Jube 是一个开源 AML 和欺诈检测平台，面向实时交易监测、可疑交易识别、风险评分、规则引擎、机器学习检测和案件管理。它不是单一模型 notebook，而是更接近金融机构实际使用的交易监控系统：交易进入系统后，可以通过规则、阈值、速度检查、聚合统计、机器学习模型和工作流触发风险事件，再进入案件管理和人工调查。

这类项目对银行学习者价值很高，因为反洗钱和欺诈监控的真实难点不只是“训练一个模型”。真实难点包括规则和模型如何共存，误报如何处理，案件如何分派，审计留痕如何保存，模型评分如何解释，实时性能如何保证，监管检查时如何说明每一个拦截或未拦截的原因。

• AML 与欺诈检测一体化，覆盖实时交易监测、规则引擎、机器学习和案件管理。
• 支持监督和非监督机器学习风险评分，同时保留规则和阈值等可解释机制。
• 包含工作流、升级、审计轨迹和多租户等更接近生产系统的要素。
• AGPL-3.0 协议，适合学习和自托管实验，但商业化二次开发需注意协议义务。

Jube 适合学习反洗钱系统的完整形态。银行从业者可以重点理解：为什么 AML 不能只靠一个黑盒模型；规则、场景、名单、客户风险等级、交易行为、案件处置之间如何形成闭环；为什么审计轨迹和人工调查是系统的一部分，而不是后续附加功能。

• 交易监测和可疑交易预警原型。
• 支付、收单、数字银行、虚拟资产平台的 AML/Fraud 监控学习。
• 银行内部反洗钱场景库、规则库和案件流转机制设计参考。
• 对比传统规则系统与机器学习风险评分的优劣。

AML 是强监管场景，开源系统不能直接替代银行合规系统。模型误报会增加合规成本，漏报会形成重大监管风险。任何上线都需要结合本地监管要求、客户尽调体系、名单来源、交易数据质量、人工调查流程和独立模型验证。