MongoDB 如何用 LangGraph 构建智能体 SAR 调查流水线

该系列最后一篇聚焦金融犯罪管理流程中的“欺诈反应”阶段，即增强尽职调查（EDD）。文章指出，传统数字化 AML 方案依赖仪表盘与规则自动化，虽改善 SLA，却带来数据碎片化、误报率高和运营延迟问题；而即时支付等现代金融服务要求全流程检查瞬时完成，不能牺牲客户体验。 方案以 LangGraph 负责编排与动态路由，MongoDB 作为唯一可信状态源，其文档模型可承载 SAR、告警与实体元数据等多态 AML 数据，无需破坏性 schema 迁移。Atlas Vector Search 让交易数据与向量嵌入集中存储，避免维护独立向量库造成的数据库蔓延。 工作流从分诊智能体收到新 SAR 通知开始，启动子智能体分别从实体、交易、观察名单和网络收集信息，汇总至案件分析师智能体；随后由 SAR 撰写智能体按机构术语成文，再交合规 QA 智能体校验政策与规则，最后进入风险分析师的人工复核环节。 文章强调“智能体”不等于“无人监督”，人在回路被设计为显式审计模式：MongoDB 保存智能体决策的完整溯源，分析师可查看推理链与数据来源，从而加快签核。三条落地原则为：按窄范围设计专用智能体、集中状态而分散逻辑、优先保证可审计性。文中还提供了演示原型与 demo 仓库供参考。