• 机构：Dah Sing Bank
• 项目：Transforming AML STR Generation with GenAI
• 时间：2025 年
• 类别：反洗钱 / 可疑交易报告 / 生成式 AI / 调查叙述 / 监管科技
• 来源：https://www.dahsing.com/pdf/common/genai_sandbox_dsb_aml_str_en.pdf ↗

反洗钱调查中的可疑交易报告（STR）是银行合规工作里非常耗人力的一环。交易监测系统触发告警后，调查人员要汇总客户背景、账户信息、交易模式、触发原因、前线补充信息和调查结论，并将其写成符合监管提交要求的叙述文本。对于非报告案件，也需要形成足够清晰的结案叙述和留痕。

Dah Sing Bank 在香港金管局首期 GenA.I. 沙盒中选择这个场景，说明生成式 AI 正从客服和员工助手进入高度监管的金融犯罪调查流程。它的难点不只是写得快，而是要写得结构化、可追溯、符合模板，并且不能替代调查人员对是否报告至 Joint Financial Intelligence Unit（JFIU）的最终判断。

该行构建了一个 AI 支持的 AML STR 生成系统。当 AML Transaction Monitoring 系统触发告警后，GenAI 系统自动整合来自 AML-TM 系统和银行数据仓库的客户、账户和交易信息，生成客户背景、触发事件、交易模式等基础调查叙述，并突出关键模式和异常点，帮助调查人员开展初审。

调查人员继续补充前线信息、客户信息和人工判断，并决定案件是否需要向 JFIU 报告。若为报告案件，系统生成 STR 草稿，并在批准后输出符合 JFIU 格式要求的 XML 文件；若为非报告案件，系统生成结案叙述并归档。Dah Sing Bank 还披露，监督微调（SFT）结合领域专家经验显著优于未微调模型。

PoC 显示，GenAI 支持的 STR 和非报告案件叙述可根据案件复杂度节省约 30% 至超过 80% 的准备时间。简单的非报告个人交易案例节省约 30%；复杂的报告类公司案件时间降幅可达 80%。这说明生成式 AI 在复杂叙述整理、证据汇总和模板化写作方面尤其有价值。

官方材料还指出，项目利用 GenA.I. 沙盒和数码港 AISC GPU 资源，在不需要大量前期基础设施投入的情况下从概念推进到验证。后续计划包括接入外部数据源，如公司背景调查、交易对手公开情报，并建立带引用和推理说明的更完整叙述，以及持续监控和反馈机制。

• 把 STR 写作拆成数据整合、基础叙述、异常解释、人工结论、审批输出五步。
• 保持“AI 起草、人工判断、审批提交”的边界，避免 AI 决定是否上报。
• 使用固定调查模板，让模型输出天然适配合规审阅。
• 对复杂公司案件优先试点，因为叙述准备节省最大。
• 引入 SFT 前先整理高质量历史叙述样本和专家评分标准。
• 将报告案件与非报告案件都纳入系统，避免只优化上报文本。
• 在输出中增加引用来源和推理链摘要，方便审计复核。

• 反洗钱报告属于高监管场景，AI 输出必须经过合规调查人员和审批人复核。
• 模型不能捏造交易背景、客户关系或资金用途，必须绑定可验证数据源。
• 历史 STR 样本训练要处理敏感个人、公司和交易信息。
• 叙述一致性提高后，也要防止模型把不同案件写得过度模板化。
• 外部情报接入时要区分可信来源、公开来源和未经核实信息。
• 对 JFIU XML 输出格式要建立严格校验，避免格式错误造成提交失败。

• 用虚拟交易流水写一个“告警—客户背景—交易模式—结论”的 STR 草稿模板。
• 设计一个非报告案件叙述模板，练习说明为什么暂不报告。
• 构建 5 个虚拟交易异常标签：频繁小额、跨境高频、异常对手方、休眠账户激活、现金密集。
• 比较“未结构化笔记”和“模板化叙述”在复核效率上的差异。
• 做一张 STR 人机分工表：AI 可写什么、调查员必须判断什么、审批人确认什么。
• 设计模型输出质检项：事实一致性、引用完整性、语气客观性、监管格式符合度。