第七节 — 系统与外部世界的关系
这一节回答：FinBayes 作为一个黑盒，与外部世界的接触边界是什么。
系统上下文图
这张图表达什么：FinBayes 作为生态认知层与 7 类外部角色的交互边界。用户是 FinBayes 唯一直接对话的人类参与者；LLM 与外部数据 Provider 是 FinBayes 主动调用的能力提供方；Data Horizon / Trading Matrix / RLE / FEFM 是生态内协同项目，各自有独立的产品定位与接口契约。
这张图特意不表达什么：FinBayes 内部模块（容器与组件划分留给系统内部的进程与服务划分章节）、具体接口字段（schema 留给附录）、部署拓扑（留给部署形态章节）。
怎么读这张图：实线箭头是 FinBayes 主动调用 / 接收的关系；虚线箭头是潜在 / 未来的关系（如 RLE 学习信号回流、FEFM 模型能力接入）。FinBayes 与 AI Trading Matrix 没有直接连接——用户在授权后自主把意图转交 Trading Matrix，FinBayes runtime 不参与执行链路。
7 类外部角色的接触契约
用户
接触形态：自然语言对话（文本输入，未来扩展语音 / 文件附件 / URL / 表单等多模态）。
FinBayes 给用户的输出：按任务类型动态组合的认知材料（含结论 / 倾向 / 依据 / 多视角 / 反方证据 / 成立条件 / 失效条件 / 不确定性 / 信息缺口 / 来源时间戳 / 可继续追问项 / 历史判断链接）。
用户对 FinBayes 的控制权：
- 对话内容（用户表达什么由用户定）
- 状态写入确认（候选 → 已确认 两步，用户拒绝则不写入）
- 画像查看 / 修改 / 清空（战略不变量）
- Provider 配置选择（本地优先部署下，用户可自配置喜欢的 LLM / 数据 Provider）
LLM Providers
接触形态：FinBayes 通过统一的 Provider Adapter 层调用各种 LLM Provider（云端 Claude / GPT / DeepSeek / Qwen API；本地 Ollama / vLLM / LM Studio / Hugging Face TGI 等；用户自定义 OpenAI-compatible endpoint）。
调用方式：标准化的 Function Calling 接口 + streaming 响应 + 多模态消息（按 Provider 支持的能力）。
用户配置主导：本地优先部署下，用户可自配置 Provider 偏好与 fallback 顺序。系统默认配置是兜底而非强制（详见用户自配置 Provider 设计）。
外部数据 Providers
接触形态：通过统一的数据源注册表接入各种金融数据 API（价格行情、链上数据、SEC filings、财报数据、新闻、宏观数据等）。
调用方式：HTTP API 调用、SDK 接入、文件读取（用户上传的财报 / 研报 PDF 等）。
关键约束：所有外部数据进入后归一化为统一的证据单元（含来源、时间戳、freshness、置信度、降级原因等元数据）。
Data Horizon（生态感知层）
接触形态：FinBayes 消费 Data Horizon 提供的整理过的金融素材（事件、实体、时间线、情报）。Data Horizon 不替 FinBayes 判断；FinBayes 不替 Data Horizon 做数据感知。
接口契约：见生态协同契约章节（待起草）。第一阶段以"从 Data Horizon 取素材"为主，可能含订阅式实时更新（待具体定义）。
AI Trading Matrix（生态执行支持层）
接触形态：FinBayes 与 Trading Matrix 没有直接连接。用户基于 FinBayes 形成判断后，自主决定是否把意图转交 Trading Matrix。
为什么不直连：战略不变量"FinBayes 不直接下单, 也不持有账户凭证"要求执行链路与认知链路严格分离。直连会让用户无法清晰区分"获取认知材料"与"发起执行"两个动作，违反认知不替执行的分工原则。
未来如果接入：必须通过独立授权边界 + 外部系统 contract，不能把 Trading Matrix 的执行能力注册为 FinBayes 的认知 skill。
RLE（生态反馈学习）
接触形态：FinBayes 把用户对认知材料的反馈（接受 / 拒绝 / 修改）发送给 RLE；用户在 Trading Matrix 上行动后的反馈也回流到 RLE。RLE 整合后产出学习信号回流到 FinBayes。
第一阶段范围：用户反馈采集 + RLE 接口契约（具体学习闭环的实现复杂度由 RLE 自身决定，FinBayes 只承接接口）。
关键约束：金融执行凭证 / 用户敏感画像 等不进入 RLE 训练数据（凭证不变量 + 用户主权）。
FEFM（金融领域基础模型）
接触形态：FEFM 作为生态内的金融领域基础模型，可经 LLM Provider 适配层接入 FinBayes（FEFM 在 FinBayes 视角下就是另一个 LLM Provider，只是来自生态内部）。
第一阶段范围：FEFM 的具体形态由 FEFM 项目自身决定。FinBayes 在 Provider Adapter 层预留对 FEFM 的接入位，等 FEFM 提供 API 时即可加入用户可选 Provider 列表。
战略边界与不变量在这一层的体现
| 不变量 | 在系统上下文层的体现 |
|---|---|
| 不直接下单 / 不持有账户凭证 | FinBayes 与 Trading Matrix 无直连，用户在 FinBayes 与 Trading Matrix 之间保留完整决策权与执行权 |
| 凭证不收 / 不存 / 不训练 | 用户输入端拦截凭证类内容（与 LLM Provider / 数据 Provider / RLE 之间的接口都不传递凭证） |
| 用户画像主权 | 用户保有查看 / 修改 / 清空画像的完整控制权（与 RLE 之间的反馈不绕过用户控制权） |
| 输出是认知材料不是执行指令 | 给用户的输出始终是条件化认知材料；不主动调用 Trading Matrix 触发任何执行动作 |
| 画像不裁剪事实空间 | 画像只影响表达密度与术语深度；与 LLM Provider / 数据 Provider 交互时不因画像偏好过滤反方证据或关键风险 |
与生态内其他项目的边界总结
FinBayes 与生态内项目的边界遵循"分工而非隔离"原则：
- 认知不替感知：FinBayes 不重做 Data Horizon 的数据整理工作
- 认知不替执行：FinBayes 不实现任何交易执行能力
- 执行不补造认知：Trading Matrix 不替 FinBayes 做金融判断
- 反馈不绕过主权：RLE 收到的反馈来自用户主动行为（接受 / 拒绝 / 修改），不悄悄抓取
各项目各自独立产品 + 通过清晰接口契约协同。FinBayes 的工程实现不假设生态内其他项目的内部细节。