您的交易监控系统中， 95%是误报。
调查员对此心知肚明。Sentinel 是解决这一问题的推理层——AI 辅助 AML 告警分诊，附证据引用和完整审计轨迹，可叠加于 Actimize、SAS、Verafin、Oracle FCCM 或任何内部监控系统之上。
40–60%
自动排除的告警比例
4–12秒
每条告警分析
100%
审计可追溯
$1B–$50B
最适合的资产管理规模
隐性成本
五个调查步骤中有四个是在 汇集资料， 而非作出判断。
每条告警 · L1 调查员
15–45分钟
- 调取90天交易历史
- 检查客户既往告警
- 将行为与同类基准比较
- 审查 KYC + 关联方数据
- 撰写处置理由 ← 始终需要人工完成的部分
每条告警 · 使用 Sentinel
4–12秒
Sentinel 汇集上下文。两轮 Claude 分析返回附证据引用的结构化处置结论。调查员审阅的是准备完备的案件材料，而非分诊界面。
简单案例自动排除，附带引用的理由。模糊案例附有待调查员回答的具体问题。复杂案例始终保留人工参与，并提前备齐证据。
这能带来多少价值
三种不同规模下的测算。
保守假设：L1 平均处理时间30分钟、误报率降低50%（40–60%区间中点）、L1 分析员全成本薪酬$85,000（USD）。
$1B–$3B
小型银行
12,000 条告警/年
自动排除的告警
6,000
节省工时
3,000
相当于全职人员数
1.6
每年节省的全成本
US$134,211
$5B–$20B
中型银行
30,000 条告警/年
自动排除的告警
15,000
节省工时
7,500
相当于全职人员数
3.9
每年节省的全成本
US$335,526
$20B–$50B
新型数字银行 / 二线银行
80,000 条告警/年
自动排除的告警
40,000
节省工时
20,000
相当于全职人员数
10.5
每年节省的全成本
US$894,737
三个模块 · 相同架构
一种推理模式，三个 AML 队列。
分诊
TM 告警行为分析。
调取90天交易历史、同类基准、既往告警与 KYC。运行两轮 Claude 分析，返回附证据引用的结构化处置结论（排除 · 附注排除 · 升级至 L2 · 升级至 SAR · 请求信息）。
监控名单
模糊制裁匹配 + PEP 裁定。
对模糊命中进行身份匹配与司法辖区分析。混合模型分工（Haiku 4.5 第一轮、Sonnet 4.5 审查）降低成本，同时保持关键判断的严谨性。
SAR
FinCEN Form 111 叙述文本起草。
接收上游分诊分析，生成7部分叙述文本（五个 W 问题 + 如何发生 + 采取的行动）。每部分都有引用，每条引用均可追溯到具体交易 ID、KYC 字段或既往告警。
亲眼看产品
演示沙盒中的三个案例。
明显误报
Riverbend Hardware · 评分12/100 · 自动排除
拆分交易规则对一位拥有24个月稳定现金存款历史的小企业主触发告警。Sentinel 在4秒内排除，附证据引用。
真实的分层洗钱模式
Apex Global Trading · 评分90/100 · 升级至 SAR
$187,500从英属维尔京群岛电汇入账，五小时后向具有相同 UBO 的关联实体转出$185,000。约12秒内提供带引用的证据链及 FinCEN 通告参考。
确实存在歧义
Northgate Realty · 评分48/100 · 人工复核
整数金额电汇可能是合法房地产交割，也可能是分层洗钱。Sentinel 将其标记，并向调查员提出具体问题。
构建方式
架构：一种模式，端到端可追溯。
您现有的 TM 系统
Actimize · SAS · Verafin · Oracle FCCM · 内部系统
上下文汇集器
90天交易 · 既往告警 · KYC · 同类基准
两轮 Claude 推理
分析器（Sonnet）→ 审查器（Sonnet）· Pydantic 验证的 JSON
结构化处置结论 + 证据引用
排除 · 附注排除 · 升级至 L2 · 升级至 SAR · 请求信息
调查员界面 · 准备完备的案件材料
React 队列 · 风险信号 · 证据引用 · 建议行动
审计日志——每项决策都可重建
提示词版本 · 模型版本 · 上下文哈希 · 两轮原始结果 · 人工处置
数据层
DuckDB · 单文件嵌入式分析
后端
Python 3.11+ · FastAPI · Pydantic 验证的模式
推理
Anthropic SDK · Sonnet + Haiku · 两轮分析与审查
前端
React + Vite · Tailwind · shadcn/ui
审计
逐分析 JSON · 内容哈希 · 提示词与模型版本
部署
运行于您的环境 · 无 SaaS 数据流转
不可妥协的原则
- 每条理由引用具体交易 ID 或客户数据点。拒绝模糊推理。
- 仅限结构化输出。每次 Claude 调用均返回经过 Pydantic 验证的 JSON。
- 两轮推理。分析与审查均记录日志。
- 每项决策都有完整审计轨迹，数月后仍可重建。
- 绝不使用真实个人身份信息。演示仅使用合成数据。付费项目使用您的数据，运行于您的环境。
- 叠加于现有 TM 系统之上。我们同步，绝不替换。
如何落地
两周价值验证，固定费用。
使用您脱敏或合成的数据。最多5种类型、10,000条历史告警。项目结束时为金融犯罪防范与合规领导层现场演示。模型风险文档适合您的第二道防线使用。
需求探索 + 数据摄取
使用您环境中的脱敏或合成数据。梳理类型和风险偏好，按您的告警模式搭建沙盒。
提示词 + 推理调优
按您的告警分类体系校准分析器提示词。每种类型人工评估30条告警，在扩大规模前确认理由质量。
审计轨迹 + 模型风险文档
接入完整审计日志：提示词版本、模型版本、内容哈希、两轮原始结果、人工处置。为 MRM 团队生成模型风险文档。
现场演示
使用您的数据，为金融犯罪防范及合规领导层演示。管理层摘要适合纳入董事会材料，MRM 文档适合第二道防线使用。
您将获得
- · 在您的环境中运行的沙盒
- · 针对您的类型调优的提示词库
- · 完整审计轨迹文档
- · 适合董事会材料的管理层摘要
运行于您的技术栈
- · DuckDB 或您的现有数据仓库
- · Python + FastAPI，部署于您的 VPC
- · Anthropic API 或 AWS Bedrock（Claude）
- · 无需向 SaaS 输出数据
适用对象
- · 中型银行（资产管理规模$1B–$50B）
- · 扩展 AML 能力的新型数字银行与金融科技企业
- · 执法应对准备 / 退出整改
- · 评估现有系统调优的金融情报部门
下一步
与我们聊三十分钟。
我们将现场演示三个案例，解答模型风险问题，并在一周内提供符合您分类体系的价值验证范围。两周服务，固定费用，不对生产系统造成风险。
SEYSO Services Inc. · 安大略省多伦多 · info@seysoservices.com