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 24 条 · 人工复核
清除筛选开源社区
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
金融智能体 / 投研报告
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
金融大语言模型
开源社区
AntiFraud 是 AI4Risk/FinInt 相关组织维护的金融反欺诈检测框架，收录和实现多篇信用卡欺诈检测、图欺诈检测和时空注意力相关论文的方法。项目覆盖 MCNN、STAN、STAGN、GTAN、RGTAN、HOGRL、Grad 等模型或方法，涉及卷积神经网络、时空注意力、图神经网络、属性驱动图表示、风险感知图表示等技术。 这个项目对银行从业者非常有价值，因为反欺诈是银行 AI 最典型、最接近生产的问题之一。与投研类项目不同，欺诈检测更强调稀有事件、样本不平衡、伪
金融反欺诈模型框架
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
大模型交易智能体
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
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
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
AIReceiptParser 是一个使用 OCR 和 GPT-4 将收据图片转换成结构化数据的应用。它通过 Tesseract OCR 提取文本，再用大模型把原始 OCR 文本整理成严格 JSON，并提供本地 SQLite 存储、CSV 导出和简洁 Web 界面。项目还提供 mock 测试模式，便于在没有真实 API 调用时调试流程。 虽然它面向个人收据处理，但背后的思路对银行和金融运营很有价值。银行业务里大量票据、凭证、收据、发票、费用单、报销单、POS 小票都需要从图片
票据 OCR / LLM 结构化
开源社区
FinRL-Meta 是 AI4Finance 生态中的市场环境和数据集层，目标是为数据驱动的金融强化学习提供动态数据集、市场环境和基准。它与 FP-003 FinRL 关系紧密，但定位不同：FinRL 更偏强化学习交易算法和策略开发，FinRL-Meta 更偏“训练智能体之前的数据和环境怎么准备”。因此本批次把它作为数据底座项目单独收录，不算与 FinRL 重复。 强化学习在金融交易中很容易被误解为“让模型自己学会赚钱”。实际上，交易智能体能学到什么，很大程度取决于市场环境
金融强化学习数据集和市场环境
开源社区
tidyxbrl 是一个用于解析 XBRL 数据的 Python 包，目标是以更简洁的方式把 XBRL 文件转换成 Python 可处理的动态结构。XBRL 是上市公司财务报告和监管报送中常见的结构化语言，能够把财务报表中的项目、数值、期间、单位和上下文机器可读化。对金融 AI 来说，XBRL 是连接“原始财报”和“结构化财务知识”的关键桥梁。 很多学习者会直接用 PDF 或 HTML 财报做 RAG，但对于财务指标和监管报表来说，文本问答并不够。比如收入、资产、负债、现金流
XBRL 解析 / 财报结构化
开源社区
FinQA 是 EMNLP 2021 论文对应的金融数值推理问答数据集和代码库，任务是让模型基于财报中的表格和文本回答需要计算的问题。它不是简单的文本问答，而是要求模型找到相关证据、生成计算程序或推理步骤，并得到最终数值答案。对于金融大模型学习来说，FinQA 是理解“金融问答为什么难”的经典数据集。 金融问题往往不是问“某句话是什么意思”，而是问“同比增长多少”“某项费用占收入比例是多少”“现金流变化由哪些项目造成”“某指标是否满足阈值”。这些问题需要读取表格、理解上下文、
金融数值推理问答数据集
开源社区
TAT-QA 是一个面向金融报告的表格与文本混合问答数据集，包含真实金融报告中的表格、相关段落和问题答案。它的全称是 Tabular And Textual Question Answering，核心特点是把半结构化表格和非结构化文本放在同一个上下文中，要求模型综合两者进行理解和数值推理。 它与 FinQA 相似但关注点不同。FinQA 更强调程序化数值推理，TAT-QA 更强调混合上下文：很多问题必须同时阅读表格和旁边的解释性段落。金融报告里经常出现这种情况：表格给出数字，
表格 + 文本金融问答数据集
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 ↗。