制裁名单筛查看起来是个简单问题。

拿一个名字，和名单比对，分数超过阈值就送去人工审核。在动手搭建Verifex之前，我也是这么想的。实际完全不是一回事。

打开网易新闻 查看精彩图片

没人说破的真正痛点

合规审核员需要的不是"两个名字很像"这个结果。他们得搞清楚：匹配是怎么产生的？哪些证据支持？哪些证据削弱？六个月后审计时这个决定是否站得住脚？

一个孤零零的分数回答不了任何问题。引擎返回0.92，审核员还得从头猜：是姓氏对上了？别名？出生日期？国籍？还是来源名单的问题？没有拆解，每次审核都是从零开始的手动重建。

模糊匹配的盲区

字符串模糊匹配在干净数据上表现不错。John Smith对John Smith，ACME Ltd对ACME Limited，都没问题。但真实的制裁数据混乱得多。

名字顺序被打乱。不同来源的音译规则不一致。有的条目有别名，有的没有。出生日期缺失或残缺。国籍存储格式乱七八糟。常见名字制造噪音。有些名单把名字存成"姓氏, 名 父称"格式，而天真的解析器会把它们颠倒过来。

最后这个问题在早期版本里真的出过bug。解析器把PUTIN当成名字，因为它出现在逗号前面。匹配分数暴跌，但任何人类审核员一眼就能看出这是同一个人。单一的最终分数只能告诉你"哪里不对"。证据拆解才能告诉你"具体哪里"。

证据胶囊的设计

我围绕一个简单想法持续迭代：引擎不该只返回分数，而要给每个候选匹配生成结构化的证据对象。我称之为"证据胶囊"（Evidence Capsule）。

每个胶囊包含：查询名与候选名、来源名单信息、分词级别的名字比对、出生日期信号、国家与国籍信号、标识符信号、支持性证据列表、削弱性证据列表、原因代码，以及审计警告。

目标不是取代审核员，而是给他们结构化的解释，让他们不必每次都从零开始。

把评分重构为证据加权

模糊匹配输出的是相似度分数。我想要的是更接近证据加权推理的东西。内部模型采用对数几率结构：log_odds等于先验对数几率加上各项证据权重之和，后验概率则由sigmoid函数转换得到。

每个信号独立贡献。姓氏完全匹配会加分。出生日期完全匹配大幅加分。国家不匹配会拉低分数。仅基于常见名字的匹配会被惩罚。缺失的上下文被明确记录，而非直接忽略。但这不等于说输出是经过校准的概率，这个区别很重要。

为什么校准 matters

如果引擎输出0.90，这并不自动意味着90%的匹配是真正的命中。未经校准的模型在高置信度区间会系统性过度自信。审核员如果按字面理解这个数字，会产生错误的安全感。

校准需要代表数据。而制裁筛查的数据有个特殊问题：真正的正样本极其稀少。在大多数生产环境中，命中率低于0.1%。这意味着你几乎没有真正的匹配来训练校准曲线。

我目前的做法是分离两个概念：证据加权分数用于排序和阈值筛选；校准后的概率估计单独提供，并附带明确的置信区间和校准质量指标。审核员需要知道什么时候可以信任数字，什么时候该持保留态度。

从分数到叙事

证据胶囊的真正价值不在于技术细节，而在于它改变了审核员的工作模式。传统流程是看到分数、猜测原因、打开原始记录、手动比对、写下结论。新流程则是阅读证据摘要、验证关键信号、确认或质疑、最终决策。

审核时间从平均4分钟降到90秒。更重要的是，审核质量变得可审计。六个月后的复查可以看到当时的完整推理链条，而不是一个孤立的分数和一段手写备注。

还没解决的问题

这个架构也有明显局限。跨语言匹配仍然困难。阿拉伯语名字的罗马化变体可能多达十几种，证据胶囊会列出所有匹配，但审核员仍需判断哪些是合理的音译变体，哪些是无关噪音。

别名网络复杂化推理。当一个人有五个别名，每个别名又有多种变体时，证据胶囊的长度会爆炸。我正在实验分层摘要：先给总体匹配理由，再展开详细证据。