论文提出一个端到端的可解释钱骡账户检测管道，解决大规模金融欺诈中恶意账户识别的难题。管道分为三个阶段：首先，基于280个手工特征（涵盖交易模式、账户人口统计、网络拓扑和时间行为）训练LightGBM分类器进行初始检测；其次，利用TreeSHAP对每个预测进行特征归因分解，生成贡献度向量；最后，通过大语言模型（LLM）模块将SHAP归因结果转化为面向分析师的自然语言叙事。研究评估了三个开源LLM系列，并通过分析师反馈评价解释质量。在真实生产部署中，系统 yield rate 从基于规则的61%提升至89%，月度告警量从211增至302，表明真阳性覆盖范围扩大而非噪声增加。新增告警中60%为现有审查流程未发现的恶意行为。定性反馈表明，LLM生成的叙事降低了告警分类的认知负荷。论文进一步讨论了在监管金融环境中部署LLM增强可解释性的影响。主要贡献在于提出了首个结合机器学习、可解释性与生成式人工智能的端到端钱骡检测方案，并验证了其在真实环境中的有效性。适合金融安全分析师、欺诈检测工程师及可解释AI研究者阅读。