用途：为银行与金融科技 AI 问题建立有来源支撑的文献地图，覆盖方法族、成功案例、数据集、基准与评估实践，帮助行业研发团队用可信先例论证方案方向，同时如实说明迁移风险、监管约束与数据差异。
适用场景：用户需要银行或金融科技领域既往成功 AI/ML 案例、支持方案提案的论文、信用/欺诈/反洗钱/客户/文档/合规/运营问题的方法选项、类银行任务的评估基准或数据集，或文献支撑的内部研发提案时使用。若需非银行领域的广泛研究综述，应改用 literature-triangulation；若需最终方案设计，应在完成来源映射后使用 publication-grounded-solution-design。
工作流程：1）定义问题形态，按领域（信用风险、欺诈/诈骗检测、反洗钱与可疑活动监控、催收与回收、客户流失与个性化、联络中心与网点运营、文档理解与 KYC、合规风控与审计、员工生产力与知识检索）和技术形态（表格预测、时序预测、排序或分诊、图检测、异常检测、因果提升、推荐系统、信息抽取、检索与有依据生成、工作流/流程挖掘、优化）双重分类，并用两类标签检索，避免仅用银行标签而漏掉保险、电信、电商风控、医疗运营、网络安全或公共部门欺诈等可迁移方法。2）区分来源类型：银行/金融论文、邻近领域论文、系统/案例论文、数据集/基准、综述、监管/可解释性来源，不可将其视为同等证据。3）评估证据质量：发表场所或可信度、数据集真实性、样本量与时间跨度、评估协议、基线、泄漏控制、可解释性与公平性处理、运营相关性、结果是否可复现。4）将方法映射到银行迁移假设：数据字段是否存在且可靠、标签是否受旧政策偏置、决策与结果是否有时间戳、实体能否一致关联、模型输出能否向用户或审计解释、延迟与集成约束是否可行、合规是否批准干预。5）提取评估模式：时间切分、样本外时间验证、审查容量下的 precision@k、成本敏感指标、校准、分群公平性、人在回路评估、回测、消融、对漂移或对抗变化的鲁棒性，并推荐最匹配的评估方式。6）产出阅读与行动地图：将来源分为必读、方法有用、评估有用、风险/合规有用、弱或仅背景，并建议如何用于论证试点、选择基线、规避已知失败模式、定义数据需求、起草方法章节。
输出格式：包含问题分类、来源地图表格、方法族、既往成功案例、数据集与基准、可复用评估模式、文献空白与风险、推荐阅读顺序、如何反哺方案设计等章节。
限制：资料未提供具体收费、价格、平台支持或安装命令等信息；该技能为文献梳理与证据评估工具，不直接产出最终方案设计，也不替代合规审批。