UC-155银行用例 ／ 平台治理
KB Financial Group
大型金融集团通常拥有银行、证券、保险、卡、资本、养老等多类子公司。每个业务线都有自己的客户、产品、系统和监管要求。如果各子公司分别采购或自建生成式 AI 工具，容易造成能力重复、治理不一致、数据风险和规模化困难。 KB Financial Group 在 2025 年集团历史中披露，5 月开放金融圈首个 Agentic AI 기반 그룹 공동 생성형 AI 플랫폼 “KB GenAI Portal”。这说明其目标不是单点应用，而是为集团共同使用生成式 AI 和智能体建立统一入
披露摘要官方历史页面披露，KB Financial Group 于 2025 年 5 月开放韩国金融圈首个 Agentic AI 기반 그룹 공동 생성형 AI 플랫폼 “KB GenAI Portal”。公开报道进一步披露，平台将覆盖集团多家子公司，并计划未来 3 年在 17 个业务领域引入 90 多个智能体。 该案例的价值在于展示了金融集团从“员工使用 AI 工具”走向“集团共同 AI Agent 平台”的路径。与单一聊天助手相比，Portal 模式更有利于统一身份权限、知识接入、模型治理、智能体审核、监控和复用。
UC-126银行用例 ／ 风控合规
Dah Sing Bank
反洗钱调查中的可疑交易报告（STR）是银行合规工作里非常耗人力的一环。交易监测系统触发告警后，调查人员要汇总客户背景、账户信息、交易模式、触发原因、前线补充信息和调查结论，并将其写成符合监管提交要求的叙述文本。对于非报告案件，也需要形成足够清晰的结案叙述和留痕。 Dah Sing Bank 在香港金管局首期 GenA.I. 沙盒中选择这个场景，说明生成式 AI 正从客服和员工助手进入高度监管的金融犯罪调查流程。它的难点不只是写得快，而是要写得结构化、可追溯、符合模板，并且不能
披露摘要PoC 显示，GenAI 支持的 STR 和非报告案件叙述可根据案件复杂度节省约 30% 至超过 80% 的准备时间。简单的非报告个人交易案例节省约 30%；复杂的报告类公司案件时间降幅可达 80%。这说明生成式 AI 在复杂叙述整理、证据汇总和模板化写作方面尤其有价值。 官方材料还指出，项目利用 GenA.I. 沙盒和数码港 AISC GPU 资源，在不需要大量前期基础设施投入的情况下从概念推进到验证。后续计划包括接入外部数据源，如公司背景调查、交易对手公开情报，并建立带引用和推理说明的更完整叙述，以及持续监控和反馈机制。
UC-147银行用例 ／ 平台治理
Union Bank of the Philippines（UnionBank）
银行要成为数据驱动组织，核心问题不是有没有数据，而是业务人员能否快速、正确、低门槛地使用数据。传统模式下，营销、账户管理、产品、运营和客户服务团队经常依赖数据团队生成报表、制作仪表盘和提取洞察。这个模式虽然可控，但会形成瓶颈：业务问题等待排期，数据团队反复处理临时报表，决策速度下降。 UnionBank 是菲律宾领先银行之一，长期强调数字化和客户中心创新。AWS 披露，UnionBank 希望让 200 多名跨部门业务用户能够独立访问、分析和可视化数据，从而更快回答“为什么本
披露摘要AWS 披露，UnionBank 是菲律宾首家、也是东盟较早采用 Amazon Quick Suite 生成式 AI 能力的银行之一。该方案支持 200 多名业务用户使用自然语言访问洞察，目标状态下数据请求周转时间提升 3-5 倍。 官方还披露，该方案实现了真正的数据民主化和访问普及，使银行运营成本降低约 30%。当前用例在活动和账户管理中已经应用，更快上市和成本管理可以降低银行成本，并最终转化为更好的客户定价和体验。
UC-001银行用例 ／ 客户服务
Lloyds Banking Group
大型银行客服坐席面对的问题高度碎片化：账户、支付、卡片、贷款、网银、投诉、身份验证、流程规则等都可能在一次通话中出现。传统知识库依赖关键词搜索，坐席需要在大量内部文章中查找答案，客户等待时间随之增加。
披露摘要Lloyds 拥有 2,800 万客户。 电话和线上银行团队每月支持约 200 万客户。 Athena 将平均搜索时间从约 59 秒降至约 20 秒，降幅约 66%。 2025 年以来，21,000 名集团员工使用 Athena 搜索 210 万次。 单看电话银行团队，预计节省约 4,000 小时搜索时间。
FP-002开源项目 ／ 财富投研
开源社区
FinRobot 同样来自 AI4Finance Foundation，定位是面向金融分析的大语言模型智能体平台。与 FinGPT 更偏模型和金融 NLP 基础能力不同，FinRobot 更强调“智能体工作流”：让多个 AI 角色围绕一个金融分析目标协作，例如拉取金融数据、整理公司基本面、比较同业、生成研究报告、输出图表和文本段落。项目提供了本地部署方式、命令行流程和 Web 界面示例，目标是把金融分析流程从单次问答推进到多步骤自动化。 从学习角度看，FinRobot 很适合
FP-001开源项目 ／ 财富投研
开源社区
FinGPT 是 AI4Finance Foundation 发起的开源金融大语言模型项目，目标是把通用大模型改造成更懂金融文本、金融情绪、市场信息和投研任务的领域模型。它不是一个简单聊天机器人，而是围绕金融数据处理、指令微调、情绪分析、金融问答、金融预测和金融基准评测形成的一套项目集合。项目公开了代码、训练思路、部分模型与 Hugging Face 资源，适合用来理解“金融大模型到底需要哪些专门处理环节”。 FinGPT 的重要意义在于：金融机构一般不会把内部高质量数据和模
FP-005开源项目 ／ 财富投研
开源社区
OpenBB 是一个开源金融数据平台，面向分析师、量化人员和 AI 智能体提供统一的数据访问能力。它整合多类金融数据源，并通过 Python、CLI 等方式让用户读取市场数据、公司数据、经济数据和其他分析所需信息。OpenBB 的新定位已经不仅是“开源金融终端”，也在强调作为 AI Agent 的金融数据底座。 对金融 AI 学习者来说，OpenBB 的价值在于提醒我们：大模型或智能体要做金融分析，第一步不是“会聊天”，而是能稳定、合规、可追溯地拿到数据。很多金融 AI 项目
学习方向金融数据平台 / AI Agent 数据底座
FP-009开源项目 ／ 平台治理
开源社区
Alpha-Agent 是 LLMQuant 组织下的多智能体量化投资研究框架，定位是用大语言模型和多智能体流程辅助 Alpha 研究。项目尝试自动完成从研究报告和论文中抽取想法、识别市场状态、检索相关策略、生成代码、调试错误、接入 Qlib 回测等步骤。它代表了金融智能体从“问答助手”走向“研究流程自动化”的方向。 Alpha-Agent 的特点是把金融知识库、市场状态、策略生成和回测连接起来。对金融 AI 学习者来说，它是观察“LLM + 量化研究 + 工具调用”的好样本
FP-012开源项目 ／ 财富投研
开源社区
FinMem 是一个基于大语言模型的交易智能体研究项目，核心思想是给 LLM Agent 设计“分层记忆”和“角色特征”，让它像交易者一样持续吸收市场信息、历史表现、新闻事件和经验反馈，再把这些记忆转化为交易决策。项目公开了论文代码，并在 2024 年有学术更新和金融大模型挑战相关信息。 FinMem 的价值在于展示了 LLM Agent 在金融场景中如何处理连续信息，而不是只回答单次问题。金融决策往往依赖过去经验、近期事件、长期趋势和短期噪声，FinMem 试图用记忆结构来
FP-014开源项目 ／ 数据与研发
开源社区
FinancialAdvisorGPT 是一个金融分析 RAG 与 LLM 样板项目，技术栈包括 MongoDB、Chroma、FastAPI、LangChain、Mistral 模型和 React UI 子模块。它的目标是处理股票数据、新闻、SEC filings 或本地 PDF，并生成带来源引用的金融报告。虽然项目规模不算大，但它很好地体现了一个金融 RAG 应用的基本结构。 这个项目适合初学者理解：金融 RAG 不只是把 PDF 扔给大模型，而是要有文档解析、向量存储、
FP-016开源项目 ／ 财富投研
开源社区
deepdow 是一个把深度学习和组合优化连接起来的 Python 包。传统资产配置通常分两步：先预测未来收益或风险，再把预测结果输入优化器求组合权重。deepdow 的思路是把这两步尽量合并成端到端、可微分的神经网络流程，让模型直接从历史收益、成交量等特征中学习资产配置权重。 这个项目虽然不是大模型项目，但非常适合理解金融机器学习的另一个重要方向：把金融优化问题嵌入神经网络。它关注的不是聊天、问答或报告，而是“如何让模型直接输出投资组合配置”。这对理解智能投顾、组合管理、资
FP-017开源项目 ／ 财富投研
开源社区
quantflow 是一个量化金融和衍生品定价工具库，覆盖随机过程、期权定价、校准、数据接口等模块。项目还包含 quantflow.ai 模块，可以作为 AI 客户端的 MCP 服务使用，把量化定价和金融计算能力暴露给智能体。它代表了另一个值得关注的方向：不是让大模型自己算金融数学，而是让大模型调用可靠的金融计算工具。 对金融 AI 学习者来说，quantflow 的价值在于把“AI + 金融计算”连接起来。许多金融问题不能靠语言模型凭空回答，例如期权价格、波动率、随机过程模