基于摘要记忆的可解释智能体系统用于对话诈骗检测

研究人员提出一个可解释的智能体系统，利用摘要记忆检测跨多周或数月的对话式诈骗。该系统扩展了单条消息钓鱼检测，在LoveFraud02语料库上识别全部83起对话诈骗，在ConScamBench-278基准上达到97.8%准确率。用户研究（N=100和N=45）显示，使用系统后用户自报信任、自信和AI检测需求显著提升，系统可用性评分为74.7。同时发布了包含8类诈骗的公开基准数据集ConScamBench-278。

此前诈骗检测系统仅关注孤立消息，无法应对逐步建立信任的长期对话诈骗。该系统首次结合可解释agent和摘要记忆，实现对话级高精度检测，并提供了标准化评测基准，弥补了该领域的关键空白。

系统包含单条消息检测器和对话级检测器：基于摘要记忆跟踪对话上下文，对每个消息评估风险，最终综合判断整个对话是否涉及诈骗。可解释性通过输出关键证据实现，帮助用户理解判断依据。

该技术可直接集成到即时通讯、社交平台或邮件系统中，实现自动识别多轮诈骗对话；也可作为安全工具插件，降低用户被骗风险。基准数据集便于产品团队快速测试和对比自家算法。

• 系统在不同语言（如中文）和不同文化背景下的诈骗检测效果如何？
• 实际部署中实时检测的延迟和计算资源需求是多少？
• 用户研究为预/后比较，长期使用后用户行为改变是否持久？