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 56 条 · RAG／知识库
清除筛选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。
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。
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
多智能体 Alpha 研究
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、
金融 RAG 报告生成
开源社区
Canada Banks RAG Chatbot 是一个面向加拿大银行公开报告的 RAG 聊天机器人项目，目标是帮助用户检索和理解 RBC、CIBC、TD 等加拿大主要银行发布的财务报告。项目使用 PDF 处理、向量存储、检索增强生成、对话记忆和 Streamlit 界面，并在说明中提到使用 AWS S3 存储报告、Bedrock 管理模型能力。 这个项目与本仓库的银行学习目标非常贴近，因为它不是泛泛的 PDF 问答，而是直接针对银行公开报告。它适合用来学习如何把多家银行年报
银行年报 RAG 助手
开源社区
Banko AI Assistant 是 Cockroach Labs field 团队开源的银行类智能助手示例，展示了 RAG、Agentic AI、多模型供应商、CockroachDB 向量检索、LangGraph 多智能体工作流、持久化 checkpoint、收据 OCR、费用分析和欺诈检测等能力。项目有 PyPI 包和 Docker 相关资源，定位是一个可演示的金融/银行智能助手应用。 这个项目对本仓库很有启发，因为它把多个真实金融 AI 组件放在一起：用户上传或输入
银行支出分析 / RAG / 智能体
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
GraphRAG Finance Assistant 是一个面向 SEC filings 和市场数据问答的 GraphRAG 项目，使用知识图谱 + 向量检索回答金融文档问题，并强调引用证据、企业合规层和 RAGAS 评估。项目架构中包含 API Gateway、Neo4j、search-service、LLM Gateway、build-service、sec-parser 等模块，更接近分布式金融智能应用，而不是单 notebook demo。 普通 RAG 往往把文档切
SEC 文件 GraphRAG
开源社区
ixbrl-parse 是一个用于解析 inline XBRL 文件的 Python 库。iXBRL 是把机器可读 XBRL 标签嵌入人类可读 HTML 报告中的披露格式，常用于公司财报和监管披露。这个项目帮助使用者从 iXBRL 文件中抽取有用数据，将披露文件里的财务事实、标签和上下文转换成更易处理的结构化数据。 它不是大模型项目，但对金融 AI 非常关键。很多财报问答、财务指标计算、企业风险分析和投研助手都需要可靠财务数据。如果只让大模型读 PDF 或 HTML，可能错过
iXBRL 财报解析
开源社区
FinNLP 是 AI4Finance Foundation 开源的金融互联网数据项目，定位是为金融 NLP、金融大模型和金融情绪分析提供数据采集、整理和实验管道。它并不是单一模型，而更像一个“金融文本数据工作台”：把新闻、社交媒体、公告、财经网站、行情相关文本等来源接入 Python 环境，再把这些数据转换成后续模型训练、微调、检索和分析可以使用的表格或文本格式。 这个项目值得放在“金融 + AI 数据底座”里，是因为很多金融 AI 项目真正的瓶颈不是模型，而是数据。银行想
金融互联网数据采集 / 金融 NLP 数据管道
开源社区
FinanceDatabase 是一个开源金融标的数据库，收集并整理了股票、ETF、基金、指数、货币、加密资产和货币市场等大量金融工具的基础信息。它的价值不在于预测模型，而在于提供金融 AI 项目经常需要但容易被忽视的“主数据层”。任何涉及资产、证券、指数、行业、交易所、币种的模型，如果没有干净的标的主数据，就很容易出现代码混乱、名称不一致、市场分类不准和历史样本偏差。 在金融机构里，主数据治理是非常基础但非常关键的工作。比如同一家公司可能有普通股、ADR、不同交易所代码、历
金融标的主数据 / 证券基础数据
开源社区
FinMind 是一个开源金融数据平台，主要提供台湾市场相关金融数据，同时也包含部分宏观、汇率、利率、大宗商品等数据。项目提供 Python SDK、API 和示例 notebook，帮助使用者用统一方式获取多类金融时间序列和基本面数据。它很适合放在本批次，因为它不是单纯模型项目，而是金融 AI 项目需要的数据源和数据服务样板。 对于学习金融 AI 的人来说，FinMind 的重要性在于展示“区域市场数据平台”应该怎么组织。金融数据往往具有强烈地区差异：交易所制度不同、字段名
开源金融数据平台 / 台股与宏观数据
开源社区
EDGAR-Crawler 是一个面向 SEC EDGAR 披露文件的开源下载和结构化工具，支持从 EDGAR 下载 10-K、10-Q、8-K 等文件，并把原始、非结构化披露文本解析成更干净的 JSON 结构。它的目标非常明确：为金融 NLP 实验提供可复用的上市公司披露文本数据管道。 SEC 文件是金融 AI 的核心公开数据源之一。大量金融问答、财报摘要、风险因素分析、管理层讨论分析、行业比较、信用风险研究都离不开 10-K、10-Q、8-K 等披露文件。但原始 EDGA
SEC 披露文件下载与 JSON 结构化
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 ↗。