用数据接地解决 LLM 在合规场景的幻觉问题

#ai #kyc #compliance #duediligence #api #llm #fintech #rapidapi

AI 会写代码，但最终结论仍由你负责。

ChatGPT 一个下午就能搭出 KYC 仪表盘。它可以生成 React 组件、SQL schema 和 Swagger 文档，看起来已经达到了生产可用的程度。但如果你问它 fintech-example.io 究竟是合法的支付处理商，还是用于规避制裁的空壳公司，它很可能会信心满满地捏造所有权记录、错误解读域名注册商数据，或者凭空给出一份毫无问题的审查结论。

这正是 AI 无法独自弥合的鸿沟：grounding（事实锚定）。Large Language Model（LLM）是在 token 上进行推理，而不是基于事实真相。一个可靠的尽职调查或合规工具，必须把 LLM 的每个回答都建立在真实、可验证且带有时间戳的数据之上——包括 WHOIS 记录、IP 地理位置、公司注册信息、电子邮件基础设施和制裁名单。

本文将介绍如何使用 Portfolio Investigate API，为你的 AI Agent 提供基于事实的域名档案和合规结论，将原型变成真正值得合规人员信赖的工具。

尽职调查中的幻觉问题

LLM 本质上是自动补全引擎。它根据训练数据预测接下来应该出现哪些词，而不是查询实时事实。在 KYC 场景中，这会产生三种失败模式：

知识过时——模型权重一旦冻结便不会更新，而一个域名的所有权可能下周就会发生变化。

捏造引用——模型可能会虚构域名注册商名称或公司地址。

关键信号缺失——LLM 本身无法访问 WHOIS 历史记录、IP 地址段或 OFAC 名单。

解决办法并不是放弃 LLM，而是对其加以约束：先为模型提供一个结构化的证据包，再让它基于这些证据完成总结、分类和自然语言问答。

Portfolio Investigate API 返回的正是这样一个证据包。

Portfolio Investigate API 能提供什么

Portfolio Investigate API 可以通过一次调用生成域名调查报告。它将底层的五个 Portfolio API 聚合为一份统一档案：

WHOIS——注册日期、域名注册商、名称服务器和隐私保护状态。

IP Geolocation——域名实际解析到的位置。

Company——关联的公司实体和注册机构。

Email——邮件服务器信誉和邮件送达能力信号。

Sanctions——与受限制方名单进行交叉核验。

响应中包含一份通俗易懂的结论，以及一个 LLM Ask endpoint。你可以通过它提出后续问题，而回答将基于档案中的事实，而不是来自模型的想象。

一次调用生成尽职调查报告

先从核心报告开始。API 会返回一份结构化档案，你可以将其存储、展示，或作为上下文传给 LLM。

curl -X GET "https://portfolio-investigate.p.rapidapi.com/investigate/fintech-example.io" \
  -H "X-RapidAPI-Key: $RAPIDAPI_KEY" \
  -H "X-RapidAPI-Host: portfolio-investigate.p.rapidapi.com"

经过精简的响应可能如下所示：

{
  "domain": "fintech-example.io",
  "risk_score": 42,
  "verdict": "MODERATE RISK",
  "summary": "Domain registered 6 months ago via privacy-protected WHOIS. Server hosted in a jurisdiction different from the stated company address. No sanctions matches found.",
  "whois": {
    "created": "2023-11-14",
    "registrar": "NameCheap, Inc.",
    "privacy": true,
    "name_servers": ["dns1.registrar-servers.com"]
  },
  "ip_geo": {
    "country": "NL",
    "asn": "AS49981"
  },
  "company": {
    "name": "Fintech Example B.V.",
    "jurisdiction": "Netherlands",
    "registry_url": "..."
  },
  "sanctions": {
    "matches": []
  }
}

verdict 和 risk_score 可以让你的合规 UI 立即展示风险信号。底层对象则为 LLM 提供了解释原因所需的证据。

如何使用 Portfolio Investigate API

你可以在 RapidAPI 上订阅该 API：（参见 RapidAPI）。包含示例和客户端 wrapper 的 GitHub 仓库位于 https://github.com/On13uka/portfolio-api。

下面是一个最小化的 Python 工作流：先获取档案，再通过 LLM Ask endpoint，基于该档案提出一个自然语言问题。

import requests
import os

RAPIDAPI_KEY = os.environ["RAPIDAPI_KEY"]
HOST = "portfolio-investigate.p.rapidapi.com"
BASE = f"https://{HOST}"

headers = {
    "X-RapidAPI-Key": RAPIDAPI_KEY,
    "X-RapidAPI-Host": HOST,
}

def get_dossier(domain: str) -> dict:
    url = f"{BASE}/investigate/{domain}"
    r = requests.get(url, headers=headers, timeout=30)
    r.raise_for_status()
    return r.json()

def ask_about_domain(domain: str, question: str) -> str:
    url = f"{BASE}/ask"
    payload = {
        "domain": domain,
        "question": question,
    }
    r = requests.post(url, json=payload, headers=headers, timeout=60)
    r.raise_for_status()
    return r.json()["answer"]

# Example usage
domain = "fintech-example.io"
dossier = get_dossier(domain)
print(dossier["verdict"], dossier["risk_score"])

answer = ask_about_domain(
    domain,
    "Is this domain safe to onboard as a payment partner? List the specific risks."
)
print(answer)

POST /ask endpoint 是安全使用 LLM 的关键。你不是向一个开放模型提出含糊的问题，而是在询问一个已经将档案作为上下文输入的模型。它的回答以 API 刚刚获取的 WHOIS、IP、公司、电子邮件和制裁数据为依据。

构建合规 Agent

你还可以将 API 与编排层结合起来，进一步扩展能力。一个简单的合规 Agent 可以执行以下流程：

接收新的商户申请。

提取其主要域名。

调用 Portfolio Investigate API。

将档案存入审计日志。

如果 risk_score > 70，则标记为需要人工审核。

如果 risk_score <= 70，则使用 POST /ask 生成结构化的判断依据。

def review_merchant(merchant_name: str, domain: str) -> dict:
    dossier = get_dossier(domain)

    if dossier["risk_score"] > 70:
        return {
            "decision": "MANUAL_REVIEW",
            "reason": f"High risk score: {dossier['risk_score']}",
            "evidence": dossier,
        }

    rationale = ask_about_domain(
        domain,
        "Write a one-paragraph compliance rationale for approving this merchant."
    )

    return {
        "decision": "AUTO_APPROVED",
        "rationale": rationale,
        "evidence": dossier,
    }

由于档案会被完整保留，每一项自动化决策都可以接受审计。监管机构或内部审核人员可以将判断依据追溯到真实的数据点，而不是一个黑盒模型。

AI 不会替你构建出真正可用的 KYC 工具。它可以搭建 UI 脚手架、起草 prompt，并加快你的迭代速度。但合规中最困难的部分——核实事实、交叉比对记录，以及生成可审计的结论——仍然需要一个可靠的数据层。

Portfolio Investigate API 提供的正是这一数据层。只需一次调用，你就能获得一份统一档案，其中汇集了 WHOIS、IP 地理位置、公司注册信息、电子邮件基础设施和制裁名单的数据。借助 POST /ask endpoint，你可以让 LLM 基于这些证据进行推理，同时避免偏离事实、产生幻觉。

如果你正在构建由 AI 驱动的尽职调查或合规产品，请先做好模型的 grounding。你可以在 RapidAPI 获取该 API（参见 RapidAPI），并在 https://github.com/On13uka/portfolio-api 查看示例代码。

如需采取进一步措施，你可以考虑屏蔽此人和／或举报滥用行为。