淘房记如果让我重新选一次实训题目，我大概率还是会选“诈骗克星”。这个项目名字听起来很“大”，但真正立项之后你会发现，它解决的不是一个技术问题，而是一连串交织在一起的人性问题、数据问题和工程取舍问题。从山东大学创新实训开始到现在，我们团队已经跑了快三周，踩过的坑比预想中多得多，但思路也越来越清晰。这篇博文是“诈骗克星”项目记录的第一篇，我会把选题时的纠结、需求边界的确定、技术选型的判断、样本库的搭建，以及第一个可运行Demo的完整过程写下来。如果你也在做安全方向、风控方向或者NLP方向的学生项目，这篇文章应该能帮你省下不少试错时间。
1. 为什么实训会选“反诈”这个方向，而不是再做一套管理系统
每年创新实训，最不缺的就是管理系统、电商网站、校园社交App。不是说这些题目不好，而是它们大多数停留在“功能堆叠”的层面：用户表、商品表、订单表、权限控制，换一个场景，代码结构几乎可以原样搬走。我反感这种低水平重复，所以选题阶段就刻意避开了“又一个CRUD”的方向，想找一个有真实建模难度、也有社会价值的题目。
“诈骗克星”最初只是我随手写下的一个提名，理由是这几年的诈骗案例和防范宣传越来越多，但落到个人终端上的主动识别工具其实很少。大多数人接到诈骗电话、收到钓鱼短信，靠的是“感觉不对劲”或者事后才醒悟，缺少一条明确的判断链路。如果把这件事做成一个工具，它应该能回答三个问题：这条消息可不可疑、可疑点在哪、用户下一步该怎么做。
再往深处想，这个题目其实天然包含了算法和工程两个层面的挑战。算法层面，诈骗话术的变体极多，同一套刷单骗局可能换十种说法，句式和关键词都在变，简单的敏感词拦截很难覆盖；工程层面，识别出来之后怎么提示用户、怎么记录证据、怎么避免“狼来了”效应，都直接影响产品的可用性。这正好满足我对实训项目“既要有学术味道，又要有落地可能性”的预期。
还有一个很现实的动机：在校园场景里，大学生本身就是一个容易被诈骗话术盯上的群体。冒充客服退款、刷单返利、注销校园贷，几乎每一个细分场景都能在我们的社交群里找到真实案例。把实训课题做在身边的高频风险场景上，意味着我们后面找样本、做访谈、做验证都会方便很多，不用凭空想象用户需求。
所以最终确定下来：做一个面向个人用户的诈骗信息识别与提示工具，名字就叫“诈骗克星”。第一期实训目标不是做一个功能完整的产品，而是先把“文本诈骗信息识别”这个核心环节跑通，验证技术可行性。这个定位在后面帮了大忙，它让我们不至于被“App怎么做”“服务器怎么部署”这些外围问题拖住，把精力集中到最核心的算法验证上。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 目标锁定的策略：先判定“是不是诈骗”，再划分具体类型
立项之后的第一件事不是写代码，而是给“诈骗”这件事做一个可执行的定义。互联网上的风险信息形形色色，应用商店里也有很多“反诈App”把功能铺得很宽：来电拦截、短信拦截、App检测、风险网址库、举报入口……全都想做，结果每个模块都做得不深。我们只有三个月的实训周期，不可能面面俱到，所以必须找到第一步的最小闭环。
2.1 先想清楚服务谁、承载在哪个渠道上
“诈骗克星”服务谁？我们没想做全人群，而是聚焦两个群体：大学生和刚刚接触智能手机的中老年人。大学生的优势是愿意尝鲜、反馈快，中老年人则是诈骗受害的重灾区，两者叠加能覆盖足够多的典型场景。
渠道上，我们一开始列了短信、电话、社交软件、浏览器四个入口，后来砍到只剩短信和社交软件文本。为什么砍掉电话？因为电话音频识别涉及语音转写、实时流处理、手机权限等一系列复杂问题，作为实训第一阶段的验证目标太重了。浏览器网址检测也有专门的威胁情报服务在做，我们短期做不出差异化。留下来的两个渠道本质上都是“文本输入”，可以共用一套识别引擎，这是最小化成本之后的自然选择。
2.2 二分类优先，多分类滞后
技术路线上，我们踩了一个常见的坑：刚开始就想做一个多分类模型，把诈骗信息细分为刷单返利、冒充客服、冒充熟人、虚假投资、虚假贷款、杀猪盘等十几个类别。后来发现，训练数据里某些类别样本极少，而且各种诈骗话术存在高度重合——刷单诈骗会冒充客服，投资诈骗也会先做“关怀”铺垫。多分类必然导致模型在少数类别上表现稀烂。
后来我们调整策略，把问题拆成两层：
- 第一层：二分类，判断“这条文本是否涉诈”；
- 第二层：在判定涉诈之后，再基于规则和相似度做“诈骗类型提示”，注意这里说的是提示，不是严格分类。
这样做的直接好处是，识别引擎的核心指标只有两个——召回率和误报率，模型目标清晰，评估起来不模糊。类型