用 TigerGraph+MCP 构建自主欺诈调查 Agent

1. 问题：现代欺诈中的关系盲区

传统欺诈引擎将 incoming 交易作为关系数据库中的单一、孤立行进行评估。问题在于：有组织的金融犯罪很少孤立发生。现代欺诈团伙严重依赖合成身份、分布式钱骡网络和共享硬件基础设施。

从表面看，一笔 75 美元的孤立交易看起来很正常。然而，查看网络拓扑后会揭示真实情况：多个账户从完全相同的硬件指纹进行身份验证，迅速将资金层层叠加到一个共同的受益人集群中。

为了弥合这一差距，我构建了一个由 TigerGraph 和标准 Model Context Protocol（MCP）接口支撑的自主欺诈调查 Agent。

2. 架构概览

系统在三个相互关联的层中运行：

[ Case Trigger / CSV Pack ]            │  ▼
[ app.py / agent.py ] ◄─────────────► [ TigerGraph Client (tg_client.py) ]
                                     │                    │
                                     ▼                    ▼
[ MCP Server (mcp_server.py) ] ──────► [ Graph Query & Traversal ]
    ├── Risk Scoring & Feature Extraction
    ├── Prior Case History Matching (closed_cases_history.csv)
    └── Next-Best-Action (NBA) Policy Routing
                                     ▼
[ Evaluation Results (cases/HHG-001.json - HHG-020.json) ]
    ├── Structured SAR Filing Determinations
    ├── Exposure Calculations & Approval Routing
    └── Executive Forensic Summaries

TigerGraph 层：存储异构金融图谱（账户、设备、IP 地址、交易、商户）并运行实时多跳邻居遍历。

MCP 决策引擎：通过类型化工具接口向 LLM Agent 暴露确定性图查询、特征提取工具和历史查找例程。

自主 Agent 循环：评估信号、提出两阶段 Next-Best-Actions（NBAs）、编制监管 Suspicious Activity Reports（SARs），并将调查结论写回图谱。

3. TigerGraph 如何驱动调查

TigerGraph 在管道中扮演两个关键角色：

A. 深度链接图内省

当欺诈警报触发时，Agent 查询 MCP 服务器，后者调用参数化 GSQL 查询来追溯最多 2-3 跳的路径：

设备和身份共享：发现账户的设备指纹或 IP 地址是否在其他被标记账户中出现过。

资金流向分析：检测循环路由、速度峰值或向新关联受益人的快速资金分散。

由于 TigerGraph 使用原生并行处理（MPP），这些多跳子图以亚秒级延迟返回，为 Agent 提供实时关系上下文。

B. 闭环：图内案例持久化

如果输出仍被困在静态日志中，调查就不完整。Agent 将整个案例记录持久化回 TigerGraph：

• 创建 FraudCase 顶点
• 绘制到受影响账户和设备的 ASSOCIATED_WITH 和 FLAGGED_DEVICE 边
• 直接在图上存储风险评分、调查员决策和 SAR 引用标签，以便未来的 Agent 运行立即从历史发现中受益

4. 已实现的 Agent 能力

两阶段 Next-Best-Action（NBA）策略引擎：

• Stage 1（证据前）：在收集初始数据时提出最小摩擦操作（例如，增加生物识别提示、一线运营人工核查）
• Stage 2（证据后）：在收到二次图遍历或行为证据后，升级路由（例如，立即冻结、升级至二线高级欺诈专家）

确定性合规与 SAR 起草：根据联邦 AML/SAR 归档策略分析风险阈值和敞口数据，自动合成链接实体、可疑模式和监管理由的结构化叙述。

通过 Schema 进行结构化验证：将 Agent 输出约束到严格 Schema，确保 100% 机器可读输出供下游银行微服务使用。

5. 20 个案例的基准性能

我们在 20 个多样化、多向量欺诈评估场景（HHG-001 到 HHG-020）中验证了管道：

• 低风险交易（risk_score < 0.30）：正确分类为低敞口，采用非侵入性摩擦（例如，标准监控、清算结果）
• 中等风险异常（0.30 ≤ risk_score < 0.70）：提示中间 next-best actions，但不触发过早账户冻结
• 高风险团伙（risk_score ≥ 0.70）：标记为强制 SAR 归档、立即受益人限制，并升级至高级欺诈专家

6. 如果有更多时间我会改进的地方

通过 Kafka 实现实时流式图分析：将事件驱动摄取管道直接集成到 TigerGraph 的流式 upsert API 中，在交易触发的瞬间触发亚秒级图调查，取代批量 CSV 处理。

图神经网络（GNN）嵌入：直接在 TigerGraph 拓扑上训练图卷积网络（GCN）或图注意力网络（GAT），生成结构化实体嵌入用于主动异常检测。

多 Agent 编排：将单体 Agent 解构为协作子 Agent（证据调查 Agent、合规与法律 Agent，以及对抗性红队 Agent 以减少误报）。

核心洞察

图谱消除幻觉：向 LLM 提供经验证的关联子图，使其推理根植于结构化企业事实。

MCP 简化 AI 集成：通过 Model Context Protocol 标准化工具 Schema，使领域逻辑与模型编排解耦。

写回图谱：最有效的图谱 Agent 不仅读取数据——它们将结论写回拓扑，随着时间累积机构记忆。