# BunkerGuard AI：新加坡船用燃油欺诈智能检测平台

> 深入解析BunkerGuard AI项目——一个专为新加坡船用燃油（bunkering）行业设计的欺诈智能检测平台，采用四代理LLM工作流架构，结合文档OCR、风险评分和证据报告生成，为海事欺诈检测提供完整的技术解决方案。

- 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm)
- 发布时间: 2026-06-10T12:14:55.000Z
- 最近活动: 2026-06-10T12:26:42.683Z
- 热度: 154.8
- 关键词: 海事欺诈检测, 船用燃油, LLM代理, OCR文档处理, 风险评分, 证据报告, 新加坡bunkering, 多代理系统, 云原生架构, 合规自动化
- 页面链接: https://www.zingnex.cn/forum/thread/bunkerguard-ai
- Canonical: https://www.zingnex.cn/forum/thread/bunkerguard-ai
- Markdown 来源: ingested_event

---

## 原作者与来源

- 原作者/维护者：Scarce01
- 来源平台：GitHub
- 原始标题：bunkerguard-ai
- 原始链接：https://github.com/Scarce01/bunkerguard-ai
- 来源发布时间/更新时间：2026-06-10

## 项目背景与行业痛点

船用燃油（bunker）交付是海运业的核心环节，也是欺诈行为的高发领域。在新加坡这一全球最大船用燃油加注港，每年处理的燃油交付单（Bunker Delivery Note, BDN）数量庞大，人工审核难以有效识别所有潜在风险。常见的欺诈手段包括：数量短少、质量掺假、文件伪造、重复索赔等。

传统的欺诈检测依赖人工经验，存在效率低、一致性差、难以规模化等问题。BunkerGuard AI项目正是针对这一行业痛点，利用现代AI技术构建了一套自动化的欺诈检测与证据生成系统。

## 系统架构概览

BunkerGuard AI采用四代理LLM工作流架构，结合云原生技术栈，实现了从文档上传到决策建议的全流程自动化。系统核心设计原则是：LLM负责解释和组织证据，而欺诈评分、碳值计算和签核规则保持确定性。

### 技术栈组成

**前端**：React 18 + TypeScript + Vite 6，使用Tailwind CSS和Material UI/Radix UI构建界面，集成Vercel AI SDK实现Copilot文本流交互，Three.js和React Three Fiber提供3D海事可视化。

**后端**：Python 3.12 + Pydantic 2提供严格跨阶段契约，AWS Lambda作为无服务器运行时，API Gateway处理HTTPS路由和CORS，Amazon Bedrock作为主要Claude模型提供商。

**数据与基础设施**：Supabase Postgres存储运营数据，Amazon S3存储上传的BDN和证据包，AWS CloudFormation管理基础设施即代码。

## 核心能力详解

### 真实BDN文档摄取

系统支持PDF、JPEG、PNG、WEBP、GIF等多种格式文档上传，最大6MB。文档处理流程包括：

1. **文档验证**：检查文件类型和大小
2. **安全存储**：原始文件SHA-256哈希后加密存储于S3
3. **OCR提取**：使用Anthropic多模态API或OpenRouter图像回退提取文本
4. **结构化解析**：提取船名、IMO号、供应商名称、燃油等级、交付数量、港口、日期时间、密度、粘度、硫含量、闪点、签名等关键字段

提取的置信度基于实际字段存在情况计算，身份和数量字段权重较高。

### 四代理LLM工作流

系统设计了四个专业代理协同工作：

**Surveyor Agent（检验代理）**：接收上传的BDN和提取字段，输出规范化的SessionInput。负责将非结构化的BDN文档转换为系统可处理的标准化格式。

**Investigator Agent（调查代理）**：输入Stage 2、Stage 3和Exa上下文，输出风险和异常包。代理只使用Stage 2/3的确定性输出，不直接修改分数。

**Compliance Agent（合规代理）**：输入丰富信息、签名、许可证、证据，输出合规发现。该代理不直接修改分数，而是识别缺失的许可证、签名和关注点。

**Decision Agent（决策代理）**：输入风险包和合规包，输出SIGN、REVIEW或REFUSE建议。决策基于确定性策略规则。

此外，Copilot代理提供实时上下文和用户问答的解释与指导功能。

### 异常检测引擎（Stage 2）

`backend/anomaly`模块运行确定性规则，检测以下异常类型：

- 最终数量与轨迹数量不匹配
- 密度和流量异常
- 逆流和仪表故障
- 硫含量和闪点违规
- 等级排序不匹配
- 船名和IMO不匹配
- 锚地和驳船接近度问题
- 无许可证供应商
- 缺失签名和样品封条
- e-BDN真实性和MFM流完整性
-  cappuccino bunkering、VEF、CCAI、测深/ROB检查

每个异常包含稳定ID、严重度、监管依据、置信度和证据引用。

### 风险评分引擎（Stage 3）

`backend/risk`模块综合以下因素计算风险分数：

- 异常严重度
- 供应商历史
- 文档完整性
- 交付偏差
- 监管底线规则
- 数据不足状态
- 财务风险敞口

输出包括分数、类别、裁决、升级要求、抗议信状态、调查/重新取样要求，以及完整的审计追踪。

### 智能丰富（Exa Search）

系统通过Exa Search API并行查询供应商、船舶、驳船和港口情报，为风险评估提供外部上下文。Exa发现作为补充证据持久化，但不直接修改Stage 3的确定性分数。

### 碳排放智能

系统计算交付燃油的tCO2e（吨二氧化碳当量）：

```
estimated_carbon_tco2e = delivered_fuel_quantity_mt * emission_factor_tco2e_per_mt
```

支持的燃油等级包括VLSFO、HSFO、MGO、LNG、生物燃料混合，每种有默认排放因子。未知等级使用VLSFO回退并标记为估计值。碳指标出现在船队情报、供应商档案、会话概览和证据报告中。

## 证据与存储体系

### S3存储前缀

- `uploaded-bdn/`：原始上传的BDN文件
- `ingestion-evidence/`：检验、调查、合规和决策代理包
- `evidence-packages/`：Stage 2和Stage 3 API输出
- `generated-reports/`：生成的证据报告

存储桶使用AES-256服务端加密、版本控制、生命周期规则和Lambda范围的IAM访问控制。

### 证据报告内容

生成的证据报告包括：

- 会话和交付标识
- BDN和MFM对比
- 异常和欺诈发现
- 确定性风险评估
- 财务风险敞口
- 确定性环境影响
- 建议行动和签核状态
- SHA-256报告哈希
- 可选锚定元数据
- S3和Supabase持久化元数据

## 端到端用户流程

1. 用户上传真实BDN → 文档验证、哈希、存储
2. Lambda启动异步工作流 → UI立即接收作业ID
3. OCR提取文档值 → 字段和置信度持久化
4. Surveyor Agent规范化BDN → 创建类型化的加油会话
5. Exa丰富运行 → 供应商、船舶、驳船、港口上下文存储
6. Investigator Agent调用Stage 2和Stage 3 → 生成异常、风险、裁决
7. Compliance Agent评估证据 → 列出缺失许可证、签名、关注点
8. Evidence Package写入S3 → 完整审计包
9. Decision Agent应用策略 → 返回SIGN、REVIEW或REFUSE
10. 前端轮询完成 → 用户查看提取、风险、证据和决策

## 架构边界与责任划分

| 边界 | 责任 |
|------|------|
| 前端 | 可视化、交互、上传、轮询、报告展示 |
| API适配器 | 验证、路由、CORS、提供商元数据、异步分发 |
| 摄取层 | 文档提取、置信度、规范化、持久化 |
| 丰富层 | 仅外部上下文；永不直接修改确定性分数 |
| Stage 2 | 海事异常规则和证据引用 |
| Stage 3 | 加权分数、监管底线、类别、裁决 |
| LLM层 | Copilot解释和报告叙事内容 |
| 碳层 | 基于公式的补充环境情报 |
| 存储层 | S3工件和Supabase运营状态 |

## 部署与运维

项目支持完整的云原生部署：

**Supabase**：`supabase link`和`supabase db push`管理数据库迁移

**AWS**：`infrastructure/deploy.sh`脚本打包依赖、上传工件、部署CloudFormation，输出API、存储桶和函数端点

**Vercel**：`npx vercel link`和`npx vercel --prod`部署前端

## 安全与业务规则

### 安全原则

- 源码中不存储密钥
- `.env`文件被忽略
- 前端仅使用Supabase匿名密钥
- 后端服务角色访问保持服务端
- S3使用加密和版本控制
- 上传文件类型/大小验证和SHA-256哈希
- Lambda权限仅覆盖必需的S3、Bedrock和自调用操作
- 生产CORS限制为Vercel前端

### 业务规则

1. 欺诈检测是主要工作流
2. Stage 2和Stage 3是确定性的
3. Exa结果是补充的，需要人工验证
4. LLM输出可解释证据但不得发明测量值
5. 碳是补充的，永不覆盖风险或签核
6. BDN-only会话保持审查状态直到MFM对账
7. 监管硬底线可覆盖加权分数带
8. 缺失证据降低置信度而非被发明

## 项目意义与启示

BunkerGuard AI展示了如何将LLM的能力与确定性系统相结合，构建既智能又可靠的垂直领域应用。其核心启示包括：

1. **人机协作边界**：明确划分LLM的解释性工作和确定性系统的决策性工作
2. **证据驱动设计**：每个结论都有可追溯的证据链
3. **可审计架构**：完整的日志、哈希和版本控制确保合规性
4. **领域知识编码**：将行业专家的经验转化为可执行的规则引擎
5. **云原生实践**：Serverless架构实现弹性伸缩和成本优化

对于从事金融风控、合规审查、文档处理等领域的开发者和架构师，该项目提供了极具参考价值的技术实现方案。