LLM + 知识图谱协同：反电诈案例

单独看 LLM，它能写、能算、但对事实不严谨；单独看知识图谱，它结构严谨、但缺乏自然语言理解。两者协同（Synergized LLMs + KGs）的价值，要放到「业务场景」里才讲得清——本目录以银行反电信网络诈骗为标本案例，把「设计方案 → 可运行 demo → 汇报材料」一次性打通：图谱承担结构化证据与资金流追踪，LLM 承担自然语言解释与策略建议。

1. 目录内容

1.1 设计方案（Design）

  • 银行反电诈智能系统设计方案 — 完整的系统设计文档：
    • 背景与挑战：电诈「短时间 / 高频次 / 多层级」资金流转特征为何让传统规则引擎失效。
    • 核心目标：分钟级实时拦截（以「黄金 5 分钟」为工程 SLA 示例）、团伙风险模式识别、可解释归因。
    • 架构设计：图谱建模（账户 / 设备 / 交易）、LLM 证据要点生成、规则引擎 + 图算法 + LLM 三层联动。
    • 法规合规：引用《反电信网络诈骗法》、银发〔2016〕86 号、银发〔2016〕261 号等文件，明确强处置由确定性证据链驱动、LLM 仅作解释辅助的边界。
    • 工程化路线：从 demo 到生产的演进路径。

1.2 可运行 Demo（demo/）

  • 反欺诈 Demo 源码 — 完整 258 行说明的端到端示例系统：
    • etl/generate_data.py + load_to_neo4j.py — 合成客户 / 账户 / 设备 / 交易数据并导入 Neo4j。
    • agent/ — LLM 客户端与 verdict 决策模块。
    • api/server.py — 查询/研判 API 服务。
    • docker-compose.yml — 一键拉起 Neo4j 依赖。

1.3 配套材料

  • assets/anti_fraud_system_design.pptx — 系统设计汇报 PPT，可用于内部评审或布道演讲。

2. 阅读顺序

  1. 先读 anti_fraud_design.md 建立对场景与架构的整体认知。
  2. 再跑 demo/：起 Neo4j → 生成并导入数据 → 启动 API → 调用研判接口。
  3. 可选：用 assets/anti_fraud_system_design.pptx 对外分享方案。

3. 与其他目录的关系

  • 理论支撑见 ../graph_rag/：GraphRAG / KAG 为何是这个场景的正解。
  • 图数据库底座见 ../knowledge_graph/：Neo4j + Cypher 的基础，demo 中的 docker-compose.yml 与该目录的教程共用。

4. 相关资源