一、背景
近年来，电信诈骗呈现出高度复杂化趋势：
- 诈骗话术不断变化；
- 黑产利用 AI 生成更加真实的文本；
- 冒充客服、公安、金融机构等场景更加隐蔽；
- 单纯依赖关键词匹配已经难以满足检测需求。
传统反诈系统通常采用：
关键词规则
|
↓
风险判断例如：
检测：
转账
银行卡
验证码
点击链接出现这些关键词后提高风险等级。
但是这种方式存在明显不足：
1. 语义理解能力不足
例如：
你的账户存在异常，请立即联系客服解决没有明显诈骗关键词。
但是结合上下文：
客服要求下载远程控制软件实际上已经高度疑似诈骗。
2. 无法适应新型诈骗
诈骗话术每天变化。
规则库需要不断人工维护。
因此，在"灵犀安全"项目中，引入：
RAG（Retrieval Augmented Generation，检索增强生成）
架构。
利用：
知识库
+
向量检索
+
大语言模型实现更加智能的风险判断。
二、系统整体架构
整体架构如下：
用户设备
|
|
NotificationListener
|
风险内容采集层
|
↓
RAG分析服务
|
------------------------
| |
向量数据库 LLM模型
| |
-----------+------------
|
风险决策结果
|
WebSocket推送
|
App实时安全提醒三、为什么选择 RAG 架构？
传统大模型：
用户输入
↓
LLM
↓
回答问题：
模型不知道最新诈骗案例。
例如：
2026年出现的新型诈骗：
AI数字人冒充银行客服模型训练数据可能没有。
RAG：
增加外部知识库：
用户输入
↓
知识检索
↓
相关诈骗案例
↓
拼接Prompt
↓
LLM分析
↓
结果输出因此模型拥有：
- 最新诈骗案例；
- 行业规则；
- 风险策略；
- 专家经验。
四、诈骗知识库设计
1. 数据来源
知识库主要包括：
诈骗案例库
例如：
案例ID:
10001
类型:
冒充客服诈骗
描述:
骗子冒充电商客服，
诱导用户开启屏幕共享。
风险等级:
HIGH
关键词:
屏幕共享
退款
验证码风险规则库
例如：
规则:
如果出现:
远程控制软件
+
转账要求
风险等级:
HIGH安全建议库
例如：
风险:
HIGH
建议:
立即停止操作，
不要点击链接，
联系官方渠道确认。五、文本向量化
RAG核心：
将文本转换成向量。
例如：
诈骗案例：
客服要求退款，需要下载会议软件经过Embedding模型：
得到：
[0.123,
0.542,
0.876,
...
]存入向量数据库。
用户输入：
客服让我下载软件退款同样转换：
[0.120,
0.550,
0.870,
...
]计算相似度：
用户文本
↓
向量距离计算
↓
找到相似案例六、向量数据库设计
系统采用：
Embedding
+
Vector Database结构。
数据：
{
"id":"case_10001",
"text":
"冒充客服退款诈骗",
"vector":
[
0.23,
0.54,
0.78
],
"metadata":{
"type":
"customer_service",
"level":
"HIGH"
}
}检索：
用户输入：
退款需要验证码返回：
案例1:
冒充客服诈骗
相似度:
0.93
案例2:
验证码盗取
相似度:
0.87七、RAG分析流程设计
完整流程：
用户内容
|
↓
文本预处理
|
↓
Embedding向量化
|
↓
知识库检索
|
↓
生成增强Prompt
|
↓
LLM分析
|
↓
风险结果八、Prompt工程设计
为了让模型输出稳定结果，需要限制输出格式。
Prompt：
你是一名专业反诈分析助手。
请根据:
1. 用户输入内容
2. 检索到的诈骗案例
判断风险等级。
输出JSON:
{
riskLevel:"",
reason:"",
suggestion:""
}
等级:
HIGH:
明确诈骗风险
MEDIUM:
存在可疑行为
LOW:
正常信息模型输出：
{
"riskLevel":"HIGH",
"reason":
"疑似冒充客服退款诈骗",
"suggestion":
"不要提供验证码"
}九、多模态 RAG 设计
在项目中，不仅支持文本。
还设计：
文本
图片
音频
二维码
网址多入口分析。
1. 文本分析
输入：
短信内容
聊天内容
通知内容流程：
Text
↓
Embedding
↓
RAG
↓
LLM2. 图片分析
例如：
用户截图：
中奖通知截图
付款二维码截图流程：
Image
↓
OCR
↓
文本提取
↓
RAG分析3. 音频分析
诈骗电话：
您好，我们是公安机关流程：
Audio
↓
ASR语音识别
↓
Text
↓
RAG十、异步任务架构设计
由于大模型分析耗时较长：
可能：
3s~30s不能阻塞HTTP请求。
因此采用：
异步任务模式。
客户端：
请求：
POST
/api/v1/fraud-detect/analyzeContent提交：
{
"type":"text",
"content":
"客服让我退款"
}服务器：
立即返回：
{
"taskId":
"abc123"
}后台：
任务队列
↓
RAG分析
↓
保存结果
↓
通知客户端十一、WebSocket实时结果推送
为什么不用轮询？
传统：
客户端
每隔5秒请求一次
服务器
有没有结果？缺点：
- 浪费资源；
- 延迟高。
采用：
WebSocket：
客户端
保持长连接
↑
|
服务器主动推送消息格式：
{
"type":
"RAG_RESULT",
"taskId":
"abc123",
"riskLevel":
"HIGH",
"content":
"发现诈骗风险"
}十二、风险等级处理策略
系统定义：
HIGH
高风险：
例如：
- 冒充官方；
- 要求转账；
- 索要验证码。
处理：
弹窗
+
语音报警
+
通知守护人MEDIUM
中风险：
例如：
- 可疑链接；
- 陌生推广。
处理：
提醒用户注意LOW
低风险：
正常信息：
记录分析结果十三、守护人联动设计
"灵犀安全"的特色功能：
家庭守护。
流程：
用户风险触发
|
↓
RAG判断HIGH
|
↓
WebSocket通知
|
↓
绑定守护人收到提醒例如：
老人收到诈骗短信：
老人手机
↓
AI检测
↓
风险确认
↓
子女手机收到提醒十四、系统性能优化
1. 异步处理
避免：
HTTP请求等待模型采用：
MQ任务队列2. 缓存热点案例
例如：
热门诈骗：
刷单诈骗
冒充客服
虚假投资提前缓存。
3. 限制上下文长度
RAG检索：
只返回：
Top-K
例如：
Top 5相关案例避免Prompt过长。
十五、安全设计
数据脱敏
例如：
银行卡：
6222 8888 9999 0000
↓
****0000权限控制
用户：
只能查看：
自己的风险记录。
守护人：
只能接收：
授权用户风险提醒。
十六、技术总结
"灵犀安全"反诈系统通过：
Android系统感知
+
UniApp跨端开发
+
RAG知识增强
+
LLM智能推理
+
WebSocket实时通信构建了一套：
面向移动端场景的实时智能反诈防护系统。
相比传统规则系统：
| 传统方案 | RAG方案 |
|---|---|
| 关键词匹配 | 语义理解 |
| 人工维护规则 | 自动结合知识库 |
| 单文本分析 | 多模态分析 |
| 被动检测 | 主动预警 |
| 固定策略 | 动态推理 |
最终实现：
诈骗发生
↓
系统感知
↓
AI分析
↓
实时提醒
↓
家庭守护从而实现真正意义上的：
智能化、主动式、实时反诈防护。