该论文针对零售银行和企业银行面临的两类欺诈威胁——基于签名的欺诈（如无卡支付攻击、账户接管、ATM克隆）和基于行为的金融犯罪（如结构化交易、分层洗钱、钱骡网络、商业邮件诈骗）——提出了一种AI安全代理融合架构。这两类威胁的检测需求根本不同：静态规则引擎能可靠捕获暴力攻击和高频事件，但对商业邮件诈骗（BEC）的资金重定向、会话劫持和洗钱分层等精心设计以在单笔交易或会话层面与正常活动无法区分的行为则存在结构性盲区。论文提出的三组件融合架构运行在两条并行事件流上：交易流（卡欺诈、ACH/电汇欺诈、反洗钱类别）和会话流（账户接管、会话劫持、SIM卡交换、内部滥用）。每个流结合了三个组件：捕捉每个账户行为历史的LSTM序列模型、统计速度/阈值监控器、以及捕捉账户对手关系模式（扇入、扇出、传递比）用于洗钱检测的图/网络模块。在包含13个威胁类别、3,470个模拟账户的237,669笔交易和113,508次会话的合成事件日志上的实验表明，所提模型的总体F1分数在交易流上为0.787，会话流上为0.867，而基于规则的基线分别为0.562和0.733，仅LSTM的基线分别为0.655和0.713。此外，该代理包含面向客户的交易验证聊天机器人（身份验证准确率96.6%，大规模重置攻击检测率86.8%）和分析师案例摘要助手（动作推荐F1为99.3%），关键级别自动响应延迟在95百分位数下低于0.43毫秒。