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 126 条
清除筛选开源社区
edgarmcp 是一个面向 SEC EDGAR 的开源 MCP 服务，可以让 AI 客户端实时查询、读取和检索美国上市公司披露文件。它提供 get_filings、read_document、search_filings、view_financials、search_edgar 等工具，支持读取 filings、附件、注释、XBRL 财务报表，并提供可点击引用。项目创建于 2026 年，属于较新的“金融数据 + MCP + AI 工具调用”方向。 这个项目很适合学习 AI
SEC EDGAR MCP 服务
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
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
深度学习组合优化
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
量化金融 / 衍生品定价 / MCP
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
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
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 ↗。