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 57 条 · 智能体
清除筛选开源社区
FraudGT 是一个面向金融欺诈检测的图 Transformer 项目，论文题目聚焦“Financial Fraud Detection via Graph Transformer”。它将交易、账户、实体之间的关系建成图结构，并用图神经网络/Transformer 思路识别欺诈模式。 这个项目适合补齐图 AI 在金融风控中的位置。传统反欺诈模型常看单笔交易或单个客户特征，但很多欺诈、洗钱、团伙作案和账户套利都体现为网络关系。图模型可以捕捉账户之间、商户之间、设备之间、资金流
金融欺诈图 Transformer
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
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
Machine Learning for Trading 是 Stefan Jansen 编写的畅销书《Machine Learning for Algorithmic Trading》（第二版）的配套代码仓库，GitHub 17000+ 星。它覆盖了金融机器学习的完整知识栈——从数据获取、特征工程到监督/非监督学习、深度学习、NLP、强化学习在量化交易中的应用，共 23 章 + 附录。 这个仓库的价值不在于它是一个可直接运行的产品，而在于它是“金融 ML 领域最完整的参考教
金融机器学习教程 / 全栈量化
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
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
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
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 ↗。