某金融App智能风控提示工程：架构师的合规性提示词设计指南
某金融App智能风控提示工程：架构师的合规性提示词设计指南
一、引言：当智能风控遇到“合规魔咒”
1.1 一个真实的“痛点时刻”
某股份制银行的信用卡App上线了基于大模型的“交易欺诈检测”功能：用户在境外发生大额交易时，系统会自动触发风险提示。但上线3天就收到12起投诉——一位常年在海外工作的用户，连续3笔“正常”的境外消费被标记为“高风险”，导致卡片被冻结；更严重的是，后台日志显示，模型在分析时“悄悄”调取了用户的“社保缴纳记录”（未获得用户明确授权），违反了《个人信息保护法》（PIPL）第二十三条。
技术团队排查后发现：问题出在提示词设计——初始提示词是“分析用户最近7天的交易行为及关联数据，判断是否存在欺诈风险”。这里的“关联数据”没有明确边界，导致模型“自作主张”调用了敏感信息；而“欺诈风险”的定义模糊，让模型误将“海外高频消费”等同于“异常”。
这个案例暴露了金融智能风控的核心矛盾：大模型的“灵活性”与金融监管的“刚性”之间的冲突。当我们用大语言模型（LLM）优化风控效率时，如何通过提示词设计，让模型既“聪明”又“守规矩”？这正是本文要解决的问题。
1.2 为什么提示工程是金融风控的“合规阀门”？
金融是“强监管”行业，智能风控的每一步都要符合：
- 《个人信息保护法》（数据隐私）；
- 《金融数据安全管理规范》（JR/T 0197-2020，数据使用边界）；
- 《商业银行互联网贷款管理暂行办法》（可解释性要求）；
- 《反洗钱法》（AML，风险覆盖完整性）。
而大模型的输出高度依赖提示词——提示词是“人类意图”与“模型行为”之间的翻译器。如果提示词没有明确合规约束，模型可能会：
- 超范围调用敏感数据（比如用用户的医疗记录判断信贷风险）；
- 输出无法解释的决策（比如“该用户风险高”但没有任何依据）；
- 遗漏监管要求的风险场景（比如反洗钱中的“受益所有人识别”）。
因此，合规性提示词设计不是“锦上添花”，而是金融智能风控落地的“必要条件”。
1.3 本文能给你带来什么？
作为架构师，你将学到：
- 底层逻辑：金融合规如何映射到提示词设计的关键要素；
- 设计框架：从“场景对齐”到“迭代优化”的全流程合规提示词设计方法；
- 实战案例：交易欺诈检测、信贷风险评估两个场景的提示词优化示例；
- 避坑指南：避免90%的合规性错误的10条最佳实践。
二、基础铺垫：金融智能风控与提示工程的核心概念
在进入设计指南前，我们需要明确几个关键概念，避免“鸡同鸭讲”。
2.1 金融智能风控的核心场景
大模型在金融App风控中的常见应用场景包括：
- 交易欺诈检测：识别盗刷、套现、洗钱等异常交易；
- 账户异常识别：检测账号盗用、异地登录、批量注册等行为；
- 信贷风险评估：辅助判断用户的还款能力与意愿（如分析用户征信报告、消费习惯）；
- 反洗钱（AML）监测：识别“大额拆分”“频繁跨境”等洗钱特征；
- 客户尽职调查（CDD）：验证客户身份的真实性（如分析身份证、营业执照OCR结果）。
这些场景的共同特点是：需要“精准判断”+“可追溯合规”——既要识别风险，又要证明“每一步决策都符合监管要求”。
2.2 提示工程的“三要素”
提示工程（Prompt Engineering）是通过设计“输入指令”引导大模型输出符合预期结果的技术。其核心三要素是：
- 角色（Role）：定义模型的身份（如“你是某银行的智能风控分析师”）；
- 任务（Task）：明确模型要做什么（如“分析用户交易是否存在欺诈”）；
- 约束（Constraint）：规定模型不能做什么（如“不得使用未授权的敏感数据”）。
对于金融风控来说，“约束”是合规性的核心载体——没有约束的提示词，相当于给模型“开了无门之门”。
2.3 金融合规的“四大维度”
我们需要将监管要求拆解为提示词可落地的“合规