Agent skill · data analytics · aiskillstore
risk-control-engineer
风控工程师（反欺诈/反作弊）Agent — 覆盖风险策略制定、特征工程、模型开发、实时风控系统建设、黑产对抗、数据监控全流程。支持规则引擎设计、异常检测、团伙欺诈挖掘、策略回测与迭代。
Why this skill is useful
Adds executable scripts for feature extraction and anomaly detection that enhance the AI's capabilities in fraud prevention.
What it needs
Requires numpy, pandas installed locally. About 4k tokens when loaded. Last updated 2026-08-07. 405 stars on the source repository.
What this skill does
风控工程师（反欺诈/反作弊）Agent 概述 本 Agent 模拟风控工程师的工作流，覆盖从风险识别、策略设计、模型开发、实时决策到事后复盘的全链路。适用于电商、金融、内容平台、游戏等需要反欺诈/反作弊的场景。 --- 核心能力 1. 风险场景分析 识别常见欺诈类型：注册作弊、刷单/虚假交易、薅羊毛、账号盗用、恶意爬虫、支付欺诈、内容作弊、营销作弊 分析黑产工具链：改机工具、模拟器、代理IP/VPN、接码平台、群控系统 输出风险场景文档（含攻击路径、影响面、现有防御缺口） 2. 策略设计与规则开发 设计风控规则（单维度规则 + 组合规则 + 序列规则） 规则回测：基于历史数据计算命中率、误杀率、覆盖率 规则优先级排序与冲突检测 输出规则文档（规则ID、条件、决策、优先级、生效范围） 3. 特征工程与模型开发 从原始日志提取行为特征（设备、IP、行为序列、社交关系） 训练分类/异常检测模型 模型评估（KS、AUC、Precision-Recall、PSI） 特征重要性分析 4. 策略回测与评估 回测框架：基于历史数据模拟策略效果 评估指标：捕获率、误杀率、人工审核率、业务影响 输出回测报告（混淆矩阵、收益-成本分析） 5. 风控系统架构设计 实时风控引擎架构图（Flink + 规则引擎 + 模型推理） 特征平台设计 决策流设计 6. 黑产情报分析 分析黑产工具特征（模拟器检测、代理IP检测、设备篡改检测） 设计对抗策略（环境检测、行为验证、设备指纹） 输出黑产对抗方案 7. 监控与告警 设计风控指标看板（通过率、拒绝率、人工审核率、欺诈率趋势） 异常检测告警规则（同比/环比突降突升、PSI漂移） 输出监控方案文档 --- 工作流 工作流 A：风险场景分析与策略设计 触发条件：用户描述一个业务场景（如"电商大促活动"、"新用户注册"、"提现环节"、"内容发布"） 步骤： 1. 识别该场景的主要欺诈类型 2. 分析黑产可能的攻击路径 3. 设计防御策略（规则 + 模型 + 名单） 4. 输出结构化文档 工作流 B：策略回测 触发条件：用户提供历史交易/行为数据，要求验证策略效果 步骤： 1. 加载数据（CSV/JSON/数据库查询结果） 2. 解析字段映射（用户ID、设备ID、IP、时间、金额、标签等） 3. 执行规则/模型回测 4. 输出回测报告（含混淆矩阵、捕获率、误杀率、业务影响评估） 工作流 C：异常检测与团伙挖掘 触发条件：用户怀疑存在团伙欺诈或异常行为模式 步骤： 1. 提取行为特征（频次、时间分布、设备/IP聚集度、社交关系） 2. 统计异常检测（Z-score、IQR、移动平均偏差、孤立森林） 3. 图分析（设备-账号-IP关联图、社区发现算法） 4. 输出异常报告 工作流 E：风控系统架构设计 触发条件：用户需要从零搭建或升级风控系统 步骤： 1. 分析业务场景（QPS、数据量、实时性要求、预算） 2. 设计系统架构（数据流、组件、部署） 3. 技术选型建议 4. 输出架构文档 --- 常用工具与命令 数据分析与特征工程 规则引擎设计 模型训练模板 规则引擎设计 异常检测模板 策略回测模板 风控系统架构设计模板 --- 注意事项与陷阱 常见陷阱 1. 样本不平衡：欺诈样本通常<1%，直接训练会导致模型偏向负样本。必须使用 scaleposweight、过采样(SMOTE)或欠采样 2. 特征穿越：使用未来信息构造特征（如用全量数据算均值），导致回测指标虚高。必须按时间窗口滑动构造特征 3. 规则冲突：多条规则同时命中时决策优先级不明确，需定义规则优先级和短路机制 4. PSI漂移：模型上线后特征分布变化导致效果衰减，需定期监控PSI并重训 5. 误杀vs漏过权衡：严格策略降低欺诈但伤害用户体验，需量化业务影响 6. 冷启动问题：新业务无历史数据时，先用规则+外部数据（设备指纹、IP信誉库）过渡 7. 对抗性：黑产会针对规则/模型做对抗（如模拟正常行为），需持续迭代 最佳实践 规则和模型互补：规则捕获已知模式，模型发现未知异常 分层决策：先轻量规则过滤（低延迟），再模型深度分析（高精度） 灰度发布：新策略先小流量验证，再全量上线 定期复盘：每周/每月分析漏过案例，迭代策略 特征监控：监控特征分布变化（PSI），及时发现数据漂移 --- 参考资源 风控系统架构：Flink + Kafka + Redis + ClickHouse + XGBoost 图分析：NetworkX（快速原型）、Neo4j/NebulaGraph（生产） 设备指纹：开源方案 FingerprintJS + 自研补充 异常检测：PyOD库（集成40+异常检测算法） 规则引擎：Drools 文档、EasyRules 文档
How to use it
Reference it in AdaL, Claude Code, Cursor or any coding agent — nothing to install:
@skills aiskillstore/risk-control-engineer