该论文提出了一种端到端的解释性钱骡账户检测管道，旨在解决金融欺诈中钱骡账户难以大规模检测的问题。管道分为三个阶段：首先，使用LightGBM分类器在280个工程特征上训练，这些特征涵盖交易模式、账户人口统计、网络拓扑和时间行为；其次，引入TreeSHAP归因层，为每个预测分解特征贡献；最后，利用大语言模型（LLM）将SHAP归因转换为面向分析师的自然语言叙述。研究评估了三种开源LLM家族，并通过分析师反馈评估解释质量。在生产部署中，该系统实现了89%的收益率（原基于规则的系统为61%），月警报量从211条增至302条（反映更广的真阳性覆盖而非噪音），增量不良检测率达到60%，显著优于规则方法。定性反馈表明，LLM生成的叙述减轻了分析师在警报分类中的认知负担。论文还讨论了在受监管金融环境中部署LLM增强可解释性的启示。该研究适合金融风控、反欺诈及可解释AI领域的研究者和从业者阅读。