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 156 条 · 生成式 AI
清除筛选开源社区
FinDKG（Financial Dynamic Knowledge Graph）是一个将大语言模型（LLM）与时序知识图谱（Temporal Knowledge Graph）结合的金融研究项目。它从金融新闻和文档中抽取实体和关系，构建一个随时间变化的金融知识图谱，然后用图神经网络（KGTransformer）在时序图上做链接预测和异常检测。论文发表在学术期刊，GitHub 180+ 星。 FinDKG 的核心创新是“动态”——传统金融知识图谱是静态快照（某个时间点的公司-行
金融动态知识图谱 / LLM 驱动
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
InvOCR 是一个面向发票、收据和金融文档的 OCR 处理系统，支持 PDF、PNG、JPG、TIFF 等输入，并能输出 JSON、XML、HTML、PDF 等格式。它提供 FastAPI 服务、CLI 工具、Docker 部署、多语言 OCR、表格抽取、签名检测和格式转换能力。 与单纯的 OCR demo 不同，InvOCR 更像一个企业级文档处理后端：它不仅把图片转文字，还试图完成“文档 → 结构化数据 → 标准格式”的完整转换。对金融场景来说，这类能力可以用于发票报销
发票/收据/金融文档 OCR 处理系统
开源社区
Financial PhraseBank 是金融情感分析中最经典的数据集之一，由金融和经济新闻句子组成，并由人工专家标注为 positive、negative、neutral。Hugging Face 上的 takala/financial_phrasebank 提供了多个一致性版本，例如 all agree、75% agree、66% agree、50% agree，便于研究者根据标注一致性选择训练集。 它的重要性在于：金融文本的情感判断不能直接套用通用情感模型。比如“公司
金融情感分析数据集 / 专家标注
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
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
实时财经资讯、市场情绪与逻辑链路
这个项目更偏“市场感知层”：把新闻、热榜、财经信源、情绪、预测市场、股票数据、逻辑链路图和报告生成组合起来。它比 Anthropic 官方投研 skill 更接近每日市场跟踪和中文市场资讯流，适合学习如何把外部信息源变成结构化投研输入。
实时财经资讯、市场情绪与逻辑链路
DBS
呼叫中心坐席需要边听客户问题、边检索知识库、边操作系统、边记录工单。重复劳动多，培训成本高，新员工很难快速达到熟练坐席水平。
面向新加坡 500 多名客服人员。 预计通话处理时长最多降低 20%。 试点中转写和解答准确性接近 100%。 近 90% 参与试点的客服认为该工具对工作流有正面影响。 DBS 还计划在 12 个月内推广到中国台湾和中国香港等市场。
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 ↗。