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 66 条 · 生成式 AI
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
OpenBB 是一个开源金融数据平台，面向分析师、量化人员和 AI 智能体提供统一的数据访问能力。它整合多类金融数据源，并通过 Python、CLI 等方式让用户读取市场数据、公司数据、经济数据和其他分析所需信息。OpenBB 的新定位已经不仅是“开源金融终端”，也在强调作为 AI Agent 的金融数据底座。 对金融 AI 学习者来说，OpenBB 的价值在于提醒我们：大模型或智能体要做金融分析，第一步不是“会聊天”，而是能稳定、合规、可追溯地拿到数据。很多金融 AI 项目
金融数据平台 / AI Agent 数据底座
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
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
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
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
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
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
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 ↗。