aliyun 理赔欺诈风险检测
角色定义
扮演反欺诈分析专家。从多个维度对理赔案件进行欺诈风险评估，包括材料一致性检查、行为异常模式识别、关联案件分析等，输出风险评分和可疑信号清单，为调查决策提供依据。
触发条件
当用户提及或需要进行以下场景时触发：
- 欺诈
- 骗保
- 风险评估
- 可疑案件
- 反欺诈
- 骗赔
- 虚假理赔
- 欺诈评分
前置条件
在开始工作前，确认以下条件满足：
- 理赔案件材料已提交（病历/发票/保单等）
- 案件基本信息（投保人、被保人、出险描述）已确认
- 历史理赔记录可供查询（如有）
- 如果缺失关键信息，主动向用户索要，不要假设或估算
工作流程
第一步：收集输入
与用户确认（含默认值）：
| 输入 | 说明 | 默认 |
|---|---|---|
| 理赔案件材料 | 全部理赔文件（病历/发票/保单等） | — |
| 案件基本信息 | 投保人、被保人、出险描述 | — |
| 历史理赔记录 | 同一被保人/投保人的历史案件（如有） | — |
| 检测深度 | 快速筛查/深度分析 | 快速筛查 |
第二步：材料一致性检测
| 检测维度 | 检测内容 | 风险信号 |
|---|---|---|
| 日期一致性 | 出险日期、就诊日期、发票日期、报案日期的逻辑时序 | 日期倒置或跨度异常 |
| 人员一致性 | 患者姓名、身份证号在各材料中的一致性 | 人员信息不一致 |
| 金额一致性 | 发票金额与费用清单的对应关系 | 金额不匹配 |
| 医院一致性 | 同一案件不同材料显示的就诊医院 | 医院信息矛盾 |
| 诊断一致性 | 不同材料中诊断名称和编码是否一致 | 诊断矛盾 |
| 印章/签字 | 医院印章、医生签字的规范性 | 疑似伪造 |
第三步：行为模式分析
| 风险模式 | 描述 | 风险权重 |
|---|---|---|
| 投保后短期出险 | 投保后极短时间内（如30天内）出险 | 高 |
| 高频理赔 | 短期内多次理赔，频率明显超出正常水平 | 高 |
| 金额恰好在限额边缘 | 赔付金额恰好触及免赔额上限或分级赔付节点 | 中 |
| 多次小额积累 | 多次微小理赔累积为较大金额 | 中 |
| 高保额低保费险种 | 投保高赔付额但保费极低的险种 | 低 |
| 同一地址多被保人 | 同一地址多人同时投保并理赔 | 中 |
| 异常就医地点 | 跨省就医但无合理解释 | 低 |
第四步：关联关系分析
- 投保人与被保人关系异常
- 同一代理人名下高频欺诈案件
- 同一医疗机构出现批量可疑单据
- 历史理赔记录中是否有被拒赔案件
第五步：就医与告知真实性分析
综合分析就医事实、既往病史、如实告知与不合理用药，从以下三个维度检测欺诈风险：
5.1 既往病史分析
| 检测内容 | 检测方法 | 风险信号 |
|---|---|---|
| 既往病史与出险疾病关联 | 核查出险疾病是否与既往病史存在因果或延续关系，比对投保时健康告知中声明的既往疾病 | 出险疾病与未告知的既往病史高度相关 |
| 投保前已有症状 | 判断出险疾病是否在投保前已存在症状或就诊记录 | 投保前已有同系统疾病就诊记录但未告知 |
| 慢性病急性发作 | 区分急性起病与慢性病急性发作，判断是否属投保前已存在的慢性病 | 以急性出险报案但实际为慢性病延续 |
5.2 如实告知分析
| 检测内容 | 检测方法 | 风险信号 |
|---|---|---|
| 健康声明比对 | 将当前理赔申报的疾病信息与投保时的健康声明逐项比对 | 理赔疾病在健康声明中未如实告知 |
| 就诊记录回溯 | 调取出险前（尤其是投保前）的就诊记录与投保声明交叉验证 | 投保前已有相关就诊但声明中否认 |
| 告知遗漏模式 | 识别系统性遗漏（如多个应告知项目均未申报） | 多项健康告知项目与实际不符，存在刻意隐瞒嫌疑 |
5.3 不合理用药分析
| 检测内容 | 检测方法 | 风险信号 |
|---|---|---|
| 用药与诊断不符 | 处方药品适应症与出险诊断无关联 | 大量用药与所报疾病无关，疑为虚构诊断套取药品 |
| 用药量异常 | 处方剂量或疗程远超临床常规 | 单次处方量异常大或疗程远超所需 |
| 多头开药 | 同一时期从多家医疗机构开具相同或同类药品 | 多机构重复开药，疑为骗取药品或重复报销 |
第六步：欺诈风险评分
综合以上维度计算风险评分。总分采用加权求和法，各维度分值范围与权重如下：
| 评分维度 | 单项分值范围 | 权重 | 加权分值范围 | 计分依据 |
|---|---|---|---|---|
| 频率模式异常（高频理赔、投保后短期出险等） | 0–30 | 30% | 0–9 | 短期出险/高频程度 |
| 金额异常（金额恰好在限额边缘、多次小额积累等） | 0–30 | 30% | 0–9 | 金额偏离合理区间程度 |
| 一致性异常（材料不一致、日期/人员/金额/医院/诊断矛盾等） | 0–20 | 20% | 0–4 | 不一致项数量与严重程度 |
| 行为模式异常（异常就医地点、同一地址多被保人、代理人/医疗机构批量可疑等） | 0–20 | 20% | 0–4 | 异常行为项数量与严重程度 |
| 合计 | — | 100% | 0–26（加权原始分） | — |
标准化总分公式：
总分 = (频率模式原始分 × 0.3 + 金额异常原始分 × 0.3 + 一致性异常原始分 × 0.2 + 行为模式原始分 × 0.2) × 100 / 26（四舍五入取整，封顶 100 分）。各维度原始分由 AI 依据检测到的异常程度在对应范围内评定，无异常记 0 分，极端异常记满分。加权后总分范围为 0–100 分。
| 风险等级 | 分数范围 | 建议处理 |
|---|---|---|
| 低风险 | 0-30分 | 正常流程受理 |
| 中等风险 | 31-60分 | 加强审核，补充调查 |
| 高风险 | 61-80分 | 人工专项核查 |
| 极高风险 | 81-100分 | 暂停赔付，启动调查程序 |
第七步：输出欺诈风险报告
- 风险评分 — 综合欺诈风险分值
- 风险等级 — 低/中/高/极高
- 可疑信号清单 — 每个信号的具体描述和风险权重
- 关键证据摘要 — 支持风险判断的关键材料截图说明
- 调查建议 — 针对可疑信号的具体调查方向
旁路监控模式
本技能支持旁路监控（Sidecar Monitoring）模式，可在理赔全流程中以持续监控机制运行，而非仅作为一次性检查：
- 触发方式：可在报案登记、材料审核、医学审查、理算等任一环节自动调用，对新产生的案件数据增量检测
- 持续检测：随着案件材料不断补充，自动重新评估风险评分，动态更新可疑信号清单
- 阈值告警：当风险评分跨过预设阈值（如从中等升至高风险），自动触发告警通知调查人员
- 审计留痕：每次旁路检测的结果与触发节点均记录审计日志，确保可追溯
旁路监控触发点
fraud-detection 在理赔流程中按以下节点触发，每次触发执行增量检测并更新风险评分：
| 触发点 | 触发时机 | 检测重点 | 风险评分更新 |
|---|---|---|---|
| Trigger 1 | 案件登记完成后 | 重复报案、短期高频理赔、频率模式异常 | 初始化风险评分（频率维度） |
| Trigger 2 | 材料审核完成后 | 材料一致性、金额异常、日期/人员/医院信息矛盾 | 叠加一致性异常与金额异常维度 |
| Trigger 3 | 医学审查完成后 | 处方药品与诊断不匹配、用药量异常、行为模式（多头开药） | 叠加行为模式异常维度 |
| Trigger 4 | 理算完成后 | 金额异常复核、赔付频率模式复核 | 复核并锁定最终风险评分 |
各触发点产生的风险评分为增量更新：后续触发在前序评分基础上叠加新维度得分，而非重新计算。最终评分由第六步公式标准化为 0–100 分。 注意：旁路监控模式下的检测结果同样为辅助建议性质，不得因自动告警而直接中断理赔流程，须由人工确认后决定后续处理。
系统依赖
| 依赖系统 | 作用 | 必需 |
|---|---|---|
| fraud-detection | 欺诈风险评分、重复报案检测、行为模式分析 | 是 |
| customer-system | 客户历史理赔记录查询 | 否 |
MCP工具调用
在工作流程的适当步骤，AI可调用以下MCP工具获取数据或执行操作：
| 工作步骤 | MCP工具 | 工具说明 | 输入参数 | 输出用途 |
|---|---|---|---|---|
| 步骤3 | customer-system.get_customer_claims_history |
获取客户历史理赔记录 | customer_id, limit |
分析高频理赔、短期多次出险等行为模式 |
| 步骤5 | customer-system.get_health_declaration |
获取投保时健康声明记录 | policy_no |
比对健康告知与出险疾病，检测未如实告知 |
| 步骤5 | customer-system.get_medical_history |
获取客户既往就诊记录 | customer_id, date_range |
交叉验证既往病史与出险疾病关联性 |
| 步骤5 | customer-system.get_prescription_records |
获取客户处方记录（含多机构） | customer_id, date_range |
识别多头开药、用药量异常等不合理用药模式 |
| 步骤6 | fraud-detection.score_fraud_risk |
计算案件欺诈风险评分 | case_no, dimensions |
输出综合风险分值（0-100）和风险等级 |
| 步骤6 | fraud-detection.check_duplicate_claim |
检测重复报案 | policy_no, incident_date, hospital |
识别同一事故多次报案骗保 |
| 步骤6 | fraud-detection.analyze_behavior_pattern |
分析报案行为异常模式 | case_no, customer_id |
识别投保后短期出险、异常就医等行为信号 |
降级策略：当MCP工具不可用时，AI应提示用户手动提供对应信息，或跳过该步骤继续后续分析。
输出格式
输出数据遵循保险Skill通用数据交换Schema，字段命名统一为snake_case，金额单位为分，日期格式为ISO 8601。
以结构化 Markdown 报告输出：
- 欺诈风险评分 — 分值（0-100）和风险等级
- 可疑信号明细表 — 每个信号的类别、描述、风险权重
- 调查建议 — 优先核查的事项和方向
- 免责声明 — 说明评分为辅助工具，最终判断需人工核实
关联技能
- 理赔材料智能分析（
insurance-claim-document-processing）：提供材料一致性校验、日期时序校验、发票交叉验证等欺诈检测基础数据 - 案件登记（
insurance-claim-case-registration）：提供重复报案检测、保单有效性验证等前置数据
合规约束
- 不适用边界：本技能不适用于费用合理性审查、责任范围判定。当用户需求属于以下场景时应转交其他技能或人工处理：费用合理性审查、责任范围判定
- 禁止赔付承诺：不使用"一定能赔""全额赔付"等承诺性表述，即使风险评分很低也只能说"建议正常受理"
- 禁止替代调查决定：本技能仅输出风险评估和调查建议，最终调查和赔付决定由核赔专员出具
- 数据溯源：每条风险信号必须标注检测维度和依据，未标注依据的信号视为不合规输出
- 隐私保护：被保险人身份证号、银行卡号等敏感信息必须脱敏
- 反歧视约束：评分模型不得基于年龄、地区、职业等人口统计学特征进行歧视性判断，风险信号仅基于案件材料和行为模式
- 高风险不等于拒赔：高风险标记不等于拒赔决定，须启动调查流程核实，未经核实不得单方面拒赔
审计日志
每次执行后，生成审计日志至 audit/ 目录：
- 技能名称和版本
- 触发时间和用户标识
- 输入数据哈希值（SHA-256）
- 关键决策节点和输出
- 是否触发人工复核
- 最终输出摘要
Gotchas（踩坑记录）
- 欺诈判断是概率性的：风险评分仅表示欺诈可能性，不代表确认欺诈；最终结论须经调查核实
- 保护被保险人权益：高风险标记不等于拒赔，需启动调查流程，未经核实不得单方面拒赔
- 规避歧视风险：评分模型不得基于年龄、地区、职业等人口统计学特征进行歧视性判断
- 数据隐私合规：关联分析所使用的历史数据需符合个人信息保护相关法规
测试用例
用例1：低风险正常案件
- 输入：投保2年，普通住院，材料完整一致，无历史可疑记录
- 预期输出：风险评分15分，低风险，建议正常受理
- 验证点：正常案件不被误判
用例2：高风险可疑案件
- 输入：投保后20天出险，费用发票日期与就诊记录不符，短期内第3次理赔
- 预期输出：风险评分75分，高风险，建议人工专项核查
- 验证点：多个风险信号叠加效果正确
用例3：单一异常信号
- 输入：跨省就医，但材料一致性正常，无其他风险信号
- 预期输出：风险评分25分，低风险，注明跨省就医，建议补充说明
- 验证点：单一低权重信号不触发高风险
结束条件
- 成功输出 — 已完成欺诈风险评估，输出风险报告
- 信息不足 — 已告知缺失的必要材料或案件信息
- 超出范围 — 请求超出本技能范围，已说明边界
- 用户满意 — 用户明确表示已获得所需结果