使用 Claude 即時分析 PIX 交易風險的巴西金融科技公司——完整程式碼、每筆交易成本、觀察到的延遲，以及 LGPD 與 BACEN 注意事項。這是我在 2026 年巴西金融科技公司中最常見的使用案例。
為什麼這很有效
傳統 PIX 風險分析是以固定特徵（金額、頻率、時段）訓練的 ML 模型。它有效，但會漏掉細微模式：「這位客戶通常會轉帳給兄弟，但從未轉過這種金額，而且 IP 位址來自另一座城市——很可能是 SIM 卡交換攻擊。」Claude 能自然地處理這類情境推理。
程式碼
analisar_pix.py
import json
from openai import OpenAI
client = OpenAI(
api_key="sk-kn-...",
base_url="https://api.kunavo.com/v1",
)
# No Claude, um response_format json_schema é garantido na resposta; json_object não.
ANALISE = {
"type": "object",
"properties": {
"risco": {"type": "string", "enum": ["baixo", "medio", "alto"]},
"sinais": {"type": "array", "items": {"type": "string"}},
"recomendacao": {"type": "string", "enum": ["aprovar", "revisar", "bloquear"]},
"explicacao_pt_BR": {"type": "string"},
},
"required": ["risco", "sinais", "recomendacao", "explicacao_pt_BR"],
"additionalProperties": False,
}
def analisar_transacao(transacao: dict, historico: list[dict]) -> dict:
"""Detecta sinais de fraude em uma transação PIX usando Claude."""
historico_txt = "\n".join(
f"- {t['data']}: R$ {t['valor']:.2f} para {t['destinatario']} ({t['categoria']})"
for t in historico[-20:]
)
resp = client.chat.completions.create(
model="claude-sonnet-4-6",
messages=[
{
"role": "system",
"content": [
{
"type": "text",
"text": (
"Você é um analista de risco de pagamentos PIX no Brasil. "
"Analise a transação atual em relação ao histórico do "
"cliente e retorne JSON: "
'{"risco": "baixo|medio|alto", '
'"sinais": ["..."], '
'"recomendacao": "aprovar|revisar|bloquear", '
'"explicacao_pt_BR": "..."}'
),
"cache_control": {"type": "ephemeral"},
},
],
},
{
"role": "user",
"content": (
f"## Transação atual\n"
f"Data: {transacao['data']}\n"
f"Valor: R$ {transacao['valor']:.2f}\n"
f"Destinatário: {transacao['destinatario']}\n"
f"Origem (IP/dispositivo): {transacao['origem']}\n\n"
f"## Histórico recente (últimas 20 transações)\n{historico_txt}"
),
},
],
response_format={"type": "json_schema",
"json_schema": {"name": "analise", "schema": ANALISE}},
max_tokens=400,
)
return json.loads(resp.choices[0].message.content)每次分析成本：約 $0.008（按目前匯率約 R$ 0.04）。若金融科技公司每天處理 100,000 筆 PIX 交易，即約為每月 R$ 4,000。為了防範每起平均造成 R$ 2,000–5,000 損失的詐欺，ROI 高得驚人。
延遲
透過 Kunavo 從聖保羅（AWS sa-east-1）呼叫 Claude Sonnet 4.6：P50 約 800ms，P99 約 2 秒。對同步分析（在 PIX 結算前封鎖）而言已足夠；BACEN 在逾時前約給予 10 秒。若流量非常高，請考慮非同步處理：先核准、再分析，將可疑案例交由人工審查。
輸出內容預期
- 低風險：模式一致、收款人已知、時段正常 → 直接放行
- 中風險：1–2 個訊號（高金額、新收款人、異常時段）→ 封鎖並送交人工審查，或要求強化 2FA
- 高風險：多個訊號（疑似 SIM 卡交換攻擊、嘗試幽靈 boleto、錢騾模式）→ 封鎖並立即向詐欺團隊發出警報
LGPD 與 BACEN——關鍵事項
- 在 LLM 前進行假名化：CPF、全名、銀行帳戶——傳送前請遮罩。模型看到的是「[CLIENT_42] 將 R$ X 轉給 [DEST_198]」
- 不使用資料訓練：Anthropic 預設不會使用 API 請求進行訓練。Enterprise 客戶可透過 Kunavo（sales@kunavo.com）申請 Zero Data Retention
- 自動化決策：LGPD 要求客戶可以對影響自身的自動化決策提出異議。你的 UI 應提供「Contestar」按鈕，而模型回傳的 explicação_pt_BR 是撰寫回覆的良好起點
- BACEN 的 AI 決議：截至 2026 年，BACEN 尚未針對在 PIX 風險中使用 LLM 制定專門規範，但第 4.018 號與第 3.978 號通告中的治理與風險管理一般原則仍適用。請清楚記錄模型如何做出決策
按金額分級
不必對每筆 PIX 交易都執行 Claude Sonnet。建議模式：
- PIX < R$ 100：直接通過，不進行 LLM 分析
- R$ 100 – R$ 1,000：Claude Haiku 4.5（便宜 10 倍），快速分析
- R$ 1,000 – R$ 10,000：Claude Sonnet 4.6（標準分析）
- > R$ 10,000：Claude Opus 4.7（更深入分析）＋平行人工審查
付款與計費
可使用 PIX 或國際卡片付款。價格以 USD 計價，結帳頁會顯示換算為巴西雷亞爾的金額。付款人位於巴西且公司位於國外時，這兩種付款方式都會收取 3.5% 的 IOF。Kunavo 不會開立 NF-e。
後續步驟
- 透過免費註冊建立帳戶（最低儲值 $10，隨用隨付＝原型開發約可進行 1,250 次分析）
- 在你的後端設定 PII 假名化
- 以 shadow 模式執行 1,000 筆真實（已遮罩）交易，並與目前的 ML 模型比較
- 使用誤報與漏報作為回饋，反覆調整 system prompt
- 僅在 CRO／compliance 核准且 LGPD 日誌完備後上線
完整文件：/docs/quickstart；可再降低 70% 成本的 prompt caching 指南：prompt caching deep dive。