页面准备好后会自动显示。等待期间仍可使用顶部导航切换。
SEEKINGDAO / FIELD NOTES
从真实业务出发，看清 AI 如何落地。读懂做法、成效与边界，把案例变成自己的判断。
它解决了什么业务问题？用了哪些数据？披露的效果是实绩、试点，还是计划？
THE INDEX
找到 462 条
开源社区
Parsee AI 是一个面向非结构化文档的数据抽取和结构化框架，由 SimFin 相关团队开源。它主要处理 PDF、HTML、图片等常见文档来源，尤其强调金融领域常见的表格、数字、字段和多模态查询。项目支持用 LLM 做抽取，也支持自定义模型和模板化抽取，不把能力限定在大模型上。这个定位很重要：金融文档里最难的往往不是“总结一段话”，而是把财报、发票、账单、对账单、披露文件里的金额、币种、日期、表格行列、公司名称准确变成结构化数据。 Parsee 的设计思路更接近“金融文档
金融文档结构化 / 表格抽取
开源社区
Bank Statement Parser 是一个专门解析银行流水和支付文件的开源项目，支持 CAMT、PAIN.001、CSV、OFX/QFX、MT940 以及数字 PDF、扫描 PDF 等格式，并将不同来源统一成 Transaction 交易模型。项目对结构化格式优先采用确定性解析，对 PDF 和扫描件则提供 LLM、OCR、视觉模型等回退方案。这种“确定性规则优先，AI 兜底处理复杂非结构化材料”的架构非常符合金融业务实际。 银行流水是金融 AI 很核心但经常被低估的数
银行流水解析 / LLM 辅助 OCR
开源社区
Jube 是一个开源 AML 和欺诈检测平台，面向实时交易监测、可疑交易识别、风险评分、规则引擎、机器学习检测和案件管理。它不是单一模型 notebook，而是更接近金融机构实际使用的交易监控系统：交易进入系统后，可以通过规则、阈值、速度检查、聚合统计、机器学习模型和工作流触发风险事件，再进入案件管理和人工调查。 这类项目对银行学习者价值很高，因为反洗钱和欺诈监控的真实难点不只是“训练一个模型”。真实难点包括规则和模型如何共存，误报如何处理，案件如何分派，审计留痕如何保存，模
AML / 欺诈实时监测
开源社区
IBM Multi-GNN 是 IBM 开源的反洗钱图神经网络项目，包含用于 AML 的多种 GNN 架构和适配代码。反洗钱天然是图问题：资金在账户、客户、商户、公司、设备、地址之间流动，单笔交易看起来可能正常，但在网络结构中可能暴露资金分层、循环转账、团伙账户、通道账户或异常集群。Multi-GNN 的意义在于把 AML 从单笔交易分类推进到交易网络建模。 对银行从业者来说，图神经网络不是为了追求算法炫技，而是因为洗钱行为往往故意拆分、绕转、伪装和分层。传统规则能发现部分简
反洗钱图神经网络
开源社区
KYC Analyst 是一个开源 KYC/AML 合规自动化项目，目标是帮助合规分析师完成客户准入中的重复性任务，例如制裁筛查、PEP 检查、负面新闻检索、公开公司资料查询、风险评分和报告生成。项目特别强调 17 个人工复核 checkpoint，明确 AI 只是辅助，最终判断仍由训练有素的分析师控制。这一点非常符合金融合规场景的真实要求。 它的价值不在于“完全自动批准客户”，而在于展示 KYC 工作流如何被拆解和编排。传统 KYC 经常需要分析师在多个公开数据源和内部系统
KYC/AML 合规自动化
开源社区
FinBERT 是经典金融 NLP 预训练模型项目，基于大量金融沟通文本训练 BERT，包括公司 10-K/10-Q 报告、业绩电话会议文本、分析师报告等。项目提供金融文本预训练模型和多个微调方向，例如金融情绪分析、ESG 分类、前瞻性陈述识别等。虽然它不是最新的大模型项目，但仍是理解“金融专用语言模型为什么必要”的重要基础项目。 相比通用 BERT 或通用大语言模型，FinBERT 的特点是金融语料密度高。金融文本中的“liability”“default”“charge-
金融 NLP / 情绪与 ESG 分类
开源社区
FinCast 是一个面向金融时间序列预测的基础模型项目，论文方向为 CIKM 2025，采用 decoder-only Transformer，在大量金融时间点数据上训练，强调零样本、少样本和监督场景下的预测能力。它使用点预测和概率预测结合的损失，并引入 Mixture-of-Experts 以适配不同金融领域和时间分辨率。 这个项目代表金融 AI 的一个新趋势：不再为每个资产、每个指标、每个频率单独训练一个小模型，而是尝试训练能适配多种金融时间序列的基础模型。对银行从业者
金融时间序列基础模型
开源社区
Kronos 是一个面向金融市场“语言”的基础模型项目，尝试把金融市场数据看作一种可建模的序列语言。项目在 2025 年开源并获得较高关注，定位是通过基础模型理解市场时间序列、形态和潜在规律。它与 FinCast 一样代表金融时间序列模型从传统特征工程向大规模序列建模演进的方向。 Kronos 的启发意义在于：金融市场不仅是数值表格，也可以被看作由价格、成交、波动、趋势、跳变、周期等组成的“市场语言”。这种思想对银行内部也有启发，例如客户行为序列、账户交易序列、贷款还款序列、
金融市场基础模型
开源社区
SEC MD&A RAG 是一个针对美国上市公司 10-K 报告中 MD&A（管理层讨论与分析）章节的 RAG 系统。项目使用 FAISS + BM25 的混合检索，再通过 Reciprocal Rank Fusion 融合排序，并在回答中提供段落级引用。它提供命令行和 Streamlit 交互界面，适合学习一个较完整但不臃肿的金融 RAG 项目。 MD&A 是财报中信息密度很高的部分，管理层会解释收入、成本、风险、流动性、资本支出和未来趋势。与完整 10-K 相比，聚焦 M
SEC 10-K MD&A RAG
开源社区
AIReceiptParser 是一个使用 OCR 和 GPT-4 将收据图片转换成结构化数据的应用。它通过 Tesseract OCR 提取文本，再用大模型把原始 OCR 文本整理成严格 JSON，并提供本地 SQLite 存储、CSV 导出和简洁 Web 界面。项目还提供 mock 测试模式，便于在没有真实 API 调用时调试流程。 虽然它面向个人收据处理，但背后的思路对银行和金融运营很有价值。银行业务里大量票据、凭证、收据、发票、费用单、报销单、POS 小票都需要从图片
票据 OCR / LLM 结构化
开源社区
budget_book 是一个银行交易下载、机器学习分类和支出分析项目，最初用于替代 comdirect Finanzmanager。它通过银行 API 下载交易，将交易保存到 CSV 数据库，再根据交易描述文本用机器学习进行分类，并用 Jupyter Notebook 做支出分析和可视化。虽然项目偏个人财务管理，但它很好地体现了银行交易数据从获取、分类到分析的流程。 银行交易描述通常很杂乱：商户名、渠道、备注、缩写、地区、交易类型混在一起。自动分类看似简单，实际上涉及文本清
银行交易下载、分类和分析
开源社区
Beanborg 是一个面向 Beancount 记账系统的 AI 自动交易分类工具。它根据历史账务数据学习交易描述和会计科目之间的关系，帮助用户把新交易自动归入对应账户或类别。它比普通支出分类更接近复式记账和会计科目的语境，因此对企业财务自动化、现金流管理和费用归集也有参考价值。 银行和财务系统里，交易分类往往不是简单的“餐饮/交通/购物”，而是要映射到会计科目、成本中心、税务类别、预算项目或监管报表口径。Beanborg 体现了从交易文本到会计分类的一个轻量实现。
记账交易自动分类
内容整理自金融 AI 长期进化实验室。银行用例、开源项目与 Skill 工作流分开展示；商业合作、计划和试点的表述按原分析保留，披露指标不等同于独立审计结果。
业务分类和技术标签按公开规则归纳；同机构不同项目、同名但来源不同的 Skill 独立保留。总览与正文只计一次，相同机构项目或相同上游路径合并并保留来源版本。当前 462 条来源记录，合并 0 条重复记录。
每日检查公开仓库，更新时保留上一版有效内容；如果来源删除已有记录或结构发生变化，暂停覆盖，等待核对。最近检查：2026/11/14（香港时间）。当前来源修订：06778e55 ↗。