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 36 条 · RAG／知识库
清除筛选开源社区
sec-edgar-downloader 是一个轻量级 Python 包，专门用于从 SEC EDGAR 数据库批量下载公司公告文件。它支持按 ticker 或 CIK 搜索，可以下载 10-K、10-Q、8-K、13-F、S-1、DEF 14A 等几乎所有 SEC 表单类型，并自动保存为本地文件目录结构。GitHub 660+ 星，长期维护。 sec-edgar-downloader 的设计哲学是“只做下载、做好下载”：它不试图解析文件内容，而是提供可靠、合规、可配置的批量
SEC EDGAR 公告批量下载工具
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
yfinance-mcp 是一个基于 Model Context Protocol（MCP）的 Yahoo Finance 金融数据服务，它把 yfinance 的行情、财务、期权、持仓、新闻等能力封装成 AI 助手可调用的标准工具。项目的意义不只是“再包一层 yfinance”，而是展示了金融数据如何以 MCP 工具形式交给大模型安全调用。 在传统 RAG 或 Agent 项目中，大模型经常需要访问实时或准实时金融数据。如果直接把数据 API 写进 prompt 或让模型自
金融数据 MCP 服务 / AI 助手工具调用
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
FiNER-ORD 是佐治亚理工 FinTech Lab 发布的金融命名实体识别开放研究数据集，用于金融新闻中的实体识别基准。它包含人工标注的英文金融新闻文章，可用于训练和评估金融领域 NER 模型，例如识别公司、人物、地点、金融术语、产品和组织等实体。 通用 NER 模型在金融文本中经常不够准确，因为金融实体有大量专业缩写、股票代码、产品名称、指数名称、监管机构和金融工具。FiNER-ORD 的价值就在于提供了金融领域专用的实体识别数据和基准代码，让模型学习金融文本中的实体
金融命名实体识别数据集 / NER 基准
开源社区
FiNER 是与 FiNER-ORD 相关的金融 NER 弱监督框架项目，重点展示如何用弱监督方法降低金融实体识别数据的人工标注成本。相比完全依赖人工逐字标注，弱监督会使用词典、规则、模式、外部知识库或模型投票生成初始标签，再通过模型学习和校正提高质量。 金融领域标注成本高，因为标注员不仅要懂语言，还要懂金融术语、公司名称、产品名称和上下文含义。FiNER 的学习价值在于：它展示了如何用半自动方式构建金融 NER 数据，而不是一开始就投入大规模人工标注。 在银行内部，这个思路
金融 NER 弱监督框架
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
FinRAGify_App 是一个使用 LangChain、FAISS、GPT-4o-mini 和 Hugging Face reranker 构建的业绩电话会 RAG 应用。用户可以选择公司，针对业绩电话会 transcripts 提问，例如新产品、未来展望、管理层措辞变化等，系统通过向量检索和重排序返回答案。 该项目适合学习“金融 RAG 的增强版检索流程”。简单 RAG 通常只做向量相似度检索，但金融问题对上下文精确性要求高，容易检索到相关但不够准确的片段。FinRAG
业绩电话会 RAG / 投研助手
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
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 ↗。