别再只谈AI风控了:我用一个消费贷票据反欺诈场景,拆一遍Skills怎么写

这两天在私域群里，有朋友问了一个现在很多机构都遇到的问题。

他们是做个人消费信贷的，目前想先从反欺诈切入；贷后预警这块，主要关注用途票据审核。

他顺带问了一句：

这个问题很典型。

因为它几乎击中了消费贷风控接下来会遇到的一个新麻烦：

材料越来越像真的，但交易未必是真的。

过去我们做材料审核，很多时候还可以靠经验看出一些明显问题。比如字体不一致、印章边缘粗糙、二维码模糊、票据版式异常、金额涂改痕迹明显。

但现在不一样了。

AI生成图片、改PDF、套模板、批量做截图，这些手段越来越成熟。很多材料肉眼看上去已经很像真的。

如果银行、消金、助贷机构还停留在“看这张票长得像不像真票”这个层面，风险会越来越大。

因为真正的问题已经不是：

而是：

所以今天这篇文章，我不想继续空泛谈“AI风控”“Agent赋能”“智能识别”。

我们直接拿一个具体场景来拆：

消费贷用途票据反欺诈Skills，到底应该怎么写？

这类内容，才是真正能落到风控业务里的东西。

不要把这个场景做成“AI鉴别假票据”

我先说一个判断：

消费贷用途票据审核，不应该简单做成“AI鉴别假票据”。

这个定位太窄，也太容易误导。

因为AI识别一张票据图片是否可疑，当然有用，但它只解决了很小一部分问题。

一张票据可能图片是真的，但交易是包装出来的；
一张票据可能字段没问题，但资金没有真正用于这个用途；
一张票据可能来自真实商户，但商户本身参与套现；
一张票据可能单独看没问题，但放到一批客户里看，就能发现批量异常。

所以，这个场景更准确的定位应该是：

消费贷用途票据疑点识别Skills

或者更完整一点：

消费贷用途票据反欺诈Skills

它的目标不是让AI直接判断“真票/假票”，而是让AI帮助风控人员输出一份：

这才比较稳。

风控不是看图猜真假。
风控是把票据、客户、商户、资金流、用途、行为和历史样本放在一起交叉验证。

为什么单靠“看图识假”越来越不够？

过去有些假材料，一眼假。

比如：

字体明显不统一；
印章模糊；
二维码扫不出来；
金额位置不自然；
图片压缩痕迹很重；
发票代码、号码、日期格式异常；
PDF像被二次编辑过。

但现在的问题是，造假工具变强了。

AI生成的票据、PS后的票据、套模板生成的消费凭证，越来越逼真。单靠图片层面的识别，会有两个问题。

第一个问题是容易漏判。

图片做得足够真，系统和人工都可能看不出来。尤其是在业务量大、审核人员时间紧的情况下，很多材料只要“看起来正常”，就容易过。

第二个问题是容易误判。

有些真实票据，因为拍照角度、压缩、扫描、上传质量、商户打印格式不同，也会出现模糊、变形、二维码不清晰等问题。如果简单用图像模型判断，很容易把正常客户打成可疑客户。

所以在消费贷用途审核里，图像识别只能作为一个信号，不能作为唯一依据。

真正要判断的是：

这就是Skills要解决的问题。

什么是这个场景里的Skills？

我理解的Skills，不是一个高级提示词。

它更像一份“业务判断说明书”。

如果我们要写一个“消费贷用途票据反欺诈Skills”，至少要讲清楚这几件事：

第一，这个Skills解决什么问题；
第二，需要哪些输入数据；
第三，按哪些规则判断疑点；
第四，疑点怎么分层；
第五，输出哪些原因码；
第六，命中后建议什么动作；
第七，哪些情况必须人工复核；
第八，最后如何形成证据链和验收标准。

也就是说，它不是一句：

而是要拆成：

只有这样，它才有可能进入规则引擎、Agent工作流、贷后用途审核流程、人工复核清单和审计留痕体系。

消费贷用途票据反欺诈Skills的基本结构

我们可以先把这个Skills拆成一张表。

这张表看起来简单，但已经比“让AI看一张图判断真假”靠谱很多。

因为它把一个模糊问题拆成了一个可执行流程。

第一步：先定义输入数据

这个场景不能只输入一张票据图片。

如果只输入图片，AI最多只能做图像层面的判断。但消费贷用途真实性，必须多维交叉验证。

建议至少输入以下几类数据。

第二步：设计判断规则

第三步：设计风险分层

风控场景不能只输出“有风险”或“没风险”。

太粗了。

应该至少分成三层。

第四步：设计原因码

原因码非常重要。

很多风控系统不好用，不是因为没有规则，而是因为规则命中后解释不清楚。

业务人员看到一个“高风险”标签，却不知道为什么高风险，也不知道下一步该怎么办。

所以每个Skills都应该设计原因码。

比如这个场景可以设计以下原因码：

第五步：设计处置动作

反欺诈不能只有“拦截”。

如果所有疑点都拦截，误伤会很高；如果所有疑点都只是提示，又起不到风控作用。

所以处置动作要分层。

第六步：设计输出格式

这个Skills最终不应该只输出一段文字。

最好输出一份结构化清单。

比如：

消费贷用途票据疑点清单

第七步：设计人工复核边界

在消费贷反欺诈场景里，千万不要把AI设计成“直接替人下最终结论”。

尤其是涉及客户权益、贷款通过与否、额度调整、风险处置时，必须设置人工复核边界。

比如以下情况必须人工复核：

官方查验失败但客户提供了补充证明；
票据与资金流不一致但客户有合理解释；
商户存在异常但交易确实发生；
客户收入与消费金额不匹配但有家庭共同支付情况；
多个规则同时命中高风险；
涉及疑似中介包装或团伙欺诈；
系统证据链不完整但风险影响较大。

这也是我一直强调的：

第八步：设计验收标准

如果做成AI Agent，可以怎么设计？

如果进一步做成AI Agent，可以拆成几个节点。

这个案例给我们的启发

消费贷用途票据审核只是一个例子。

但它说明了一个更大的问题：

AI风控真正要落地，不能只靠模型能力，而要靠业务场景拆解能力。

很多机构现在谈AI，容易陷入两个极端。

一种是过度技术化。

一上来就讲大模型、RAG、知识库、多Agent、工作流、微调、函数调用。

听起来很先进，但业务人员不知道怎么用。

另一种是过度简单化。

觉得只要把资料扔给AI，问一句“有没有风险”，就能替代风控人员。

这也不现实。

风控业务真正需要的是中间这层：

这就是我最近一直在讲的Skills。

Skills不是替代风控人员，而是把风控人员的经验沉淀下来，让系统、AI、规则引擎、Agent工作流能够调用。

为什么业务人员必须参与写Skills？

最后总结下

如果把它写成Skills，就要讲清楚：

看哪些数据；
抽哪些字段；
查哪些来源；
按哪些规则判断；
风险怎么分层；
原因码怎么生成；
命中后怎么处置；
哪些情况人工复核；
证据链怎么留存；
最后怎么验收。

这才是AI风控真正能落地的地方。

不是一句“AI赋能风控”，也不是一个炫酷的Agent界面，而是一个场景一个场景地拆，把过去靠经验、靠人工、靠口头传递的风控判断，变成可复用、可交接、可审计、可配置的业务能力。

写在最后