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 56 条 · RAG／知识库
清除筛选开源社区
SEC-API Python 是 SEC-API.io 提供的 Python SDK，用于访问 SEC 与 EDGAR 数据，包括文件查询、全文搜索、实时流、XBRL 转 JSON、标准化财务报表、13F 持仓、内幕交易、合同附件、注册文件、代理投票等多类披露数据。它是开源 SDK，但背后连接的是商业 API 服务，因此本项目更适合学习“金融数据服务 SDK 如何封装复杂披露数据”。 与 EDGAR-Crawler 相比，SEC-API Python 更像数据产品接口。它不只
SEC/EDGAR 数据 SDK / XBRL 转 JSON
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
开源社区
ConvFinQA 是 EMNLP 2022 的对话式金融数值推理问答数据集，进一步把金融问答从单轮问题扩展到多轮对话。它要求模型在连续提问中保留上下文，理解上一轮问题和答案对下一轮的影响，并继续执行数值推理。这个任务非常贴近真实金融分析，因为用户往往不是一次性提出完整问题，而是边看材料边追问。 例如分析师可能先问“公司 2021 年收入是多少”，再问“相比上一年增长多少”，再问“这种增长主要来自哪个业务”。后续问题依赖前文实体、指标和时间范围。如果模型不能维护对话状态，就会
对话式金融数值推理问答
开源社区
FinanceBench 是 Patronus AI 发布的金融开放书问答评测基准，用于评估大模型在公开上市公司文件上的问答能力。它包含一批公开样例，问题围绕真实公司、真实文件和可验证答案展开，并强调证据字符串。FinanceBench 的重要性在于，它不是展示模型多聪明，而是揭示当前大模型在金融问答中的可靠性不足。 该项目论文中提到，即使使用强模型和检索增强，很多问题仍然会出现错误、拒答或幻觉。这对银行非常有警示意义：金融问答不能只看回答是否流畅，而要看是否引用正确文件、是
金融开放书问答评测基准
开源社区
Open FinLLM Leaderboard 是 Open-Finance-Lab 开源的金融大模型评测和教程项目，目标是为金融 LLM 和金融智能体提供标准化评估框架。它的文档整理了多个金融任务类别，包括信息抽取、文本分析、问答、文本生成、风险管理、预测和决策等，并把不同数据集映射到这些能力维度。 这个项目的价值在于它帮助学习者从“模型名字”转向“能力评测”。金融大模型不能只看通用榜单分数，因为金融场景有大量特定能力：财报问答、金融情绪、实体关系抽取、信用风险、欺诈检测、
金融大模型评测套件
开源社区
FinTabNet Benchmark 是 DocLD 发布的金融表格抽取评测项目，用于在 FinTabNet 数据集上评估表格抽取准确率。FinTabNet 是来自 S&P 500 公司 SEC 年报的大规模金融表格数据集，包含复杂表头、合并单元格、层级结构和密集数字。该项目提供数据加载、抽取调用和评分方法，用于复现实验或评估其他表格抽取管道。 金融文档中最难处理的部分之一就是表格。表格不是普通文本，行列结构、表头层级、单位、合并单元格、脚注和跨页都会影响含义。银行做财报解
金融表格抽取评测
开源社区
DISC-FinLLM 是复旦大学数据智能与社会计算实验室开源的中文金融大语言模型项目，目标是面向金融咨询场景提供专业、智能、相对全面的问答服务。它不是只把一个通用模型微调成会说金融词汇，而是把金融咨询、金融文本分析、金融计算、金融知识检索问答等模块组合起来，体现了金融大模型需要“多能力协同”的特点。 项目公开了 SFT 数据样例、模型参数链接和 DISC-Fin-Eval 评测资源，对学习者很有价值。因为真实金融问题经常不是单一问答：客户可能先问产品概念，再问收益风险，再问
中文金融大模型 / 检索增强金融咨询
开源社区
LLaMA3 Financial Analyst 是一个基于 Llama-3 的金融分析项目，把 LoRA 参数高效微调与 SEC 10-K 文件 RAG 管道结合起来，用于回答上市公司年报相关复杂问题。项目处理 10-K 中的风险因素和 MD&A 等部分，并使用开源 embedding 模型进行语义检索。 这个项目适合学习“微调 + RAG”的组合。很多金融应用只做 RAG，模型本身未必适应金融问答格式；也有项目只做微调，却缺少最新资料引用。LLaMA3 Financial
SEC 10-K RAG / LoRA 金融分析
开源社区
SEC Filings RAG Assistant 是一个面向 SEC 10-K/10-Q 文件的 RAG 助手项目，流程包括下载 EDGAR 报告、解析和清洗 HTML、切分文档、生成 embedding、写入 ChromaDB，并在回答问题时返回带来源引用的结果。 它的价值在于流程完整且贴近金融文档问答。很多 RAG 示例只演示上传 PDF 后问答，但金融披露文件非常长、格式复杂、章节结构明显，且答案必须可追溯。这个项目把解析、清洗、分块、检索、多样性召回和引用格式都拆开
SEC 文件 RAG / 引用型问答
开源社区
HiDy 是 K-Quant 团队开源的大规模层次化动态金融知识库，包含多类实体和关系，并按宏观、产业、中观、公司等层次组织金融知识。项目页面提到数十万关系和多类实体，目标是为金融任务提供可检索、可评测的知识基础。 这个项目适合与 FinRED、FIRE、Financial Knowledge Graph 一起阅读。FinRED 和 FIRE 更偏从文本中抽取实体关系，Financial Knowledge Graph 更偏用公开行情/财务数据建图，而 HiDy 更强调层次化
层次化动态金融知识库
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 ↗。