Sentinel：基于 TigerGraph 的智能体欺诈调查系统

📌 One-Sentence Summary

作者介绍了 Sentinel，一个将基于 TigerGraph 的分析与确定性策略引擎相结合的智能体系统，在自动化欺诈调查的同时最大限度地减少 LLM 幻觉。

📝 Summary

文章详细介绍了 Sentinel 的开发过程，这是一个专为银行欺诈调查设计的智能体。该系统并非单纯依赖 LLM，而是使用 TigerGraph 进行复杂的关系遍历和向量搜索，以提供结构化证据。LLM 仅被限制用于生成文本（如 SAR 叙述），而确定性策略引擎则根据银行规则手册处理最终决策和行动。作者分享了关于模型系数、弱连通分量等图算法在识别欺诈团伙中的重要性，以及高效图查询实现方式的技术见解。

💡 Main Points

该系统将生成任务（文本撰写）与决策逻辑（策略引擎）分离，以防止 LLM 幻觉影响关键操作。

基于图的证据

TigerGraph 被用于执行遍历和向量搜索，以识别基于扁平 CSV 的模型难以捕捉的欺诈团伙和模式。

经验驱动的模型调优

作者超越直觉，通过识别反直觉的系数来提高欺诈检测精度，例如在某些旅行场景中「新设备」实际上与欺诈呈负相关。

通过 MCP 优化

该实现使用模型上下文协议（MCP）与 TigerGraph 对接，通过持久会话和异步事件循环来优化性能。

💬 Key Quotes

LLM 负责撰写文本；策略引擎负责决策。两项工作，只有一项可以产生幻觉。

图承载了扁平 CSV 无法讲述的故事。

LLM 所写的一切都基于图查询或拟合模型系数。

📊 Article Meta

AI Screening： 85

Source： DEV Community: machinelearning

Author： Vansh Dobhal

Category： 人工智能

Language： 英文

Read Time： 9 min

Word Count： 2224

Tags：

AI 与智能应用 , AI 工程 , 机器学习 , 系统设计 , AI Agent