拒绝“假金牌月嫂”：基于Python集成的天远家政人员背景调查系统数字化背调：为家庭安全筑起代码防线在家政服务行业，“

数字化背调：为家庭安全筑起代码防线

在家政服务行业，“信任”是最昂贵的货币。面对自称“金牌月嫂”或“资深护工”的应聘者，传统的面试和纸质健康证往往难以揭示其背后的司法风险或不良从业记录。一旦雇佣了有盗窃前科或传染病隐患的人员，对雇主家庭造成的伤害是不可逆的。

天远数据 推出的 天远家政风险报告（接口代码 COMBTY15）是专为家政场景设计的风控产品。它不同于金融风控关注“还款能力”，而是聚焦于 “人身安全”与“从业合规” 。通过聚合公安重点人员核验、司法涉诉、行业黑名单等多维数据，该接口能帮助家政平台或中介机构在几秒钟内完成“司法级”的背景调查。

本文将演示如何使用 Python 对接该接口，并构建一套自动化的家政人员准入筛查脚本。

核心接口集成 (Python/Requests)

接口采用组合包模式，通过 POST 请求发送加密数据。对于 Python 开发者，核心在于处理 COMBTY15 端点和解析嵌套的 JSON 响应。

1. 准备工作

API 地址: https://api.tianyuanapi.com/api/v1/COMBTY15
必要参数: 姓名、身份证、手机号、授权书URL（合规必备）。

2. 标准化调用脚本

Python

import requests
import json
import base64
import time

class HousekeepingRiskChecker:
    def __init__(self, api_key=None):
        self.api_url = "<https://api.tianyuanapi.com/api/v1/COMBTY15>"
        self.headers = {'Content-Type': 'application/json'}
        # 实际生产中需配合 API Key/Secret 使用

    def _encrypt_payload(self, raw_data):
        """
        占位符：实现AES加密 + Base64编码
        注意：生产环境必须严格按照天远官方文档实现加密逻辑
        """
        json_str = json.dumps(raw_data)
        # 模拟加密过程
        return base64.b64encode(json_str.encode('utf-8')).decode('utf-8')

    def check_personnel(self, name, id_card, mobile, auth_url):
        """
        发起家政人员风险核查
        """
        # 1. 构造请求参数
        params = {
            "name": name,
            "id_card": id_card,
            "mobile_no": mobile,
            "authorization_url": auth_url 
        }

        # 2. 生成带时间戳的URL
        timestamp = int(time.time() * 1000)
        url = f"{self.api_url}?t={timestamp}"

        # 3. 封装请求体
        payload = {
            "data": self._encrypt_payload(params)
        }

        try:
            response = requests.post(url, json=payload, headers=self.headers, timeout=10)
            response.raise_for_status()
            return response.json()
        except Exception as e:
            print(f"API调用失败: {e}")
            return None

# 使用示例
if __name__ == "__main__":
    checker = HousekeepingRiskChecker()
    report = checker.check_personnel(
        name="李阿姨",
        id_card="34040319800101****",
        mobile="13800138000",
        auth_url="<https://oss.example.com/auth/li_ayi.pdf>"
    )
    print(json.dumps(report, ensure_ascii=False, indent=2))

深度解析：家政场景下的“红线”指标

家政风控的核心在于 排除重大安全隐患。接口返回的组合包中，DWBG6A2C（司南报告服务）包含了最关键的核查数据。

我们必须重点关注以下三个维度的数据，它们构成了家政人员的“红绿灯”机制。

1. 公安重点人员核验 (`securityInfo`) —— 绝对红线

这是家政背调中权重最高的字段。如果此处有命中，通常意味着**“一票否决”**。

字段名	含义	风险解读	开发者建议 (Action)
`front`	前科	用户在刑或有前科	立即拒绝。特别是盗窃、伤害类前科。
`drug` / `takeDrug`	涉毒/吸毒	制贩毒或吸毒史	立即拒绝。存在极大的家庭安全隐患。
`escape`	在逃	在逃人员	报警并拒绝。
`itrancase`	涉交通案件	危险驾驶等	若招聘司机/接送孩子的岗位，建议拒绝。

2. 身份与失信风险 (`riskList` & `standLiveInfo`) —— 诚信红线

家政行业人员流动性大，身份冒用和“老赖”问题频发。

实名核验 (standLiveInfo.finalAuthResult) : 必须为 "0"（一致）。若不一致，可能涉及持假证上岗或冒用他人身份。
法院被执行 (riskList.courtViolator) : 若命中（值为1），说明该人员有未履行的法院判决。对于涉及钱财管理（如买菜、采购）的岗位，需谨慎录用，防范预支工资跑路风险。
行业黑名单 (riskList.industryBlacklist) : 若命中，说明该人员在其他平台有过违规记录。

3. 司法涉诉详情 (`courtRiskInfos` & `FLXG7E8F`) —— 行为画像

通过 FLXG7E8F 子产品，可以查看具体的案件细节。

案由分析: 如果 ay_stat (涉案案由) 包含“盗窃罪”、“诈骗罪”或“侵权责任纠纷”，即使此时非在逃状态，也应标记为高风险。
案件身份: 关注 n_ssdw (诉讼地位) 为“被告”或“被执行人”的案件。

业务场景延伸：自动化准入系统的构建

利用 Python，我们可以基于上述数据构建一个自动化的 DecisionEngine 类。

场景：智能派单前的“体检”

在家政平台派单给阿姨之前，系统自动运行以下逻辑：

Level 1: 熔断机制

检查 securityInfo 中的 front, drug, escape。任意一项为 1，系统自动封禁账号，并触发人工复核（防止误判）。
Level 2: 岗位匹配限制
- 如果 riskList.courtViolator (老赖) 为 1 -> 禁止派发 涉及资金托管、贵重物品清洁的订单。
- 如果 standLiveInfo.inTime (在网时长) 为 0 ([0,3)个月)-> 标记为“新号”，要求提供辅助证明或限制接单数量。
Level 3: 信用打分

利用 performanceStatistics (履约情况) 中的 normalRepaymentRatio，作为阿姨“诚信分”的参考维度之一，影响其在平台的星级展示。

结语

与金融借贷不同，家政行业的风控直接关系到雇主的人身和财产安全。天远家政风险报告 提供的不仅仅是数据，更是一份“安全体检单”。

通过 Python 集成 COMBTY15 接口，开发者可以将复杂的司法和公安数据转化为简单的 Pass/Fail 逻辑，确保每一位上岗的家政人员都经得起大数据的考验，真正实现“知人知面也知底”。

拒绝“假金牌月嫂”：基于Python集成的天远家政人员背景调查系统