- 定期看规则衰减。一条规则刚上线时拦截率高，过一段时间就掉下来——不是坏人变少了，是它们学会了绕。
- 把漏杀样本回炉。被确认的欺诈案例要能回到模型和规则里，否则同样的手法还会再骗一次。
- 盯「新出现的簇」。关联网络里突然冒出来的小团伙，往往是最早的信号，比等它做大再处理划算得多。
八、五个常见的坑
- 把 AI 当成升级版规则引擎。只让模型复述已有规则，等于花了大模型的成本做规则的事。
- 让 AI 直接做不可逆的处置。封号、冻结这类动作交给机器自主决定，出事没人兜得住。
- 只优化准确率，不算两类错误的成本。模型指标好看，业务反而更亏。
- 实时和离线各干各的。两条链路对不上账，等于永远在重复踩同一个坑。
- 不留溯源。申诉来了、监管问了，只能拿出一句「系统判的」——这在风控场景里等于没做。
九、适合谁用，不适合谁用
适合：交易、支付、信贷、电商、内容平台里已经有基本规则体系、但人工审查量压不住的团队；数据量到了「规则不够用、又请不起大规模风控专家团队」这个阶段，用 AI 做初筛 + 人做终审的性价比最高。
不太适合：业务量还很小、每天几十笔的场合——这时候把规则和人盯清楚就够了，上模型反而增加维护成本；以及涉及资金处置、法律责任认定这类必须由专业人员终审的场景，AI 只能做辅助。
总结
用 AI Agent 做风控与反欺诈，真正值钱的地方不在「模型多准」，而在把规则、行为、关联三类信号串成一条判断链，再用分档把人放到最该去的位置上。误杀和漏杀的成本要提前算清，判定依据和处置证据要能还原，规则要定期回看。这四件事做到，AI 才算真的帮上了忙——不然它只是把原来那套规则，用更贵的方式又跑了一遍。
