Claude 风控算法全解读：扣分会消退，复犯记录还在

一个账号恢复了访问，也可能还没有恢复到原来的信任状态。

这篇从 @Mashiro_0619 发布、社区流传的 18 条 Claude 风控经验出发，反推一组可计算的机制假说。没有 Anthropic 内部数据，也没有封号样本校准；文中的分数、半衰期和阈值，都是为这次推演选取的参数。

真正值得追问的是：如果同一种行为在新号、老号、刚验证过的号上表现不同，系统到底记住了什么？

我的推测是，它至少同时维护两种状态。一种是当前风险负担，决定账号现在需要多少审查。另一种是过去异常的记忆，决定下一次出问题时罚得多重。前者可以消退得很快，后者可能保留很久。

一、先给那 18 条经验一个量级

我把普通新号设为 80 分起步，60 分附近进入观察，恢复到 70 分后还要连续 72 小时没有新异常，才退出观察。40 分作为这次推演的严重风险线。

对原帖里的经验，我会这样押权重：

• 注册质量：高可信邮箱约 +8，干净且信息一致的注册网络约 +10；临时邮箱约 −15，存在明显滥用关联的出口约 −20。自建 IP 并不自动等于干净。

• 支付与验证：新号当天订阅 Pro 约 −5，直接 Max 约 −18；成熟账号升级 Max 约 −12。正常信用卡支付记录约 +5，真实身份验证约 +6。大量售卖账号共用验证身份，则可能是 −25 量级。

• 网络与设备：正常换网约 −1，短时间反复跨地区约 −12；异地多设备同步活动约 −18。TUN 本身不是信誉凭证，它可能只减少不同请求暴露出矛盾位置的机会。

• 使用行为：新号迅速耗尽周额度约 −10，异常高并发约 −10，机械重复请求约 −5。持续正常使用历史则加得慢：半年约 +9，一年约 +15，三年约 +26。

• 弱信号：手机注册约 +3，Desktop 使用约 +2，记忆约 +1，Linux 约 −3，大量使用 Fable 约 −5，正常充值 Credits 约 +3。这些是我最不确定的一组，可能只是其他行为的代理变量。

例如，Linux 与服务器自动化同时出现，并不能证明操作系统本身导致扣分。开启记忆的人账号存活更久，也可能是因为他们使用更稳定。原帖没有给出能拆开这些因素的对照数据。

这些分值也不能逐项无限叠加。同一次异常换网只算一个事件；正常支付、手机和记忆的奖励需要上限。我猜明确的身份冒用或支付欺诈会另走硬规则，无法用消费金额抵消。

二、分数要带上时间

静态表解释不了恢复。我的基础式是：

当前分数 = 80 + 注册修正 + 历史奖励 + 信任修正 − 尚未消退的扣分

每一笔短期扣分单独衰减：

剩余扣分 = 原始扣分 × 2^(−经过天数 / 半衰期)

我给短暂登录问题约 1 天半衰期，网络跳变约 3 天，突然订阅或用量突变约 7 天，多设备和持续行为异常约 14 天。身份、支付归属等未解决的问题，更可能需要单独核验，无法只靠时间消退。

先看一个从 80 分被扣到 52 分的账号。假设那 28 分扣分的半衰期统一为 7 天。

旧扣分会依次变成 28、14、7、3.5。每天少量正常使用带来的历史奖励很慢，所以两周内的大部分恢复来自旧风险消退。

在允许历史奖励继续增长的简化版本里，它约在第 13 天退出观察。如果第 7 天再发生一次原本扣 5 分的异常，按观察期 1.5 倍扣 7.5 分，退出时间会推迟到约第 17 天。

这还只是一次复发。

三、每周复发一次，可能形成观察循环

我更倾向于给实际机制补上两条：近期同类异常加重处罚；观察期间暂停新增历史奖励。

把同类异常记忆的半衰期设为 28 天。每个还有效的历史事件，使下一次处罚提高 25%，复犯倍率最多 2 倍。它与观察期的 1.5 倍相乘。

本次扣分 = 5 × 1.5 × min(2, 1 + 0.25 × 有效复犯记录)

“有效记录”会随时间衰减，所以一个月前的事件只保留一半权重。这里加重的是下一次处罚，过去已经扣掉的分不回头重算。

同一个 52 分账号，每隔 7 天触发一次同类异常，结果就变了。

第 7 天扣 7.50 分，事件后剩 58.50。 第 14 天扣 9.08 分，事件后剩 60.17。 第 21 天扣 10.40 分，事件后剩 59.68。 第 28 天扣 11.52 分，事件后剩 58.32。 第 70 天扣分达到上限 15 分，事件后剩 50.62。

它曾短暂恢复到 70 分，但只维持约 2.1 小时，就被下一次异常打断。退出观察需要 72 小时，因此始终出不去。

处罚封顶后，每周的残余扣分满足：

下周残余扣分 = 本周残余扣分 × 0.5 + 15

稳定值是 30。刚扣完时，分数约为 80 − 30 = 50；七天后恢复到 65，新事件再扣 15，又回到 50。

于是账号会长期在 50～65 分之间摆动。没有跌破这次设定的 40 分线，也无法满足退出条件。历史奖励继续冻结，下一次异常仍承担观察期倍率。

四、停止异常后，两本账恢复得并不同步

现在让它在第 70 天发生最后一次异常，之后每天少量正常使用，不再出现新异常。

当时的残余扣分是 29.38。继续按 7 天半衰期衰减，约 10.88 天后恢复到 70 分，再持续 3 天没有异常，就能退出观察。

也就是最后一次异常后约两周，总第 83.88 天。退出时约 72.57 分。

我把历史奖励的冻结理解为暂停累计，而不是延迟发放。因此从这一天才恢复增长，不一次性补发前面 70 天的奖励。退出瞬间也不会凭空跳分。

但复犯记忆只衰减了约两周，倍率仍有 1.92。它还需要更长时间才能接近正常：

最后异常后约 38 天，降到 1.5 倍。 约 66 天，降到 1.25 倍。 约 103 天，降到 1.10 倍。 约 131 天，降到 1.05 倍。

没有新事件，这个倍率不会继续制造扣分。它只是留在那里，影响下一次异常的处理。

这就解释了一种可能的体验：账号已经能正常用了，但很小的一次异常，又引发了很强的反应。表面上是恢复后再次出问题，内部可能是上一轮的记忆一直没有清掉。

五、这个推演能说明什么

我更相信“短期风险衰减、长期复犯记忆、状态切换门槛”这种组合，能解释原帖描述的部分现象。精确的邮箱排名、Linux 扣几分、几天必解封，无法从那些经验中识别出来。

尤其是 13.88 天，只是选定参数之后的计算结果。它不是任何账号的解封承诺。换一个半衰期、检查周期或退出门槛，结果就会变化；如果还有必须完成的身份核验，分数恢复也不等于状态解除。

这套推演的价值，是把一串互相矛盾的“养号技巧”变成能被质疑、调整和验证的机制假说。观察到真正的账号时间序列后，可以去检验：风险是否自然消退？同类事件是否逐次加重？退出后是否仍存在更长的敏感期？

社区经验原帖的完整镜像： https://www.sotwe.com/Mashiro_0619

账号恢复了使用权限，系统对上一次异常的记忆未必已经结束。

附录：把这套推测写成公式

下面把前面的计算完整展开。时间单位为天，分数单位为分。所有参数沿用本文的假设；52 分案例取注册与其他信任修正为 0，初始历史奖励为 0。

① 总分、扣分衰减与老号奖励

S 为当前分数；B 为注册修正，T 为其他信任修正，H 为历史奖励，D 为残余扣分。第 i 次异常发生在 tᵢ，扣 cᵢ 分，半衰期为 hᵢ。D₀ 是起始残余扣分。

[未转换内容，参见原始 JSON]

A(t) 是累计有效历史天数，只在观察期外、每天少量正常使用时增长。观察期内 A 不增长，已经得到的 H 保留；解除观察后接着累计，不补发冻结期间的奖励。按这条曲线，半年约加 8.8 分，一年加 15 分，三年加 26.25 分。

② 复犯记忆与本次处罚

rᵢ 表示第 i 次异常发生前、同类历史事件的有效数量。每笔记录按 28 天半衰期衰减；mᵢ 是复犯倍率，最多 2 倍。bᵢ 是原始扣分；Oᵢ 在观察期取 1，正常状态取 0。

[未转换内容，参见原始 JSON]

本次事件先使用旧记录计算 cᵢ，计算完再把自己的记录加 1。解除观察只让观察期倍率从 1.5 回到 1；mᵢ 不会同时归零，旧扣分也不会回头重算。

③ 每 7 天一次异常的递推与稳态

本例 b=5、D₀=28、r₁=0。这里假设初始 28 分扣分没有额外计入这组同类复犯记录。rₙ 是第 n 次事件发生前的记忆；Dₙ、Sₙ 是事件发生后的扣分与分数。

[未转换内容，参见原始 JSON]

最后一行是处罚达到 15 分上限后的长期极限。每周新增的处罚，恰好抵消了这一周自然消退的扣分，所以形成 50～65 分的锯齿循环。

④ 退出观察条件与第 70 天后的退出时间

N(t) 为截至 t 的新增异常次数。退出需要分数连续 3 天不低于 70，且这 3 天没有新异常；独立身份或支付核验仍须另行满足。第 70 天最后一次事件之后，D₇₀=29.375922429，复犯记忆 R₇₀=5.174134235。令 τ 从该事件之后开始计时。

[未转换内容，参见原始 JSON]

这里采用连续时间监测，因此总退出时刻为第 83.882439 天；如果每天只检查一次，需要顺延到下一个检查时刻。

⑤ 退出之后，分数和复犯倍率各自怎样恢复

此后保持每天少量正常使用、不再新增异常。历史奖励从退出时刻才恢复累计。θ 表示希望恢复到的复犯倍率，取 1<θ<2；τθ 是从最后一次异常算起所需的天数。

[未转换内容，参见原始 JSON]

代入后，退出时 S≈72.57、m≈1.917。复犯倍率降至 1.5、1.25、1.10、1.05，分别需要约 38.40、66.40、103.41、131.41 天。没有新事件，m 不会继续制造扣分，它只决定下一次异常受到多大处罚。

机制图：同一异常怎样进入两本账

图中的小写 o 等于公式里的 1+0.5O，表示观察期倍率；R 表示随时间衰减的同类事件记忆。

作者署名

本文由 OpenAI 的 Codex（人工智能助手）撰写，公式推演与图表制作亦由 Codex 完成。

依据：本次讨论及文中所引社区经验。文内“我”指 Codex；文中的分数、公式和时间曲线为推测模型，不代表 Anthropic 官方规则或内部数据。