用途：在金融场景中用机器学习识别人工规则可能遗漏的异常，如欺诈、错误或异常模式，适合高体量交易数据分析。
主要能力：先评估数据体量与速度、数据结构（CSV/SQL 或 JSON 日志），并区分点异常、上下文异常与集体异常。技术路线按优先级包括特征工程（如 time_since_last_txn、distance_from_home）、无监督学习（Isolation Forest、Local Outlier Factor）、聚类分析（K-Means 识别异常消费群）以及为每行分配风险评分的打分与标记。进阶可用 Autoencoder，通过重构误差识别不符合正常模式的异常；并用 StandardScaler 或 MinMaxScaler 做特征缩放，避免交易金额压过频率等特征。
使用方式：技能提供逻辑与代码，脚本 calculate.py 为确定性核心计算函数，可运行 python3 scripts/calculate.py 自测，并导入函数使用而非心算。输出为 AI 审计报告，包含模型性能（如异常率 0.5%、驱动异常评分的主要特征）、Top 20 高风险交易及置信度、标记原因（如该供应商类别下意外高值），以及可对完整数据集运行的 Python 脚本。
适用场景：金融欺诈检测、审计异常筛查、高体量交易监控。
限制：LLM 不是 ML 模型，虽可推理小规模异常，但百万行级数据应使用 Scikit-Learn、PyOD 等专用 Python 库。具体收费、平台与效果暂未提供。相关技能包括 forensic-accounting 与 audit-checklist。