用LLM实现可解释的AML分诊：证据检索与反事实检验

反洗钱（AML）交易监控会产生大量警报，调查人员必须在严格的审计与治理约束下快速完成分诊。尽管大语言模型（LLM）能汇总异构证据并起草理由说明，但在受监管工作流中，不受约束的生成因幻觉、溯源薄弱以及解释不忠实于底层决策而存在风险。我们提出一个可解释的AML分诊框架，将分诊视为证据约束的决策过程。我们的方法结合：(i) 检索增强的证据打包，来源涵盖政策/类型学指引、客户上下文、警报触发因素与交易子图；(ii) 结构化LLM输出契约，要求显式引用并将支持性证据与矛盾或缺失证据分开；(iii) 反事实检验，验证最小且合理的扰动是否会导致分诊建议及其理由发生一致的变化。我们在公开合成AML基准与模拟器上评估，并与规则、表格与图机器学习基线以及仅LLM/仅RAG变体进行比较。结果显示，证据核对显著提升可审计性并减少数值与政策幻觉错误，反事实验证进一步提高与决策挂钩的可解释性与稳健性，取得最佳整体分诊性能（PR-AUC 0.75；Escalate F1 0.62）以及强溯源与忠实性指标（引用有效性0.98；证据支持度0.88；反事实忠实度0.76）。这些发现表明，受治理、可验证的LLM系统能为AML分诊提供实用的决策支持，同时不牺牲可追溯性与可辩护性等合规要求。