为什么我们不告诉你”这是个机器人”
大多数指纹识别服务都会告诉你想听的话：“这是个机器人”或”这是个人类”。二元。干净。错误。判定的背后是一个黑盒——数十个测量值被折叠进一个你永远看不到解释的模型。你要么信任那个答案，要么不信。
指纹识别不是一个分类器。它是一种测量。真实用户和真实攻击者会泄露相互重叠的信号。有意思的问题不是”这个人是否在谎报自己是谁”，而是”这个会话与总体相比如何，并按哪些信号容易伪造、哪些不容易来加权”。
收据模型
我们不告诉你”这是个机器人”。 我们告诉你风险等级、评分的置信度，以及背后的原因。 由你决定。
每一个检测类别都有清晰的文档。每一个阈值都有其依据。当某个会话在真实客户身上被标记时，你的团队可以为该决策辩护——向法务、向产品、向客户本人。没有黑盒。没有神秘模型。只有你可以审计和调整的校准评估。
置信度是一个有真实来源的真实度量。风险等级也是。原因列表也是。当你的服务器验证一个会话时，你得到的不是判定——而是收据。决策归你所有，因为只有你的代码知道事关什么。
二元判定隐藏了出错的代价
二元判定有两种失败模式：
- 误报：一个真实客户被标记为机器人。代价是流失、支持工单，以及对你产品信任的缓慢侵蚀。你永远不会在控制台里看到这个代价，因为客户只是默默离开了。
- 漏报：一个机器人被当作真实客户放行。代价是一次拒付、一次欺诈损失，或一次虚假注册。你会在控制台里清楚地看到这个代价。
当唯一可见的代价是漏报时，模型就会朝着过度拦截漂移。这是欺诈领域中每一个二元分类器的无声失败模式。
校准的风险等级和置信度指标翻转了这种不对称。你的团队可以选择在哪里划线——而且这条线可以因入口而异。注册表单可以更早发起挑战；支付表单可以等待更强的证据；只读公共 API 可以放行几乎所有流量，同时仍记录日志以供事后回溯。模型给你输入；你的策略画那条线。
五级风险模型
我们暴露五个风险等级，每一个都有明确定义的含义：
| 等级 | 含义 | 默认动作 |
|---|---|---|
| 极低 | 乏味的流量中段——大多数真实人类流量。 | 放行 |
| 低 | 轻微异常，通常是隐私浏览器或不常见的硬件。 | 放行并观察 |
| 中等 | 提示存在自动化或欺诈，但不具结论性。 | 挑战（第二因子、升级验证） |
| 高 | 存在自动化、篡改或基础设施滥用的有力证据。 | 拦截或强挑战 |
| 严重 | 多个类别一致——几乎可以确定是恶意的。 | 拦截，记录以供回溯分析 |
这些含义在各版本之间保持稳定。我们不会悄悄收紧模型，然后突然开始拦截昨天还是”低风险”的客户。校准漂移被视为一个破坏性变更，会提前公告，且旧阈值仍可通过配置选项使用。
置信度是一个独立的维度
风险等级表示会话是恶意的可能性有多大。置信度表示我们对该会话了解多少。
在页面上停留了整整一分钟、有鼠标、键盘和滚动活动的会话，为我们提供了大量可分析的内容。在几秒钟后立即提交评分请求的会话，则几乎没有给我们什么——我们了解得不够，无法对任何事情有把握。
当置信度很低时，正确的做法通常是推迟决策，而非拦截。一个高风险但低置信度的会话，是软挑战的绝佳候选——解一个 CAPTCHA，然后我们就有了足够的信息来作出决策。
原因就是审计记录
每一个风险评分都附有背后的原因——采集期间触发的命名信号列表。这个列表就是审计记录。当一张写着”我被拦在注册门外了”的客户支持工单落到你工程师的桌上时，工程师可以拉取验证记录，看到究竟哪些信号触发了。
如果某个本不该触发的信号触发了，你的工程师可以在文档中找到对应的类别，阅读其校准依据，然后要么调整阈值，要么将该客户加入白名单。整个闭环在几分钟内完成，而非几天。
校准优先于判定
要点：
- 判定是一个营销界面；测量是一个工程界面。
- 由你的反欺诈团队做出最终决定——我们给他们提供证据。
- 误报不是可接受的损失；默认值之所以保守是有原因的。
- 原因就是审计记录；每一个评分都可追溯到产生它的信号。
就是这样。这就是全部理念。