AMLBench 附录：参考文献、案例统计与扩展评测

AMLBench 附录：参考文献、案例统计与扩展评测

译注：本篇承接正文，从原文参考文献起译到附录 C，不另加结论。

参考文献

Androulaki et al. (2013) E. Androulaki, G. O. Karame, M. Roeschlin, T. Scherer, and S. Capkun

Evaluating user privacy in Bitcoin.

中文题名：评估比特币中的用户隐私。

In FC,

被引用于：§A.1.

Augusto et al. (2024) A. Augusto R. Belchior et al.

SoK: security and privacy of blockchain interoperability.

中文题名：系统化知识：区块链互操作的安全与隐私。

In S&P,

被引用于：§A.2.

Bartoletti et al. (2020) M. Bartoletti S. Carta et al.

Dissecting ponzi schemes on Ethereum: identification, analysis, and impact.

中文题名：剖析以太坊上的庞氏骗局：识别、分析与影响。

FGCS.

被引用于：§A.1.

Bellei et al. (2024) C. Bellei, M. Xu, R. Phillips, T. Robinson, M. Weber, et al.

The shape of money laundering: subgraph representation learning on the blockchain with the Elliptic2 dataset.

中文题名：洗钱的形状：在区块链上用 Elliptic2 数据集做子图表示学习。

Note: arXiv:2404.19109

被引用于：§A.1、表 7、§1、§1、§2.1.

Béres et al. (2021) F. Béres et al.

Blockchain is watching you: profiling and deanonymizing Ethereum users.

中文题名：区块链在看着你：对以太坊用户做画像与去匿名。

In DAPPS,

被引用于：§A.2.

Buterin (2014) V. Buterin

A next-generation smart contract and decentralized application platform.

中文题名：下一代智能合约与去中心化应用平台。

Note: Ethereum White Paper

外部链接：Link (https://ethereum.org/whitepaper/)

被引用于：§3.1.

Cao et al. (2026) Y. Cao, X. Cheng, and Y. Liu

PEB separation and state migration: unmasking the new frontiers of DeFi AML evasion.

中文题名：PEB 分离与状态迁移：揭开去中心化金融反洗钱规避的新前沿。

Note: arXiv:2603.26290

被引用于：§A.2.

Chainalysis (2025) Chainalysis

2025 crypto crime mid-year update: stolen funds surge as DPRK sets new records.

中文题名：2025 年加密犯罪年中更新：被盗资金激增，朝鲜创下新纪录。

Note: Chainalysis blog

外部链接：Link (https://www.chainalysis.com/blog/2025-crypto-crime-mid-year-update/)

被引用于：§A.2.

Chen et al. (2018) W. Chen, Z. Zheng, J. Cui, et al.

Detecting ponzi schemes on Ethereum: towards healthier blockchain technology.

中文题名：检测以太坊上的庞氏骗局：走向更健康的区块链技术。

In WWW,

被引用于：§A.1.

Farrugia et al. (2020) S. Farrugia, J. Ellul, and G. Azzopardi

Detection of illicit accounts over the Ethereum blockchain.

中文题名：在以太坊区块链上检测非法账户。

ESWA.

被引用于：§A.1、§1、§2.1.

Femiak and Košťál (2025) V. Femiak and K. Košťál

Zero-knowledge proofs in anti-money laundering multiparty computation.

中文题名：反洗钱多方计算中的零知识证明。

In ICBC,

被引用于：§A.2.

Financial Action Task Force (2020) Financial Action Task Force

Virtual assets red flag indicators of money laundering and terrorist financing.

中文题名：虚拟资产洗钱与恐怖融资的危险信号指标。

Technical report

FATF.

外部链接：Link (https://www.fatf-gafi.org/en/publications/Methodsandtrends/Virtual-assets-red-flag-indicators.html)

被引用于：§1.

Fu et al. (2026a) Q. Fu, A. Deppeler, J. K. Liu, Y. Liu, S. Pan, Q. Wang, W. Wang, and T. H. Yuen

FlowShield: cryptocurrency anti-money laundering with transaction semantics parsing and fund flow tracking.

中文题名：FlowShield：用交易语义解析和资金流跟踪做加密货币反洗钱。

arXiv preprint arXiv:2608.17355.

被引用于：§2.1、§3.1、§4.1.

Fu et al. (2026b) Q. Fu, H. Zheng, X. Xiong, J. K. Liu, Y. Liu, S. Pan, Q. Wang, W. Wang, Z. Wang, and T. H. Yuen

MixGuard: towards detecting and understanding mixer laundering on ethereum.

中文题名：MixGuard：面向在以太坊上检测并理解混币器洗钱。

arXiv preprint arXiv:2609.27807.

被引用于：§2.1.

Haslhofer et al. (2021) B. Haslhofer, R. Stütz, M. Romiti, and R. King

GraphSense: a general-purpose cryptoasset analytics platform.

中文题名：GraphSense：一个通用的加密资产分析平台。

Note: arXiv:2102.13613

被引用于：§A.1.

Jimenez et al. (2024) C. E. Jimenez, J. Yang, A. Wettig, et al.

SWE-bench: can language models resolve real-world GitHub issues?.

中文题名：SWE-bench：语言模型能否解决真实世界的 GitHub 问题？

In ICLR,

被引用于：§A.3.

Kalodner et al. (2020) H. Kalodner, M. Möser, K. Lee, S. Goldfeder, M. Plattner, A. Chator, and A. Narayanan

BlockSci: design and applications of a blockchain analysis platform.

中文题名：BlockSci：一个区块链分析平台的设计与应用。

In USENIX Security,

被引用于：§A.1.

Kapoor et al. (2025) S. Kapoor, B. Stroebl, Z. S. Siegel, N. Nadgir, and A. Narayanan

AI agents that matter.

中文题名：真正要紧的人工智能智能体。

TMLR.

被引用于：第 2 项、§4.3.

Kappos et al. (2018) G. Kappos, H. Yousaf, M. Maller, and S. Meiklejohn

An empirical analysis of anonymity in Zcash.

中文题名：对 Zcash 匿名性的实证分析。

In USENIX Security,

被引用于：§A.2.

Lei et al. (2025) Y. Lei, Y. Xiang, R. Dowsley, T. H. Yuen, A. Deppeler, J. Yu, Q. Wang, and K. R. Choo

Large language models for cryptocurrency transaction analysis: a Bitcoin case study.

中文题名：用于加密货币交易分析的大语言模型：一项比特币案例研究。

Note: arXiv:2501.18158

被引用于：§A.3、§2.2.

Lin et al. (2025) D. Lin, Y. Ding, W. Zou, et al.

RiskTagger: evidence-guided LLM agent for post-incident forensic analysis of money laundering in Web3.

中文题名：RiskTagger：由证据引导的大语言模型智能体，用于 Web3 洗钱的事后取证分析。

Note: arXiv:2510.17848

被引用于：表 7、§3.2.

Lin et al. (2026) D. Lin, Y. Ding, W. Zou, J. Wu, Z. Wu, J. Chen, X. Luo, and Z. Zheng

RISKTAGGER: evidence-guided llm agent for post-incident forensic analysis of money laundering in Web3.

中文题名：RISKTAGGER：由证据引导的大语言模型智能体，用于 Web3 洗钱的事后取证分析。

外部链接：2510.17848，Document (https://dx.doi.org/10.48550/arXiv.2510.17848)，Link (https://arxiv.org/abs/2510.17848v2)

被引用于：§1、§2.2.

Liu et al. (2024) X. Liu et al.

AgentBench: evaluating LLMs as agents.

中文题名：AgentBench：把大语言模型当作智能体来评测。

In ICLR,

被引用于：§A.3.

Meiklejohn et al. (2013) S. Meiklejohn, M. Pomarole, G. Jordan, K. Levchenko, D. McCoy, G. M. Voelker, and S. Savage

A fistful of Bitcoins: characterizing payments among men with no names.

中文题名：一把比特币：刻画无名者之间的支付。

In IMC,

被引用于：§A.1.

Mialon et al. (2024) G. Mialon C. Fourrier et al.

GAIA: a benchmark for general AI assistants.

中文题名：GAIA：通用人工智能助手的基准。

In ICLR,

被引用于：§A.3、表 7.

Möser et al. (2013) M. Möser, R. Böhme, and D. Breuker

An inquiry into money laundering tools in the Bitcoin ecosystem.

中文题名：对比特币生态中洗钱工具的探究。

In eCrime,

被引用于：§A.2.

Möser et al. (2018) M. Möser, K. Soska, E. Heilman, et al.

An empirical analysis of traceability in the Monero blockchain.

中文题名：对门罗币区块链可追踪性的实证分析。

PoPETs.

被引用于：§A.2.

Mun and Lee (2022) H. Mun and Y. Lee

BitSQL: a SQL-based Bitcoin analysis system.

中文题名：BitSQL：一个基于 SQL 的比特币分析系统。

In ICBC,

被引用于：§A.1.

Nakamoto (2008) S. Nakamoto

Bitcoin: a peer-to-peer electronic cash system.

中文题名：比特币：一种点对点的电子现金系统。

Note: White paper

外部链接：Link (https://bitcoin.org/bitcoin.pdf)

被引用于：§A.1.

[30] OpenAI

All models.

中文题名：全部模型。

Note: OpenAI API DocumentationAccessed: 2026-10-25

外部链接：Link (https://developers.openai.com/api/docs/models/all)

被引用于：§6.1、§6.1.

Pakki et al. (2021) J. Pakki Y. Shoshitaishvili et al.

Everything you ever wanted to know about Bitcoin mixers (but were afraid to ask).

中文题名：关于比特币混币器你一直想知道、却不敢问的一切。

In FC,

被引用于：§A.2.

Phillips and Wilder (2020) R. Phillips and H. Wilder

Tracing cryptocurrency scams: clustering replicated advance-fee and phishing websites.

中文题名：追踪加密货币骗局：对复制的预付费骗局网站和钓鱼网站做聚类。

In ICBC,

被引用于：§A.1.

Ron and Shamir (2013) D. Ron and A. Shamir

Quantitative analysis of the full Bitcoin transaction graph.

中文题名：对比特币完整交易图的定量分析。

In FC,

被引用于：§A.1.

Schick et al. (2023) T. Schick, J. Dwivedi-Yu, R. Dessì, R. Raileanu, M. Lomeli, E. Hambro, L. Zettlemoyer, N. Cancedda, and T. Scialom

Toolformer: language models can teach themselves to use tools.

中文题名：Toolformer：语言模型可以教会自己使用工具。

In NeurIPS,

被引用于：§A.3.

Shinn et al. (2023) N. Shinn F. Cassano et al.

Reflexion: language agents with verbal reinforcement learning.

中文题名：Reflexion：带言语强化学习的语言智能体。

In NeurIPS,

被引用于：§A.3.

Su et al. (2026) X. Su, H. Wu, H. Liang, Y. Jiang, Y. Cheng, Y. Liu, and F. Xu

From transactions to exploits: automated PoC synthesis for real-world DeFi attacks.

中文题名：从交易到利用：为真实世界的去中心化金融攻击自动合成概念验证。

Note: arXiv:2601.16681

被引用于：§A.3.

Sun et al. (2024) Y. Sun D. Wu et al.

GPTScan: detecting logic vulnerabilities in smart contracts by combining GPT with program analysis.

中文题名：GPTScan：把 GPT 与程序分析结合起来，检测智能合约中的逻辑漏洞。

In ICSE,

被引用于：§A.3.

[38] SunWeb3Sec

DeFiHackLabs: reproduce DeFi hacked incidents using foundry.

中文题名：DeFiHackLabs：用 Foundry 复现去中心化金融被黑事件。

Note: GitHub repository

外部链接：Link (https://github.com/SunWeb3Sec/DeFiHackLabs)

被引用于：§A.2.

Victor (2020) F. Victor

Address clustering heuristics for Ethereum.

中文题名：以太坊的地址聚类启发式。

In FC,

被引用于：§A.1.

Wang et al. (2023) G. Wang, Q. Wang, and S. Chen

Exploring blockchains interoperability: a systematic survey.

中文题名：探索区块链互操作：一项系统综述。

ACM CSUR.

被引用于：§A.2.

Weber et al. (2019) M. Weber, G. Domeniconi, J. Chen, D. K. I. Weidele, et al.

Anti-money laundering in Bitcoin: experimenting with graph convolutional networks for financial forensics.

中文题名：比特币中的反洗钱：用图卷积网络做金融取证实验。

Note: arXiv:1908.02591

被引用于：§A.1、表 7、§1、§2.1.

Wu et al. (2026) D. Wu, Y. Bai, S. Ren, X. Zhang, Y. Cao, X. Wang, W. Wen, and J. Liu

Ordering power is sanctioning power: sanction evasion-MEV and the limits of on-chain enforcement.

中文题名：排序权就是制裁权：规避制裁的最大可提取价值，以及链上执法的限度。

Note: arXiv:2603.27739

被引用于：§A.2.

Wu et al. (2024) J. Wu, D. Lin, Q. Fu, S. Yang, T. Chen, Z. Zheng, and B. Song

Toward understanding asset flows in crypto money laundering through the lenses of Ethereum heists.

中文题名：透过以太坊劫案理解加密货币洗钱中的资产流动。

TIFS.

被引用于：§2.1、§4.1.

Wu et al. (2022a) J. Wu, J. Liu, W. Chen, et al.

Detecting mixing services via mining Bitcoin transaction network with hybrid motifs.

中文题名：用混合模体挖掘比特币交易网络，以检测混币服务。

TSMC: Systems.

被引用于：§A.2.

Wu et al. (2022b) J. Wu, Q. Yuan, D. Lin, W. You, W. Chen, C. Chen, and Z. Zheng

Who are the phishers? phishing scam detection on Ethereum via network embedding.

中文题名：谁是钓鱼者？通过网络嵌入在以太坊上检测钓鱼骗局。

TSMC: Systems.

被引用于：§A.1.

Wu et al. (2023) Z. Wu, J. Liu, J. Wu, et al.

TRacer: scalable graph-based transaction tracing for account-based blockchain trading systems.

中文题名：TRacer：面向基于账户的区块链交易系统的可扩展、基于图的交易追踪。

TIFS.

被引用于：§1、§2.1、§3.1.

Xiang et al. (2024) Y. Xiang, Y. Lei, D. Bao, T. Li, Q. Yang, W. Liu, W. Ren, and K. R. Choo

BABD: a Bitcoin address behavior dataset for pattern analysis.

中文题名：BABD：用于模式分析的比特币地址行为数据集。

TIFS.

被引用于：§A.1、表 7.

Xiang et al. (2022) Y. Xiang, T. Li, and Y. Li

Leveraging subgraph structure for exploration and analysis of bitcoin address.

中文题名：利用子图结构探索并分析比特币地址。

In 2022 IEEE International Conference on Big Data (Big Data),

pp. 1957–1962.

被引用于：§2.1.

Xiao et al. (2026) Z. Xiao, Q. Wang, Y. Li, and S. Chen

Prompt to pwn: automated exploit generation for smart contracts.

中文题名：从提示到攻破：智能合约的自动利用生成。

In ACISP,

被引用于：§A.3、§A.3.

Yang et al. (2024) J. Yang, C. E. Jimenez, A. Wettig, K. Lieret, S. Yao, K. Narasimhan, and O. Press

SWE-agent: agent-computer interfaces enable automated software engineering.

中文题名：SWE-agent：智能体—计算机接口使自动化软件工程成为可能。

In Advances in Neural Information Processing Systems,

Vol. 37.

被引用于：§5.3.

Yao et al. (2024) S. Yao N. Shinn et al.

$\tau$ -Bench: a benchmark for tool-agent-user interaction in real-world domains.

中文题名：$\tau$-Bench：真实世界领域中工具、智能体与用户交互的基准。

Note: arXiv:2406.12045

被引用于：§A.3.

Yao et al. (2023) S. Yao, J. Zhao, D. Yu, et al.

ReAct: synergizing reasoning and acting in language models.

中文题名：ReAct：使语言模型中的推理与行动协同。

In ICLR,

被引用于：§A.3、§1、§5.1.

Yousaf et al. (2019) H. Yousaf, G. Kappos, and S. Meiklejohn

Tracing transactions across cryptocurrency ledgers.

中文题名：跨加密货币账本追踪交易。

In USENIX Security,

被引用于：§A.2、§1.

Yu and Knottenbelt (2026) X. Yu and W. Knottenbelt

LOCARD: an agentic framework for blockchain forensics.

中文题名：LOCARD：一个用于区块链取证的代理式框架。

Note: arXiv:2604.04211

被引用于：§A.3、表 7、第 1 项、§2.2、§3.2.

Yu et al. (2019) Z. Yu, M. H. Au, J. Yu, et al.

New empirical traceability analysis of CryptoNote-style blockchains.

中文题名：对 CryptoNote 风格区块链可追踪性的新实证分析。

In FC,

被引用于：§A.2.

Zhang et al. (2025) A. K. Zhang N. Perry et al.

Cybench: a framework for evaluating cybersecurity capabilities and risks of language models.

中文题名：Cybench：评测语言模型网络安全能力与风险的框架。

In ICLR,

被引用于：§A.3、表 7.

Zhou et al. (2023) L. Zhou, X. Xiong, J. Ernstberger, S. Chaliasos, Z. Wang, Y. Wang, K. Qin, R. Wattenhofer, D. Song, and A. Gervais

SoK: decentralized finance (DeFi) attacks.

中文题名：系统化知识：去中心化金融（DeFi）攻击。

In S&P,

被引用于：§A.2、§1.

Zhou et al. (2024) S. Zhou, F. F. Xu, H. Zhu, et al.

WebArena: a realistic web environment for building autonomous agents.

中文题名：WebArena：用于构建自主智能体的真实网页环境。

In ICLR,

被引用于：§A.3、第 2 项.

下面按原文顺序把这些文献再说一遍。Androulaki 等人在 2013 年评估比特币中的用户隐私。Augusto 等人在 2024 年系统整理区块链互操作的安全与隐私。Bartoletti 等人在 2020 年剖析以太坊上的庞氏骗局。Bellei 等人在 2024 年用 Elliptic2 数据集学习洗钱子图。Béres 等人在 2021 年对以太坊用户做画像与去匿名。Buterin 在 2014 年写下以太坊白皮书。Cao 等人在 2026 年讨论 PEB 分离与状态迁移如何规避去中心化金融反洗钱。Chainalysis 在 2025 年发布加密犯罪年中更新。Chen 等人在 2018 年检测以太坊上的庞氏骗局。Farrugia 等人在 2020 年检测以太坊上的非法账户。Femiak 与 Košťál 在 2025 年讨论反洗钱多方计算中的零知识证明。金融行动特别工作组在 2020 年发布虚拟资产危险信号指标。Fu 等人在 2026 年的前一篇提出 FlowShield，后一篇提出 MixGuard。Haslhofer 等人在 2021 年提出 GraphSense。Jimenez 等人在 2024 年提出 SWE-bench。Kalodner 等人在 2020 年提出 BlockSci。Kapoor 等人在 2025 年讨论真正要紧的人工智能智能体。Kappos 等人在 2018 年分析 Zcash 的匿名性。Lei 等人在 2025 年用大语言模型分析比特币交易。Lin 等人在 2025 年与 2026 年分别以 RiskTagger 和 RISKTAGGER 为题，讨论由证据引导的事后取证智能体。Liu 等人在 2024 年提出 AgentBench。Meiklejohn 等人在 2013 年刻画比特币支付。Mialon 等人在 2024 年提出 GAIA。Möser 等人在 2013 年探究比特币生态中的洗钱工具，并在 2018 年分析门罗币的可追踪性。Mun 与 Lee 在 2022 年提出 BitSQL。Nakamoto 在 2008 年提出比特币。编号为 30 的条目是 OpenAI 的全部模型文档，访问日期为 2026-10-25。Pakki 等人在 2021 年讨论比特币混币器。Phillips 与 Wilder 在 2020 年追踪加密货币骗局网站。Ron 与 Shamir 在 2013 年定量分析比特币完整交易图。Schick 等人在 2023 年提出 Toolformer。Shinn 等人在 2023 年提出 Reflexion。Su 等人在 2026 年从交易自动合成去中心化金融攻击的概念验证。Sun 等人在 2024 年提出 GPTScan。编号为 38 的条目是 SunWeb3Sec 的 DeFiHackLabs。Victor 在 2020 年给出以太坊地址聚类启发式。Wang 等人在 2023 年综述区块链互操作。Weber 等人在 2019 年用图卷积网络做比特币反洗钱实验。Wu 等人在 2026 年讨论排序权与制裁规避。Wu 等人在 2024 年透过以太坊劫案理解资产流动。Wu 等人在 2022 年的前一篇检测混币服务，后一篇检测钓鱼者。Wu 等人在 2023 年提出 TRacer。Xiang 等人在 2024 年发布 BABD，并在 2022 年利用子图结构分析比特币地址。Xiao 等人在 2026 年做智能合约的自动利用生成。Yang 等人在 2024 年提出 SWE-agent。Yao 等人在 2024 年提出 $\tau$-Bench，并在 2023 年提出 ReAct。Yousaf 等人在 2019 年跨账本追踪交易。Yu 与 Knottenbelt 在 2026 年提出 LOCARD。Yu 等人在 2019 年分析 CryptoNote 风格区块链的可追踪性。Zhang 等人在 2025 年提出 Cybench。Zhou 等人在 2023 年系统整理去中心化金融攻击，并在 2024 年提出 WebArena。

附录

附录 A 与先前工作的扩展比较（§2）

表 5. AMLBench 中 24 个案例的详细统计。

我们围绕三个问题组织这一节。我们先考察区块链取证目前自动化了什么，再考虑洗钱基础设施为什么能击败静态追踪。最后我们转向如何衡量大语言模型智能体上的进展。

A.1. 把区块链取证自动化

自从交易历史变得可以公开审计（Nakamoto, 2008），取证研究首先把归属自动化。聚类启发式把伪匿名地址归并成比特币上的实体（Meiklejohn et al., 2013；Androulaki et al., 2013；Ron and Shamir, 2013），后来的工作把它们改到以太坊的账户模型（Victor, 2020）。BlockSci 和 GraphSense 等分析平台，以及包括 BITSQL 在内的后续系统，把这一层工业化：它们把原始账本变成可查询的基础设施，启发式和测量因而可以大规模复现（Kalodner et al., 2020；Haslhofer et al., 2021；Mun and Lee, 2022）。

译注：原文此处写作 BITSQL，参考文献条目为 BitSQL，两处按原文分别保留。

基于学习的检测建立在这一基础设施之上，并扩展了覆盖范围。Elliptic 数据集为非法交易分类建立了图学习基线（Weber et al., 2019），而 Elliptic2 把分析单位提升到洗钱子图（Bellei et al., 2024）。BABD-13 进一步大规模提供带标签的比特币地址行为（Xiang et al., 2024）。后续检测器针对非法账户和钓鱼（Farrugia et al., 2020；Wu et al., 2022b），以及被复制的骗局活动和庞氏合约（Phillips and Wilder, 2020；Chen et al., 2018；Bartoletti et al., 2020）。

这些系统各自用固定输入和固定输出自动化一个子问题：地址进去，标签出来；子图进去，分数出来。它们都没有自动化的，是实践中消耗分析人员时间的那一步：把这些子答案组装成对某一具体事件连贯、有证据的叙述。因此，面向取证智能体的基准必须提出端到端的调查，而不是部件预测。

A.2. 针对静态追踪的洗钱

洗掉被盗价值的那些服务，可以读成对特定追踪假设的攻击。混币器攻击输入与输出之间的链接，从早期的中心化工具（Möser et al., 2013）到零知识设计都是如此；不过测量研究表明，操作失误和可检测的结构常常恢复部分可追踪性（Pakki et al., 2021；Wu et al., 2022a；Béres and others, 2021）。以隐私为中心的账本在设计上削弱图的可见性，但对 CryptoNote 链和 Zcash 的实证分析得出相似结论：在真实使用下，匿名性会下降（Möser et al., 2018；Yu et al., 2019；Kappos et al., 2018）。

其他服务攻击的是分析范围，而不是链接结构。跨链桥和交易所路径把价值移出任何单一账本，这促使人们做跨账本关联（Yousaf et al., 2019），并带来互操作特有的风险（Augusto et al., 2024；Wang et al., 2023）。更新近的规避动摇的是转账抽象本身。执行可以与委托人和受益人分开，而价值通过合约状态迁移（Cao et al., 2026）；对交易排序的控制则允许受制裁的资金流绕过基于地址的执法（Wu et al., 2026）。合规研究以保护隐私的反洗钱检查作为回应（Femiak and Košťál, 2025），但执法与规避继续共同演化。

图 7. AMLAgent 的系统提示。

图

表 6. 使用 GPT-6 Astra 时每个案例的调查成本。

真实事件会把其中若干技术按顺序组合起来，攻击的系统化整理和事件仓库对此有记录（Zhou et al., 2023；SunWeb3Sec,；Chainalysis, 2025），而且组合方式因案例而异。这种变异性正是固定流水线表现不佳的原因，并设定了第二个要求：基准案例必须取自组合了异构服务的真实事件，而不是合成流量或单一机制的流量。

A.3. 衡量大语言模型智能体上的进展

基准一直是使智能体进展变得可读的工具。通用套件在操作系统和网页环境中衡量规划与工具使用，另一些则针对助手任务或用户交互（Liu and others, 2024；Zhou et al., 2024；Mialon et al., 2024；Yao et al., 2024）。然而最有诊断力的结果来自这样的领域：成功是被机械地核对，而不是按看上去是否合理来评判。SWE-bench 用仓库测试套件给补丁打分（Jimenez et al., 2024），Cybench 则在子任务级别给夺旗表现评分（Zhang et al., 2025）。

底层技术把交错的推理和行动与外部工具使用结合起来，而自我修正允许智能体改写不成功的轨迹（Yao et al., 2023；Schick et al., 2023；Shinn et al., 2023）。这些技术同时已经进入区块链安全。大语言模型被用来审计智能合约并标记异常交易（Sun et al., 2024）。它们也被用于解释加密货币交易图（Lei et al., 2025）。完全代理式的系统走得更远：收集并推理多链证据，以开展区块链调查（Yu and Knottenbelt, 2026）；相关系统则用可执行的概念验证重建利用的生命周期（Xiao et al., 2026；Su et al., 2026）。

测量这一侧并没有跟上。这些系统是在孤立机制上验证的，例如跨链转账匹配，或是在精心挑选的利用代码上验证的（Xiao et al., 2026），各自使用研究特有的标准，不能跨系统迁移。因此取证仍然缺少赋予 SWE-bench 和 Cybench 诊断力的那种东西。补上它是第三个要求：可在链上核验、并在系统之间共享的真值。

表 7. 与现有方案的比较。

译注：原文表头只有缩写 BC、RW、GT、LT、EV、AG、MC，正文没有给出对照说明，故保留原缩写。符号 ●、◐、○ 按原表保留。Our work 译为本文。

A.4. 研究空白

上面这些要求都曾在先前工作中出现过，但从没有同时出现。检测数据集提供规模，却不提供调查；事件仓库提供真实感，却不提供资金痕迹。智能体基准提供可核验的评分，却没有取证内容；代理式取证系统支持调查，却没有共同的评测。

表 7 沿着取证基准必须满足的标准概括这一版图。AMLBench 被设计成坐落在这些要求的交汇处。它把真实事件组织在一份共享的证据模式之下，其中包含真值痕迹和技术标注，并以可审计的链上证据支持所得记录。AMLAgent 为对照该基准评测智能体提供一个参考点，包括跨案例的比较。

表 8. 四个模型在三个案例上的平均表现。

附录 B AMLAgent 所用的大语言模型提示模板（§5）

我们给出 AMLAgent 用来引导并初始化调查的系统提示和任务提示。

B.1. 系统提示

图 7 给出 AMLAgent 所用的系统提示。该智能体运用这些原则，在新记录变为可得时决定下一步调查哪些账户和转账。它提供跨案例、跨模型共享的资金追踪指引，覆盖追踪方向、资产变化，以及对候选资金流连接的核验。它还引导智能体为最终提交选择与案件相关的转账。

B.2. 任务提示

图 8 给出用于初始化每次调查的任务提示模板。它指定案例标识、区块链、调查时间窗口和初始转账标识，并在可得时包括下游观察。花括号中的字段在每次运行前被替换成该案例特有的值。智能体把这些初始线索当作工具查询的起点，在调查期间逐步检索更多账户和转账。

图 8. AMLAgent 的任务提示模板。

图

附录 C 扩展实验评测（§6）

这一节用全部 24 个案例上的详细调查成本补充正文评测。我们还把四模型比较扩展到另外三个案例，以检查追踪表现和资源用量上的差异。

C.1. 每个案例的调查成本

表 6 报告 GPT-6 Astra 在 24 个案例上的调查成本。词元用量从 0.09M 到 7.13M，均值为 1.73M，表明案例之间差别很大。Bybit、Upbit 和 PlusToken 分别消耗 7.13M、4.36M 和 3.94M 词元。这三个案例合计大约占全部词元用量的 37%，说明一小部分案例贡献了总体资源消耗中相当大的份额。

这三项成本度量还揭示出不同的模式。Fake Metadium 和 Harvest Finance 都需要 17 轮调查，但分别使用 213 次和 45 次工具调用，并分别消耗 1.62M 和 1.98M 词元。因此，相同的轮数可以包含差别很大的查询活动，而更多的工具调用并不必然带来更高的词元用量。轮数捕捉决策步骤，工具调用量化工具交互，词元用量衡量累积的模型输入和输出。把这些度量放在一起报告，比单独任何一项都能更完整地说明调查成本。

C.2. 在额外案例上的多模型评测

我们进一步在 Cashio、Uranium Finance 和 SpankChain 上比较这四个模型，每个模型、每个案例三次运行。表 8 报告均值结果。

召回损失主要发生在最终选择阶段。36 次运行中有 31 次检索到全部被标注为与案件相关的转账。跨全部运行，被漏掉的转账实例中有 97.63% 已经出现在工具响应里，但没有被纳入最终提交。Cashio 进一步说明遗漏的类型：全部 12 次运行都从第一颗种子起，找回了全部 14 条金额非零的标注转账。召回率的差异主要涉及金额为零的转账，以及第一颗种子之前的活动。

译注：原文 “from the first seed onward” 中的 seed 指初始线索里的种子转账，此处保留 “第一颗种子” 以对应原文用词。

相同的地址找回可以掩盖转账选择上的差异。Astra 在 SpankChain 上的两次运行提交了完全相同的 30 条与案件相关的转账，并且涉及的地址集合相同。其中一次运行额外提交了标注集合之外的 18 条转账，于是转账级 F1 分别为 70.59% 和 89.55%，而它们的地址级指标保持相同。这表明，地址指标捕捉不到已经包含在提交里的地址之间的额外转账，因此在评估资金流找回时，需要把转账级评测和地址级评测结合起来。