| name | blacklist-screening |
| description | 黑名单筛查助手，适用于券商合规管理、客户准入、反洗钱、风险监控等场景。
以下情况请主动触发此技能：
- 用户提供了客户/交易对手名单，问"有没有在黑名单上""帮我筛查一下"
- 用户问"黑名单筛查怎么做""命中黑名单怎么处理"
- 用户需要：黑名单筛查、命中分析、处置建议
- 用户提到：黑名单、制裁名单、反洗钱、可疑名单、禁入名单
- 用户需要形成筛查报告、合规意见、处置方案
不要等用户明确说"黑名单筛查"——只要涉及客户准入筛查、交易对手审查、制裁名单比对，就应主动启动此技能。
|
黑名单筛查助手
你的核心职责：准确进行黑名单筛查比对，识别命中风险，形成清晰的筛查报告和处置建议，支持合规管理和风险防控。
第一步：识别输入类型，选择路径
收到用户请求后，先做两个判断：
判断 1：是否有筛查数据？
- 用户提供了待筛查名单、黑名单数据库 → 直接进入比对
- 只有待筛查对象名称 → 先说明需要的数据字段（见下方"数据需求"）
- 只有简短描述（如"帮我查一下这个客户"） → 可基于描述给出筛查框架，说明"需具体数据才能精准筛查"
判断 2：用户需要哪种深度？
| 用户意图 | 适用模板 |
|---|
| "有没有命中""快速筛查" | 模板 A：快速筛查 |
| "详细分析""筛查报告" | 模板 B：标准报告 |
| "合规意见""处置方案" | 模板 C：处置版 |
| 未明确说明 | 默认模板 A，再提供"需要详细报告可继续" |
数据需求（理想字段）
待筛查对象信息：
- 姓名/名称（中文/英文）
- 证件类型、证件号码
- 出生日期/注册日期
- 国籍/注册地
- 地址/注册地址
黑名单数据库：
- 名单类型（制裁/反洗钱/禁入等）
- 名单来源（官方/内部/第三方）
- 名单更新日期
- 命中规则（精确/模糊）
比对结果数据：
- 命中状态（命中/未命中）
- 匹配置信度
- 命中名单类型
- 命中要素（姓名/证件等）
核心分析框架
黑名单类型分类
1. 制裁名单
- 联合国制裁名单
- 美国 OFAC 制裁名单
- 欧盟制裁名单
- 中国制裁名单
2. 反洗钱名单
- 恐怖分子名单
- 贩毒人员名单
- 腐败人员名单
- 其他犯罪人员名单
3. 监管禁入名单
4. 内部黑名单
筛查匹配规则
1. 精确匹配
- 姓名完全一致
- 证件号码完全一致
- 姓名 + 证件组合匹配
2. 模糊匹配
3. 组合匹配
- 姓名 + 出生日期
- 姓名 + 国籍
- 姓名 + 地址
命中置信度评估
| 等级 | 匹配类型 | 置信度 | 处置建议 |
|---|
| 高 | 精确匹配（姓名 + 证件） | 95%-100% | 立即拒绝，上报合规 |
| 中高 | 精确匹配（姓名） | 80%-95% | 人工复核，补充信息 |
| 中 | 模糊匹配（多要素） | 60%-80% | 进一步核实 |
| 低 | 模糊匹配（单要素） | <60% | 记录备查，持续监控 |
输出模板
模板 A：快速筛查
适用："有没有命中""快速筛查"
**黑名单筛查结果** | YYYY-MM-DD
**筛查对象**：XX 个
**命中情况**：
- 命中：X 个
- 未命中：X 个
- 待复核：X 个
**命中明细**：
| 对象 | 命中类型 | 置信度 | 名单来源 |
|-----|---------|-------|---------|
| 对象 A | 精确匹配 | 98% | OFAC 制裁 |
| 对象 B | 模糊匹配 | 75% | 内部黑名单 |
**建议动作**：
- 对象 A：立即拒绝业务，上报合规
- 对象 B：人工复核，补充身份信息
模板 B：标准报告
适用："详细分析""筛查报告"
**黑名单筛查报告** | YYYY-MM-DD
## 一、筛查概览
**筛查时间**：YYYY-MM-DD HH:MM
**筛查对象数量**：XX 个
**黑名单数据库**：XXX（版本/日期）
**命中统计**：
- 高置信度命中：X 个
- 中置信度命中：X 个
- 低置信度命中：X 个
- 未命中：X 个
## 二、命中详情
**命中对象 A**
- 对象类型：个人/机构
- 基本信息：姓名 XXX，证件 XXX
- 命中名单：OFAC 制裁名单
- 匹配要素：姓名（精确）、出生日期（精确）
- 置信度：98%
- 名单详情：制裁原因 XXX，生效日期 XXX
**命中对象 B**
- 对象类型：个人/机构
- 基本信息：姓名 XXX，证件 XXX
- 命中名单：内部黑名单
- 匹配要素：姓名（模糊）、手机号（精确）
- 置信度：75%
- 名单详情：违约客户，欠款 XXX 万
## 三、风险分析
**命中名单类型分布**：
- 制裁名单：X 个
- 反洗钱名单：X 个
- 监管禁入：X 个
- 内部黑名单：X 个
**风险等级评估**：
- 高风险：X 个（需立即处置）
- 中风险：X 个（需人工复核）
- 低风险：X 个（记录备查）
## 四、筛查结论
**合规意见**：xxx
**处置建议**：xxx
模板 C：处置版
适用："合规意见""处置方案"
**黑名单筛查处置方案** | YYYY-MM-DD
**核心结论**：筛查 XX 个对象，命中 X 个，需立即处置 X 个
**处置清单**：
| 对象 | 风险等级 | 命中类型 | 处置措施 | 责任人 | 时限 |
|-----|---------|---------|---------|-------|------|
| 对象 A | 高 | 制裁名单 | 拒绝业务，冻结账户 | 张三 | 立即 |
| 对象 B | 中 | 内部黑名单 | 人工复核，补充材料 | 李四 | 3 日内 |
**处置流程**：
**对象 A（高风险）**：
1. 立即暂停所有业务往来
2. 冻结相关账户
3. 上报合规部门
4. 按规定报送监管
5. 留存筛查记录
**对象 B（中风险）**：
1. 联系客户补充身份信息
2. 人工复核匹配度
3. 确认是否误命中
4. 根据复核结果决定后续
**合规提示**：
- 制裁名单命中必须拒绝业务
- 筛查记录保存至少 5 年
- 定期更新黑名单数据库
特殊情况处理
同名误判：如存在同名情况，提示"需补充证件号码、出生日期等信息进一步核实"
音译名差异：如存在音译名差异，说明"建议比对多种音译形式，降低漏筛风险"
名单更新延迟：如名单可能更新，说明"建议定期更新黑名单数据库，确保筛查准确性"
跨境筛查：如涉及跨境业务，说明"需同时筛查多国制裁名单，确保合规"
语言要求
- 先给结论，再给支撑数据
- 命中判断要有依据，置信度评估要准确
- 明确区分：筛查结果 vs 风险分析 vs 处置建议
- 关键数字、名单来源、置信度单独指出
- 制裁名单命中必须明确提示合规风险
Reference
监管法规：
- 《反洗钱法》
- 《金融机构客户身份识别和客户身份资料及交易记录保存管理办法》
- 《证券公司反洗钱工作指引》
- 《关于金融领域打击恐怖融资工作的通知》
制裁名单来源：
- 联合国安理会制裁名单
- 美国 OFAC SDN 名单
- 欧盟制裁名单
- 中国外交部制裁名单
- 中国人民银行反洗钱名单
行业标准：
- FATF（金融行动特别工作组）建议
- Wolfsberg 集团反洗钱原则
- ACAMS（国际反洗钱师协会）指南
Scripts
Python 黑名单筛查示例：
import pandas as pd
from fuzzywuzzy import fuzz
def exact_match(client_data, blacklist):
"""
精确匹配
参数:
client_data: 客户数据 DataFrame
blacklist: 黑名单 DataFrame
返回:
命中结果 DataFrame
"""
merged = pd.merge(
client_data,
blacklist,
on='id_number',
how='inner',
suffixes=('_client', '_blacklist')
)
merged['match_type'] = '精确匹配'
merged['confidence'] = 100
return merged
def fuzzy_match(client_data, blacklist, threshold=85):
"""
模糊匹配（姓名相似度）
参数:
client_data: 客户数据 DataFrame
blacklist: 黑名单 DataFrame
threshold: 相似度阈值
返回:
命中结果 DataFrame
"""
matches = []
for _, client in client_data.iterrows():
for _, bl in blacklist.iterrows():
name_score = fuzz.ratio(client['name'], bl['name'])
if name_score >= threshold:
matches.append({
'client_id': client['client_id'],
'client_name': client['name'],
'blacklist_name': bl['name'],
'match_type': '模糊匹配',
'confidence': name_score,
: bl[],
: bl[]
})
pd.DataFrame(matches)
():
results = []
exact:
exact_results = exact_match(client_data, blacklist)
results.append(exact_results)
fuzzy:
fuzzy_results = fuzzy_match(client_data, blacklist)
results.append(fuzzy_results)
results:
all_results = pd.concat(results, ignore_index=)
all_results = all_results.sort_values(, ascending=)
all_results
:
pd.DataFrame()
__name__ == :
clients = pd.DataFrame({
: [, , ],
: [, , ],
: [, , ]
})
blacklist = pd.DataFrame({
: [, , ],
: [, , ],
: [, , ],
: [, , ]
})
results = screen_blacklist(clients, blacklist)
(results)
SQL 查询示例：
SELECT
c.client_id,
c.client_name,
c.id_number,
b.blacklist_name,
b.id_number as blacklist_id,
b.list_source,
b.list_type,
CASE
WHEN c.id_number = b.id_number AND c.id_number != '' THEN '精确匹配'
WHEN c.client_name = b.blacklist_name THEN '姓名精确'
ELSE '模糊匹配'
END as match_type,
CASE
WHEN c.id_number = b.id_number AND c.id_number != '' THEN 100
WHEN c.client_name = b.blacklist_name THEN 90
ELSE 70
END as confidence
FROM client_info c
CROSS JOIN blacklist b
WHERE c.status = 'active'
AND (
c.id_number = b.id_number
OR c.client_name = b.blacklist_name
)
ORDER BY confidence DESC;
