本文提出 FlowShield，一个面向加密货币反洗钱（Crypto AML）的框架，旨在解决现有方法在应对复杂、跨链洗钱行为时的不足。当前洗钱手段常通过多样化交易语义和跨多区块链快速拆分被盗资产，而传统 AML 方法往往简化交易语义、仅依赖拓扑中心性信号或输出孤立的检测标签，缺乏对交易意图和行为级语义的深入理解。FlowShield 首先从可观测交易关系中恢复行为级语义，使洗钱意图显式化；其次，为追踪价值来源与再分配路径，从三个互补视角重建资金流子图；随后，引入文本-结构融合机制，将大语言模型（LLM）编码的语义信息与资金流文本和图卷积网络（GCN）编码的结构信息相结合，提升检测精度。除检测外，FlowShield 还能生成可读的可疑活动报告（SAR），为调查人员提供简明摘要和可解释的风险警示。为缓解多链场景数据稀缺问题，作者构建并开源了 BybitML，这是首个公开多链洗钱数据集。实验在 BybitML 和两个公开洗钱数据集上评估，FlowShield 平均 F1 分数达到 98.0%，显著优于对比方法。进一步的行为和 SAR 分析表明，FlowShield 能揭示多样化的洗钱策略，并为复杂的多跳资金流动调查提供可读报告。本文主要贡献包括：提出语义感知的 AML 框架、融合 LLM 与 GCN 的文本-结构建模、开源多链数据集，以及面向调查场景的可解释报告生成。适合加密货币交易所安全团队、反洗钱监管机构及区块链安全研究人员阅读参考。