本文提出 FlowShield，一个面向加密货币反洗钱（Crypto AML）的框架，旨在应对日益复杂的洗钱行为——这类行为通过多样化的交易语义和多条区块链快速拆分被盗资产。现有 AML 方法通常简化交易语义、依赖以拓扑为中心的信号，或输出孤立的检测标签，缺乏对交易意图和资金流动的深层理解。FlowShield 首先从可观测关系中恢复行为级语义，使洗钱意图显式化；其次，从三个互补视角重建资金流子图，以追踪价值来源与再分配；然后采用文本-结构融合机制，将大语言模型（LLM）编码的语义与图卷积网络（GCN）编码的结构信息相结合。除检测外，FlowShield 还能生成可读的可疑活动报告（SARs），为调查人员提供简明摘要和可解释的警示标志。为解决多链检测中的数据稀缺问题，作者构建并开源了 BybitML——首个公开的多链洗钱数据集。实验在 BybitML 和两个公开洗钱数据集上进行，结果表明 FlowShield 综合性能最优，平均 F1 分数达 98.0%。进一步的行为与 SAR 分析显示，FlowShield 能揭示多样化的洗钱策略，并为调查复杂多跳资金流生成可读报告。该论文主要贡献包括：提出行为级语义恢复方法、三视角资金流子图重建、文本-结构融合架构、可解释 SAR 生成，以及开源多链数据集 BybitML。适合区块链安全、反洗钱、图学习与大语言模型应用方向的研究人员阅读。