用 TigerGraph+MCP 构建自主欺诈调查 Agent
展示如何结合图数据库与 MCP 协议构建欺诈调查 Agent,通过多跳图遍历识别传统关系型数据库无法发现的欺诈网络拓扑。
完整中文译文
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。