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 131 条 · 文档／报告
清除筛选开源社区
sec-parser 是 Alphanome.AI 开源的 SEC EDGAR HTML 文件语义解析器。它的核心功能是将 SEC 公告的 HTML 文件（如 10-K/10-Q）解析为一棵语义元素树（semantic tree），其中每个节点对应文档的一个语义单元——标题、段落、表格、列表等——并标注其层级关系。这种“图像语义分割”概念应用到 HTML 文档的方法，使 LLM/RAG 应用可以按语义而非简单分块来处理 SEC 文件。 传统做法是用 BeautifulSoup
SEC 公告语义树解析 / AI 数据预处理
开源社区
FinDKG（Financial Dynamic Knowledge Graph）是一个将大语言模型（LLM）与时序知识图谱（Temporal Knowledge Graph）结合的金融研究项目。它从金融新闻和文档中抽取实体和关系，构建一个随时间变化的金融知识图谱，然后用图神经网络（KGTransformer）在时序图上做链接预测和异常检测。论文发表在学术期刊，GitHub 180+ 星。 FinDKG 的核心创新是“动态”——传统金融知识图谱是静态快照（某个时间点的公司-行
金融动态知识图谱 / LLM 驱动
开源社区
AI Bank Statement Document Automation 是一个围绕银行流水 PDF 自动化处理的开源项目，结合 YOLOv8 布局检测、OCR、LLM 表格抽取、RAG 问答和 AG2 智能体分析。它的目标是把非结构化银行流水文档转换为结构化交易数据，并进一步生成收入支出分类、趋势分析和月度/年度财务报告。 这个项目非常贴近银行业务，因为银行流水、对账单、收入证明、消费记录等文档在零售金融、信贷审批、小微企业贷、反欺诈和个人财务管理中都很常见。传统处理依赖
银行流水 OCR + LLM + RAG + 智能体
开源社区
InvOCR 是一个面向发票、收据和金融文档的 OCR 处理系统，支持 PDF、PNG、JPG、TIFF 等输入，并能输出 JSON、XML、HTML、PDF 等格式。它提供 FastAPI 服务、CLI 工具、Docker 部署、多语言 OCR、表格抽取、签名检测和格式转换能力。 与单纯的 OCR demo 不同，InvOCR 更像一个企业级文档处理后端：它不仅把图片转文字，还试图完成“文档 → 结构化数据 → 标准格式”的完整转换。对金融场景来说，这类能力可以用于发票报销
发票/收据/金融文档 OCR 处理系统
开源社区
ml4t-backtest 是 Machine Learning for Trading 生态中的事件驱动回测引擎，由 Stefan Jansen 相关生态维护。它面向机器学习交易策略，强调真实执行建模、无未来函数、仓位和风险约束、订单行为导出与审计。项目仍处于 beta，但设计理念非常现代。 与轻量级回测框架相比，ml4t-backtest 更关注“研究结果是否可审计、是否接近真实执行”。它支持事件驱动架构、point-in-time correctness、先处理退出订单
事件驱动回测 / 机器学习交易生态
开源社区
Financial RAG Assistant 是一个面向财务文档的 RAG 问答系统，支持上传 10-K 文件、业绩报告等 PDF，使用 LangChain、ChromaDB、OpenAI/Claude 构建向量检索和答案生成，并返回带来源页引用的回答。项目还提供 Streamlit 聊天界面，便于用户直接体验。 这个项目代表了金融 RAG 最常见的产品形态：用户上传一份几百页的财报或 10-K，系统分块、向量化、检索相关片段，然后让大模型回答“主要风险因素是什么”“收入增
财报/10-K PDF RAG 问答助手
开源社区
Earnings Call Analyzer 是一个 AI 投研工具原型，整合 SEC filings、实时市场数据和网页搜索，用 RAG、LangChain agents、Claude API 和 ChromaDB 回答投资研究问题。它的定位比单文档 RAG 更进一步：不仅读文件，还尝试把外部数据和搜索工具接入同一个分析 Agent。 业绩电话会和 SEC 文件是投研分析中信息密度很高的材料，但问题往往跨多个来源：管理层在电话会中说了什么、财报数字是否支持、市场数据有没有反
业绩电话会 + SEC 文件 + 市场数据 Agent
开源社区
Financial Research Agent 是一个基于 LangGraph、LangChain、ChromaDB、Google Gemini 和 Streamlit 的金融研究智能体项目。它将文档检索、工具调用和直接回答组织成 LangGraph 节点，由路由节点决定用户问题应该走检索、工具还是直接响应。 相比普通 RAG 项目，Financial Research Agent 的价值在于展示了“可控 Agent 流程”。用户问题进入后，不是直接丢给 LLM，而是先由
LangGraph 金融研究智能体 / 文件 RAG
开源社区
SEC 10-K Filings Analysis 是一个用 LangChain、Streamlit、ChromaDB 和 OpenAI 模型构建的 SEC 10-K 文件问答项目。它包含 SEC 文件下载、文本 ingest、向量数据库构建和前端问答流程，适合学习最基本的 SEC RAG 应用。 10-K 文件通常几百页，包含业务概述、风险因素、管理层讨论、财务报表和脚注，是投研和信用分析的重要来源。该项目展示了如何把 SEC EDGAR 的长文档转化为可检索知识库，让用户
SEC 10-K RAG / Streamlit 问答
开源社区
py-sec-xbrl 是一个用于解析 SEC EDGAR XBRL 文件的 Python 工具，目标是把上市公司提交给 SEC 的 XBRL XML 财报数据解析成更容易被程序访问的结构化结果。它不是一个完整的公告下载平台，而是专注在“拿到 XBRL 文件之后，如何把其中的财务事实、标签和上下文抽取出来”。 XBRL 是财报机器可读化的关键标准。很多金融 AI 项目会直接对年报 PDF 或 HTML 做 RAG，但如果问题涉及收入、净利润、资产负债、现金流等数字，直接从文本
SEC XBRL 财报解析 / 结构化数据底座
开源社区
wraquant 是一个较新的综合量化金融工具箱，项目自称包含风险管理、制度状态识别、波动率建模、衍生品定价、回测、机器学习和技术分析等模块，并通过 MCP server 将 200+ 工具暴露给 AI Agent 调用。它的定位是“AI-native quant research lab”。 与传统量化库不同，wraquant 从一开始就强调 Agent 可用性：工具函数、工作流 prompt、DuckDB 工作区和 MCP 接口被组织在一起，使 Claude 或其他 MC
AI-native 量化金融工具箱 / MCP
财务建模、估值与办公文档自动化
这个 skill 属于“财务建模、估值与办公文档自动化”领域。适合学习财务模型、估值、可比公司、Excel/PPT 工作底稿和交易材料如何标准化。对金融 AI 项目而言，这类 skill 很适合拆成“数据抽取、表格校验、假设管理、模型生成、结果复核”的可落地链路。
财务建模、估值与办公文档自动化
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 ↗。