跳到主要内容

FinBayes 战略白皮书

本文件是 FinBayes 战略白皮书 v3 重写工作流（governance/workstreams/finbayes-whitepaper-rewrite/）产出的整合版草稿 revision 3。

目录​

  1. 愿景：个人金融认知层是什么
  2. 用户是谁，来 FinBayes 解决什么
  3. 市场切入：第一阶段聚焦 Crypto 与 US Stocks
  4. 核心优势：懂金融 / 懂用户 / 懂判断
  5. 产品形态：用户产品 / 工具产品 / 平台产品
  6. 生态位置：在 FinTec AI Ecosystem 中的位置
  7. 阶段路线：从 AI 金融助手到个人金融认知层
  8. 商业立场：大众入口、质量一致、订阅与佣金
  9. 产品立场与边界
  10. 战略风险与应对、悬而未决问题

适用的 ADR：

  • ADR-003 战略白皮书重构方法论组合
  • ADR-004 战略白皮书十节目录骨架
  • ADR-005 长期愿景的三层定位
  • ADR-006 用户定义与价值立场（含 2026-05-28 Supplement）
  • ADR-007 金融认知体系作为核心差异化定位
  • ADR-008 战略层与架构层关于结构化认知输出的对齐
  • ADR-009 战略立场从 v2 不可妥协边界降为 v3 当前版本立场的 audit trail

第一节 愿景：个人金融认知层是什么​

FinBayes 是面向个人投资者的 AI Native 金融助手。它帮助用户在复杂的金融市场中，持续形成、校准和更新自己的金融判断。

它不试图替用户给出答案，也不替用户下单。它做的是把用户关心的问题想清楚、把相关信息看全面、把市场叙事的本质看透，并在持续使用中帮助用户完善自己的金融认知。

FinBayes 的位置在金融信息和交易行动之间。市场上不缺信息：行情、新闻、研报、社交媒体、链上数据、通用 AI 都在不断生成内容。但用户依然焦虑——信息越多，判断越难。FinBayes 承担的是这中间的"认知层"工作：把碎片化的信息、用户关注的对象、过往的判断、反方的证据、当前判断的成立条件和失效条件组织起来，让用户能够更清楚、更有依据、更能复盘地做出自己的金融判断。

短期形态​

短期内 FinBayes 是一个 AI 金融助手。用户通过自然语言提问，FinBayes 给出结构化的认知输出：结论、依据、多视角、风险与反方、成立条件、失效条件、信息缺口、可继续追问项。

FinBayes 在用户持续使用中积累用户关注的对象（关注集）、记录用户做过的判断（历史判断）、跟踪市场变化触发的复盘（复盘记录），并形成动态的认知画像。这套连续认知状态让用户每一次提问都不是从零开始，而是基于自己过往的认知资产前进。

这是 FinBayes 与通用 AI 的根本区别。通用 AI 可以回答金融问题，但它没有用户的金融认知资产，每一次对话都是孤立的；FinBayes 把"用户在金融上的连续认知"作为产品的核心资产来维护。

长期定位​

FinBayes 长期要走到的位置，可以从三个维度看。

用户面：用户自身金融判断能力的稳定增长​

FinBayes 的存在让个人投资者的金融判断能力在持续使用中稳定增长。用户对市场的理解、对叙事的辨识、对反方的吸纳、对失效条件的敏感，都会从依赖外部输入，逐步变成自己的能力。

我们不替用户成长，但我们提供让用户成长的产品环境。

内部能力面：FinBayes 内核可持续自学习的金融领域 AI 能力​

FinBayes 的金融认知能力本身也会长期增强。增强来自两条路径：

  1. 我们持续的工程优化和模型迭代（包括接入金融专家大模型 FEFM，让模型本身具备金融领域的专业理解，而不是依靠通用模型加提示工程）。
  2. 不同金融用户在不同实际场景中长期使用形成的群体反馈（通过强化学习引擎 RLE 汇总成学习样本，而不是收集单个用户的金融敏感数据）。

沿着这两条路径，FinBayes 的内核可以演化为可持续自学习、自训练、自迭代的金融领域 AI 能力。

但这种能力增强不会下放给个人用户作为"替你判断"的产品形态。无论 FinBayes 内核能力增强到什么程度，最终交付给用户的始终是结构化的认知材料和判断支持，而不是直接的开多 / 开空指令。能力增强的方向是让 FinBayes 给出的认知材料更准、更深、更适配场景，不是让 FinBayes 自己来下结论替代用户。

这是一条长期路径，不是短期目标，也不是本次版本的工程化落地目标。具体的工程承接、数据范围、用户主权边界由后续阶段的产品定义和工程文档承接；相关的产品立场与边界约束（用户主权、凭证处理、不替用户决策）在第九节产品立场与边界中给出。

市场定位面：像水电一样普及的认知层基础设施​

FinBayes 长期要成为个人投资者做金融判断时的默认认知入口。

类比：现在查行情第一反应是同花顺、雪球、彭博；未来形成金融判断第一反应是 FinBayes。让"持续金融认知能力"对个人投资者像水电一样普及。

我们要做到的事情​

FinBayes 要做到三件事，每一件都在用户主权范围内：

  1. 把问题想清楚：当用户带着模糊的金融问题来时（"BTC 现在值不值得买"），FinBayes 帮用户把问题拆成可被回答的具体形式——时间范围是多久、关心的是估值还是流动性、用户当前的认知前提是什么。
  2. 把信息看全面：组织事实材料、不同视角、反方证据、关键风险，让用户看到的不只是某一个观点，而是判断需要的完整信息面。
  3. 把本质看透：标注当前判断的成立条件和失效条件，让用户知道"在什么样的市场变化下我现在的看法可能不再成立"，把每个判断都置于可被复盘的框架中。

这三件事都不是替用户做决定，而是让用户在自己做决定时材料更全、依据更清楚、判断更可追溯。

愿景​

让每个人都能成为自己的金融专家。

这不是说每个人都要变成金融分析师。它意味着每个人都能在自己关心的市场里：说得清楚自己关注什么、看得明白自己为什么这么判断、知道哪些证据支持自己的看法、知道哪些反方不能忽视、知道哪些条件变化后需要重新评估，并且在市场变化中持续更新自己的认知。

能不能做到，是用户自己的选择。市场上一直会有一群希望被喂饭、跟"永赚 KOL"的群体，市场上也一直有产品服务他们。FinBayes 不试图覆盖所有人——只对愿意建立自己判断能力的那一部分用户，FinBayes 提供这个机会。

第二节 用户是谁，来 FinBayes 解决什么​

用户是谁​

FinBayes 服务的是个人投资者。这是一个金融背景、投资经验、关注对象、使用方式都跨度极大的群体。

金融背景：从对金融几乎零基础的小白，到能看懂财报、宏观联动、链上数据的资深用户，跨度极大。FinBayes 不预设用户的金融专业度门槛。

关注市场：第一阶段聚焦 Crypto 和 US Stocks，ETF 和关键宏观变量作为支撑层。后续市场扩展由阶段性认知质量验证决定（见第三节战场选择与第十节悬而未决问题）。

使用场景：用户带着 FinBayes 解决问题的场景跨度同样极大——市场剧烈波动时的临时焦虑、日常盘后的复盘检查、长期持仓的周期性回看、主动学习金融知识时的辅助、看到 KOL 推荐时的查证、新出 ETF 的快速了解、不熟悉对象的入门理解，都可能是入口。

使用方式：用户不一定带着具体问题来。

  • 金融小白可能从"市场最近怎么了"开始，根本说不清自己想问什么；
  • 进阶用户可能带着初步观察来求验证："我看 ETH 最近链上活跃度上去了，这是不是利好信号？"；
  • 资深用户可能直接来"BTC 这次的支撑位看怎么调"。

无论从哪一端进来，FinBayes 都要能从用户的发问中帮用户逐步澄清——澄清自己想问什么、澄清自己的判断前提、澄清自己关心的真正问题。对金融小白，澄清本身就是产品价值的一部分，甚至是最重要的部分。

共同点：所有用户的共同点只有一个——投的是自己的钱。无论金融背景如何、是自己琢磨还是采纳他人建议，最终的决策权和承担都在用户身上。FinBayes 服务的就是这个"自己承担"的事实。

用户内部分层（L2 产品定义层承接）：在下游 L2 产品定义层，用户群被进一步分为 L0-L4 五个内部层级——L0（入口层 / 偶尔使用）、L1-L3（核心服务对象，从初学到资深的金融认知谱系）、L4（Pro / B2B 衍生形态方向，详见第七节长期阶段）。战略层用谱系性表达是为了不预先锁死分层定义，不否定 L2 产品定义层使用 L0-L4 作为产品策略的内部分层——具体分层定义、用户路径、服务差异由 L2 承接（详见 projects/finbayes/engineering/product-definition.md）。

用户在追求什么——诚实地讲​

用户做的所有事——看新闻、看分析、加 KOL 群、打听消息、读研报、跟单——背后的根本目的其实只有一个：

找到一个交易机会，以及能支撑自己采取这个交易动作的逻辑或证据。

这个机会和支撑是自己发现的，还是别人给的（专业交易员的策略、分析师的判断、KOL 的喊单、亲朋好友的推荐），对绝大多数用户来说并不重要。结果上能赚到钱，才是用户真正在追求的。

更直白地说：大多数个人投资者朴素的诉求是"别啰嗦的告诉我一堆正确的废话，就告诉我是开多还是开空"。

这是市场的真实形态，我们承认。

现有工具为什么不够用​

用户带着"找机会 + 找支撑"的真实诉求，到现有工具上，会遇到结构性的困难：

  • 行情软件和数据平台：给的是原始数据，不组织判断。用户得自己把数据翻译成"这意味着什么"。
  • 财经媒体和 KOL 内容：给的是观点，但常常只给结论不给证据，也不告诉用户"这个观点在什么情况下会失效"。用户难以区分哪些观点有依据，哪些只是叙事。
  • 专业研报：结构化程度高，但门槛也高——术语密集、视角单一、更新慢，且通常服务机构客户而非个人。
  • 通用 AI：能聊任何话题，但它没有用户的金融认知资产。每次对话从零开始，不记得用户的关注集、不记得用户过往的判断、不跟踪市场变化对用户过往判断的冲击。用户得一遍遍重新建立上下文。
  • 直接喊单的产品：迎合用户朴素诉求，给的是答案。但答案的依据、失效条件、与用户当前持仓的契合度往往不透明。短期上看好像帮用户省事了，长期看让用户的判断能力萎缩——一旦被喊错一次或喊单源消失，用户没有任何自己的判断能力沉淀。

结果是：个人投资者花在"搜集信息 + 在不同工具间切换 + 拼接判断"的时间远超过"真正形成判断"的时间。即便去依赖喊单产品，用户也只是用一种新的焦虑（"这个 KOL 还能不能信"）换了另一种焦虑（"我该看哪些信息"）。

FinBayes 的价值选择与服务边界​

我们认为，对个人投资者长期最有价值的产品，不是迎合"告诉我开多还是开空"的喊单产品，而是帮用户在每一次寻找机会和形成支撑的过程中，自己的判断能力同步提升。

短期看，给信号会更受欢迎；长期看，给信号让用户依赖、被市场反噬。

FinBayes 选择长期路径：通过结构化的认知材料 + 条件化的结论 + 反方证据与失效条件，让用户在使用中潜移默化提升自己的金融认知能力（具体怎么做，由第四节核心优势展开）。

这是 FinBayes 的价值选择，不是对用户需求的客观陈述。我们清楚地知道：市场上永远会有一群希望被喂饭、跟"永赚 KOL"的群体，市场上也一直有产品服务他们。FinBayes 不试图覆盖所有人——只服务愿意建立自己判断能力的那一部分用户。他们可能此刻还是金融小白，但他们对"靠自己想清楚"这件事有意愿。

这是 FinBayes 的服务边界，也是产品的商业自我认知。后续章节的核心优势（第四节）、产品形态（第五节）、商业立场（第八节）都从这个价值选择出发。

第三节 市场切入：第一阶段聚焦 Crypto 与 US Stocks​

FinBayes 第一阶段聚焦两个市场：Crypto 和 US Stocks。ETF 和关键宏观变量作为支撑层。其他市场（A 股、商品、外汇、债券等）第一阶段不展开。

这是一个有意的窄选择，不是被动的市场覆盖范围。理由如下。

为什么是 Crypto 和 US Stocks​

这两个市场在金融特性上互补，叠加在同一个产品里能验证 FinBayes 核心能力在不同金融环境下是否都成立。

Crypto 的特性：

  • 24 小时不停盘，市场状态连续性强
  • 叙事驱动比例高，叙事 / 流动性 / 宏观相关性变化快
  • 链上数据可观测，与传统金融基本面互补
  • 用户群体年轻、活跃，对 AI 产品接受度高
  • 监管框架仍在演化中，市场结构本身不稳定

US Stocks 的特性：

  • 标准化的财报周期、估值体系、行业分析
  • 与宏观流动性深度绑定（利率、就业、通胀、科技周期）
  • ETF 渗透高，宽基与主题工具同时存在
  • 用户群体跨度大，从指数定投到个股精选
  • 监管框架成熟，市场结构稳定

把两个市场放在同一个产品里，FinBayes 要在两种相当不同的金融语境下都能产出质量一致的认知输出。如果在两个市场都能成立，FinBayes 的核心工作方式（帮用户想清楚、看全面、看本质、持续完善判断）就具备了向其他市场扩展的方法论基础。

ETF 和关键宏观变量（利率、通胀、宏观流动性、链上稳定币流量等）作为支撑层。它们不是独立的第一阶段产品场景，但是用户在 Crypto 和 US Stocks 上做判断时必要的参考维度。

第一阶段不展开的市场​

A 股、商品、外汇、债券、欧亚其他股票市场，第一阶段不展开。

不是因为这些市场不重要，而是因为：

  • 每个市场都有自己的语义边界（A 股的政策影响、商品的供需链条、外汇的国家信用、债券的利率曲线），FinBayes 在新市场能否保持认知质量，没有先验答案
  • 第一阶段集中验证 Crypto + US Stocks，比浅薄地覆盖更多市场更能说明问题
  • 资源集中：建立 Crypto + US Stocks 的数据接入、术语对齐、案例库、评估流程，本身已经是不小的工程投入

后续市场扩展的门槛是认知质量验证，不是简单接入数据。具体的扩展决策机制由产品定义和工程文档承接，战略层在第十节悬而未决问题中保留这个议题。

第一阶段要验证什么​

第一阶段的战略验证不是"能不能跑通一个产品"，而是验证三件事：

  1. 认知质量：FinBayes 在 Crypto 和 US Stocks 上的结构化认知输出（结论、依据、反方、成立条件、失效条件）是否在专业评估和用户实际使用中都被认为有价值。
  2. 持续使用：用户是否会回到 FinBayes 复盘自己过往的判断、跟踪市场变化的影响、在新场景中继续提问——而不是只用一次就走。这个事项判断 FinBayes 是否在用户的金融认知生活中真的占了一席之地。
  3. 跨市场一致性：FinBayes 在 Crypto 和 US Stocks 上的输出质量是否一致。如果在一个市场强、另一个市场明显弱，说明 FinBayes 的核心能力还不够通用，需要回头补。

第一阶段不验证的事​

第一阶段有意不验证的事项，避免战略层注意力被稀释：

  • 商业模式的精确定价（订阅价、佣金分成比例）——第一阶段以认知质量为重，定价由商业团队结合冷启动数据后续承接（详见第八节）
  • 大规模用户量级（百万级日活）——第一阶段以质量验证为主，规模化在质量站得住之后
  • 机构化用户场景（家族办公室、对冲基金、投研团队协作）——第一阶段服务个人投资者，机构形态由后续阶段判断（保留为第十节悬而未决问题）
  • 完整生态闭环（接入 AI Trading Matrix 全部执行场景）——第一阶段做认知层独立产品闭环，与生态其他对象的协同接口在第六节指针式提及，详细工程承接由架构文档承接

第一阶段的窄选择给后续阶段的扩展（更多市场、更多用户层、更深生态协同）留出明确的判断依据：在第一阶段验证通过的能力基础上扩展，而不是在多个未验证维度上同时投入。

第四节 核心优势：懂金融 / 懂用户 / 懂判断​

第二节给出了诚实的用户诉求陈述（找交易机会 + 找支撑），以及 FinBayes 的价值选择（走结构化认知路径而非喊单路径）。这一节给出这个选择具体怎么落地——FinBayes 的核心优势。

核心优势由三个"懂"组成：懂金融、懂用户、懂判断。它们不是独立的功能模块，而是三个互相支撑的能力维度。

懂金融​

FinBayes 在金融领域的"懂"，核心不是通用大模型底座的金融能力，也不是多维数据组织能力——这两项任何有 LLM 资源和数据接入能力的团队都能做。FinBayes 的"懂金融"核心是自建的金融认知体系。

金融认知体系​

这套体系是体系化、全面、独特、可迭代矫正的金融分析框架，不是"在通用大模型上加金融提示词"。

体系的具体构成（正在研究确定中）​

这套金融认知体系具体由哪些机制组成、如何分解、覆盖哪些维度、采用什么方法论持续完善——目前 FinBayes 团队正在通过专题研究确定。

研究方向包括：

  • 业内成熟金融 AI 项目和开源框架的方法论调研
  • 跨学科金融研究框架的对照（宏观经济学 / 微观经济学 / 行为金融 / 量化分析 / 计算金融 / 产业研究等）
  • 案例驱动的反向校准（详见后文两个案例）
  • 用户反馈循环（长期通过强化学习引擎 RLE 承接）

战略层在本版本不锁定具体的机制清单，避免不成熟的体系实现被预先承诺为产品契约。具体的体系构成、覆盖维度、迭代方法、治理机制由专题研究产出后单独承接（详见第十节悬而未决问题）。

体系建设本身就是 FinBayes 的核心产品工作之一——这一陈述与"正在持续构建的方向"一致。

体系构建的方法论参考（基于业内调研）​

构建这套金融认知体系不必从零原创。本工作流期间的业内 + 本地仓库调研显示，可借鉴的零件至少包括以下几类：

  • 架构层：多 Agent + 分层记忆（短 / 中 / 长期记忆 + 反思模块）+ 学界四层金融 Agent 架构（数据感知 / 推理引擎 / 策略生成 / 执行控制）+ 工程化的 MessageBus 解耦 + Provider 抽象 + 主动触发循环（Cron + Heartbeat）等可借鉴模式
  • 方法论层：Dalio 经济机器模型（生产力 + 短债周期 + 长债周期三力叠加，宏观结构最易工程化的候选）+ Damodaran 叙事 + 数字估值体系（DBOT 已部分 AI 化——DBOT 是把 Damodaran 估值方法系统化为算法的开源项目）
  • 认知层级化与覆盖度参考：上海财经大学 AIFin Lab 的 UniFinEval（认知层级化：感知 / 推理 / 归纳 / 风险 / 决策五层）和 FinEval（六支柱：学术底座 / 业务场景 / 安全合规 / 智能体 / 多模态 / 严谨性）提供学术界对"金融认知应包含什么"的系统性看法
  • 迭代机制层：AgenticTrading 的"假设 → 测试 → 修正"研究循环 + Cognitive Complexity Benchmark（评估认知体系完备性的学术方法）+ 实盘判断与结果反馈通过 RLE 形成迭代样本

但业内没有对标 FinBayes 完整定位的产品——把估值、宏观、叙事、事件传导统一组织为可迭代矫正的显式认知体系，是 FinBayes 的原创组合。业内可借鉴的零件齐全，但整机无人造过——这是 FinBayes 真正的原创定位空间（认知体系在体系成熟前不轻言"护城河"，与 ADR-007 "正在持续构建的方向"一致）。

体系的具体构成、覆盖维度、迭代方法、治理机制由专题研究承接（详见第十节悬而未决问题）。

关键特性：前置分析能力（体系骨架已确定，具体机制待研究）​

通用大模型可以在事后预训练或中训练时，把已发生的金融事件的分析逻辑、传导链路、结论融入模型。但通用大模型没有也很难拥有一套专门针对金融场景的体系化、全面、独特、可持续迭代的金融认知体系，能在尚未训练的新事件、新标的、新叙事、新板块出现时前置具备分析能力。

这是 FinBayes 与所有"通用大模型 + 金融提示词"型产品的根本分野。FinBayes 的金融认知体系先于事件存在——新事件触发体系产生分析，而不是事件训练完之后大模型才能复述。

案例：美联储加息事件​

当美联储加息事件发生，FinBayes 认知体系给出的分析路径不依赖事件是否在 LLM 训练数据中，按体系本身的分析框架即时展开：

  • 直接传导：美元走强 → 美债收益率上行 → 全球流动性收紧
  • 风险资产端：美股估值压力 / 新兴市场资金外流 / 加密资产估值压力
  • 避险资产端：黄金 / 美债 / 日元的相对吸引力变化
  • 跨市场传导：A 股流动性影响 / 商品价格分化 / 套息交易拆解
  • 时间维度：短期市场剧烈反应 vs 中期资金流向重构 vs 长期估值体系重估
  • 可观察的中间信号：联邦基金利率期货、美债收益率曲线形态、波动率指数、美元指数 DXY、跨境资金流向数据

每条分析路径都标注成立条件和失效条件，构成结构化的可被复盘的判断框架。

案例：AI 叙事中期的多链条传导​

当 AI 叙事进入中期，全球主要 AI 厂商持续加大算力基建，FinBayes 认知体系给出的分析路径同样不依赖事后训练：

  • 算力基建链：数据中心建设扩张 → 有色金属（特别是铜）的长期需求提升 → 铜价中长期看涨机会
  • 算力消耗链：芯片需求扩张 / 高带宽内存（HBM）需求扩张 → 上下游半导体厂商的持续看涨
  • 估值传导：从巨头股价 → 上游设备 → 二级供应商 → 边缘受益板块的渐次传导
  • 周期判断：叙事初期（估值扩张）vs 中期（基建落地）vs 末期（盈利兑现压力）的不同分析路径
  • 可观察的中间信号：主要厂商资本开支指引、数据中心新增建设数据、铜库存与价格、HBM 产能利用率、AI 相关板块估值分位

这些分析路径在 AI 叙事相关的任何新事件、新标的出现时都可以即时调用——例如某家新的算力厂商上市、某地批准建大型数据中心、某个芯片厂商发布新产品——体系都能在事件发生时给出多链条的传导分析，而不需要等通用大模型训练数据更新后再回应。

体系建设的诚实状态​

这套认知体系不是一蹴而就的资产，而是 FinBayes 正在持续构建的方向。

第一阶段聚焦的 Crypto 和 US Stocks 是体系构建的优先场景。每扩展一个市场、每新增一类事件类型，认知体系都同步扩展——这种构建工作本身就是 FinBayes 的核心产品工作。

这意味着：

  • 第一阶段不承诺"认知体系已覆盖所有金融场景"
  • 体系的边界（已覆盖什么、未覆盖什么）对用户保持透明（详见第十节悬而未决问题）
  • 体系建设的速度与通用 AI 的演化速度之间存在赛跑——这是 FinBayes 长期最现实的战略风险之一（详见第十节战略风险）

体系之上的两个能力面​

金融认知体系在产品交付层面表现为两个具体能力：

金融语义的准确性：FinBayes 处理用户提问时，能正确识别金融对象、时间维度、场景。通用 AI 可以聊金融，但金融语义识别经常停留在浅层，容易把"NVDA 这次财报"和"AI 板块这次回调"混在一起当成同一类问题。

金融逻辑的深度：FinBayes 输出的认知材料不止于"事实罗列 + 浅层关联"，而是按认知体系的传导链路把多个金融维度（基本面、流动性、宏观环境、市场情绪、叙事传播、链上数据）有机组合，呈现金融对象在当前市场环境中的完整画面。

这两层是认知体系的具体能力表现，不是核心本身——核心是它们背后的认知体系。

长期增强方向：FEFM​

长期上，FinBayes 的"懂金融"能力可以叠加金融专家大模型 FEFM 的能力提升。在认知体系成熟后，FEFM 让模型本身具备金融领域的专业理解，与认知体系互相强化——认知体系负责分析框架的体系化和可迭代性，FEFM 负责模型内嵌的金融专业度。

但即便没有 FEFM，认知体系本身就是 FinBayes 的核心差异化——FEFM 是放大器，不是基础。这是与"赌某天有专门的金融领域大模型出现"型产品的根本不同。

FEFM 当前阶段（第一阶段 M0-M3）不可用。FEFM 的接入时点和工程承接由生态对象 FEFM 项目承接，战略层在第七节阶段路线给出预估位置。

懂用户​

FinBayes 的"懂用户"不是收集用户敏感数据（那条线被产品立场与边界明确划走），而是在产品交互中识别用户的金融关注、表达方式、判断框架——这些是用户自己拥有、自己可见、自己可控的金融认知资产。

具体含义：

  1. 用户的关注集——用户长期跟踪的金融对象集合
  2. 用户的判断框架——用户在做金融判断时倾向于看哪些维度（估值、流动性、技术面、叙事、链上等）
  3. 用户的表达密度——用户喜欢简短结论还是深入展开，喜欢直接观点还是多视角对比
  4. 用户的判断历史——用户做过哪些判断、判断后的市场如何演变、用户复盘后的认知变化

这些信息让 FinBayes 在每一次对话中都能从用户已有的金融认知资产出发，而不是把每次提问当作零基础新问题。对金融小白，这套机制让 FinBayes 在对话中能逐步澄清用户的真实问题；对资深用户，让 FinBayes 能直接进入用户的判断习惯而不需要重新建立上下文。

懂用户的边界（继承自当前版本产品立场，详见第九节产品立场与边界）：

  • 金融执行凭证（交易所 API key、私钥、资金账户密码等）一律不收、不存、不训练
  • 用户对自己的金融认知资产拥有完整主权：可查看、可修改、可清空
  • 画像不裁剪事实空间——用户偏好不影响反方证据、关键风险、失效条件的呈现

懂判断​

懂金融和懂用户都是为了让 FinBayes 真正"懂判断"——理解金融判断这件事本身怎么形成、怎么校准、怎么复盘。

判断的结构化：FinBayes 的输出不是单一结论，而是结论 + 依据 + 多视角 + 风险与反方 + 成立条件 + 失效条件 + 信息缺口 + 可继续追问项。每一个判断都被置于可被复盘的框架中。

判断的条件化：FinBayes 不给"BTC 现在该不该买"这种封闭式答案，而是给"在以下条件下，加仓的逻辑成立……在以下条件下，加仓的逻辑失效……你当前持仓和这些条件的契合度是……"。判断的有效范围被显式标注。

判断的连续性：用户上次做的判断不会被丢掉。FinBayes 跟踪市场变化对用户过往判断的冲击，主动提示"上周你的判断基于这些条件成立，现在市场出现了 X 变化，可能需要重新评估"。

判断的可学习性：用户在使用中能逐步意识到自己在判断时常常忽略的维度、常常依赖的叙事、常常错过的反方。这种意识不是 FinBayes 直接告诉用户的，而是用户在 FinBayes 给出的结构化材料中自己看到的。这是用户成长的真实机制——不是被教，而是看清楚之后自己想清楚。

与现有工具的对照​

工具输出形态FinBayes 不同在哪
行情软件 / 数据平台原始数据FinBayes 用认知体系把数据组织成可被判断的认知材料
财经媒体 / KOL 内容单一结论FinBayes 给出多视角 + 反方 + 失效条件
专业研报机构化结构化输出FinBayes 服务个人、门槛低、持续跟踪用户过往判断
通用 AI一次性对话，依赖训练数据FinBayes 有前置的认知体系，且维护用户连续金融认知资产
直接喊单 / 信号产品答案（开多 / 开空 / 目标价 / 止损位）FinBayes 给结构化认知材料 + 条件化结论（详细对照见下文）

为什么不走喊单 / 信号路径——详细对照​

喊单和信号产品在市场上一直存在并有真实需求，第二节已经诚实承认这一点。但 FinBayes 不走这条路径。理由展开如下。

理由一：喊单的答案对用户判断能力长期是萎缩性的​

用户每跟一次单，自己的判断能力都没有沉淀。一旦出现：

  • 喊单源消失（意见领袖退圈、平台关停、人去世）
  • 喊单源失准（市场风格切换、一段连错）
  • 用户进入喊单源没有覆盖的市场或品种

用户没有任何自己的判断能力可以依靠。这种"判断外包"在牛市里被遮蔽，在熊市或市场转折时集中爆发，是个人投资者长期损失的主要来源之一。FinBayes 选择让用户在使用中自己的判断能力同步增长，承担短期效率较低的代价。

理由二：喊单的依据通常不透明，与"输出质量跨付费层级一致"立场冲突​

喊单产品的盈利模式天然倾向于"VIP 群有更准信号 / 高级会员有内部消息 / 付费课程才讲深度方法论"。这意味着输出质量随付费层级分化。FinBayes 的商业立场明确——输出质量跨付费层级一致（详见第八节）——与喊单模式根本冲突。

理由三：喊单的合规边界模糊，难以规模化​

直接给"开多 / 开空"指令，在多数司法管辖区接近"提供投资建议"。提供投资建议需要持牌（证券投资顾问、基金投顾、注册投资顾问），且需要承担相应的法律责任。FinBayes 不持牌，也不试图持牌——因为持牌后产品形态会被监管框架强约束，无法实现"对个人投资者像水电一样普及"的长期定位。结构化认知材料 + 条件化结论的输出形态，避开了"提供投资建议"的法律定义边界，让产品形态可规模化。

理由四：喊单的留存依赖外部权威，FinBayes 的留存依赖用户自身资产​

喊单产品的留存依赖用户对喊单源的信任（"这个意见领袖上次喊对了，下次还来"）。这种留存在喊单源失准时集中流失。FinBayes 的留存依赖用户自身在持续使用中积累的金融认知资产（关注集、历史判断、复盘记录）——这套资产是用户自己的、不依赖任何外部权威，留存的稳定性根本不同。

承认市场分层​

希望被喂饭、跟"永赚意见领袖"的群体，市场上一直有也将一直有相应产品服务他们。FinBayes 不试图争夺这部分用户——只服务愿意建立自己判断能力的那一部分（第二节已显式声明的服务边界）。这是产品的清醒商业自我认知，不是傲慢。

三个"懂"的互相强化​

懂金融、懂用户、懂判断三者形成一个互相强化的闭环：

  • 懂金融的认知体系让 FinBayes 给出的认知材料按体系化、有条件标注、可复盘的方式组织
  • 用户在这样的认知材料里，能形成更深入的判断和复盘
  • 用户的判断和复盘越深入，FinBayes 在与用户交互中能识别更多金融场景的细微差异（场景层面，不是个人数据层面）
  • 这种场景识别让 FinBayes 在懂用户（场景适配）和懂判断（判断结构与条件刻画）两层都同步加强
  • 三个"懂"之间没有谁单独胜出，认知体系是基础，连续认知是积累机制，判断结构化是交付形态——三者互相依赖、互相强化

这个闭环的可持续性不依赖任何单一用户的金融敏感数据，也不依赖外部权威的信任迁移，是 FinBayes 长期竞争力的根本来源。

但这套竞争力不是天然护城河——认知体系的建设速度需要跑赢通用 AI 的演化速度，这是 FinBayes 长期最现实的存在性风险（详见第十节战略风险）。

第五节 产品形态：用户产品 / 工具产品 / 平台产品​

FinBayes 不是一种单一产品形态。它在不同的服务对象面前呈现三个角色：

  • 用户产品：面向个人投资者
  • 工具产品：面向 FinTec AI Ecosystem 内其他生态成员
  • 平台产品：面向开发者和金融认知能力的扩展者

这三层不是三个独立产品，而是同一个金融认知层在不同服务对象面前的不同呈现界面。三者共享同一套金融认知体系（详见第四节核心优势），但接入方式、交付形态、关注重点不同。

第一阶段的优先级是用户产品。工具产品和平台产品作为后续阶段的扩展方向，在阶段路线（第七节）中给出具体时点。

用户产品：面向个人投资者​

这是 FinBayes 的主形态，也是第一阶段的核心交付。下面把用户产品的核心交互、输出形态、长期留存、典型场景、质量门槛拆开讲清楚——这些是下游 L2 产品定义文档承接的源头。

服务对象与核心交付​

服务对象：个人投资者（金融背景、关注市场、使用场景跨度极大，详见第二节）。

核心交付：把用户带来的模糊金融问题，通过自然语言对话，转化为结构化的金融认知材料和判断支持，帮助用户在每一次寻找交易机会和形成支撑的过程中，自己的金融判断能力同步提升。

核心交互形态​

自然语言对话作为主入口：用户用日常语言提问，不预设金融专业度门槛。小白可以从"市场最近怎么了"开始，资深用户可以直接从"BTC 这次的支撑位看怎么调"开始。

逐步澄清机制：FinBayes 不要求用户预先把问题想清楚。在对话中通过澄清式追问，帮用户把模糊的提问拆成可被回答的具体形式——澄清时间范围、澄清判断前提、澄清真正关心的问题。对金融小白，澄清本身就是产品价值的最重要部分（详见第二节用户与场景）。

多入口体验契约一致：Web、桌面端、移动端等不同入口的体验契约一致——同一个金融认知资产可跨入口连续访问；同一类提问的输出形态在不同入口稳定一致；用户主权操作（查看 / 修改 / 清空）在所有入口都可用。第一阶段聚焦主入口，长期可扩展 MCP、CLI、TUI 等开发者友好入口。

Provider 路由的可用性保障：FinBayes 在不同模型 Provider、数据源、本机部署条件下的可用性由架构文档承接的多层降级机制保障，让 LLM 不可用时基础能力仍可用。具体降级链与切换机制详见 projects/finbayes/engineering/architecture.md §9 / §13。

结构化认知输出（核心输出形态）​

FinBayes 的每一次回答不是单一结论，而是结构化的认知材料。完整的认知输出由 10 个要素组成：

#要素含义
1结论 / 倾向（条件化）不是封闭的开多 / 开空型答案，而是带成立条件的判断
2依据支撑结论的事实材料、数据、逻辑链
3多视角对同一问题的不同合理观点
4反方证据与结论相反方向的证据和观点
5成立条件结论在什么前提下成立
6失效条件结论在什么市场变化下不再成立
7不确定性 / 信息缺口现有信息不足以回答的部分
8来源与时间戳每条信息的来源和时效性
9可继续追问项用户可以基于本次输出继续深入的方向
10历史判断链接与用户过往判断的关联（如果有）

这 10 个要素不是固化的字段表——FinBayes 按用户提问的任务类型动态组合相应要素。

当前已确定的 7 类金融认知任务（由架构 §6 + L2 产品定义 §7 锁定）：

  1. 解释类：理解一个金融对象、术语、市场现象
  2. 分析类：综合多维度信息形成对一个金融问题的认知
  3. 比较类：在多个金融对象 / 视角之间做对照
  4. 复盘类：跟踪用户过往判断在新信息下的有效性
  5. 风险识别类：识别一个金融对象 / 持仓 / 操作的关键风险
  6. 交易准备类：用户在准备进入交易动作时所需的认知支持（不替代决策）
  7. 决策辅助类：用户在做组合 / 仓位 / 策略决策时的认知材料

每类任务有专属的要素组合（具体映射由 L2 产品定义层 §7 表 7 承接）。

具体的任务-要素映射由 L2 产品定义层承接（详见 projects/finbayes/engineering/product-definition.md §7 表 7），战略层只声明这套输出形态作为 FinBayes 的核心产品契约。具体的工程 Schema 和实现机制由架构文档承接。

条件化结论是结构化输出的核心特征。FinBayes 不给"BTC 现在该买"这种封闭答案，而是给"在以下条件下加仓的逻辑成立……在以下条件下失效……你当前持仓和这些条件的契合度是……"——判断的有效范围被显式标注。

与现有工具输出形态的根本区别：

  • 与喊单 / 信号产品对比：喊单只给"开多 / 开空"，FinBayes 给的是判断材料和判断框架，让用户自己得出结论（为什么不走喊单路径详见第四节核心优势）
  • 与通用 AI 对比：通用 AI 给单一段落式回答，FinBayes 给结构化、条件化、可复盘的认知材料

当前版本产品立场在输出形态层的落地：画像不裁剪事实空间。反方证据、关键风险、失效条件按事实空间生成，不因用户偏好被省略。即便用户长期表现为某种倾向（看多 / 看空 / 偏好某板块），FinBayes 的输出仍保留完整的反方和失效条件——这条立场在第九节产品立场与边界中完整展开（含演化原则）。

用户的金融认知资产（长期留存）​

FinBayes 在用户持续使用中为用户维护以下金融认知资产，这些资产属于用户自己，用户拥有完整主权：

资产含义
关注集用户长期跟踪的金融对象集合（BTC、NVDA、特定 ETF 等）
历史判断用户做过的判断、判断的依据、判断的边界条件
复盘记录市场变化对用户过往判断的冲击、用户复盘后的认知变化
动态认知画像用户的判断框架、关注维度、表达密度的渐进性识别

这些资产让 FinBayes 在用户每一次提问时都从用户已有的金融认知资产出发，而不是把每次对话当作零基础新问题。这是 FinBayes 与通用 AI 的根本区别之一——通用 AI 的对话是孤立的，FinBayes 的对话是基于用户连续认知资产的延续。

用户主权边界（继承自当前版本产品立场，详见第九节产品立场与边界）：

  • 用户可查看完整的金融认知资产（关注什么、判断过什么、复盘过什么、画像如何识别）
  • 用户可修改或删除任何资产条目
  • 用户可清空全部资产重新开始
  • 金融执行凭证（交易所 API key、私钥、资金账户密码等）一律不收、不存、不训练

典型场景（说明性，非穷尽分类）​

用户带着 FinBayes 解决的场景是谱系的（详见第二节），下面是 5 个说明性场景，用来说明产品形态：

  1. 理解一个对象：用户问"BTC 这周怎么了"或"NVDA 这次财报后怎么看"。FinBayes 给出包含基本面、价格行为、关键事件、不同视角、反方观点、当前成立条件的认知材料
  2. 判断一个观点的依据：用户带着外部观点来求验证（如"意见领袖说美元走弱利好黄金，依据是什么、什么情况下失效"）。FinBayes 给出该观点的支撑逻辑、反方逻辑、关键失效条件
  3. 形成一个判断：用户综合宏观、行业、情绪后求条件化判断（如"我现在对 Crypto 仓位该怎么调"）。FinBayes 给出有条件的结论——在什么条件下加仓的逻辑成立、在什么条件下减仓
  4. 跟踪一个判断：用户回头看过往判断在新市场变化下是否仍成立（如"上次我判断 ETH 估值偏低值得加仓，过去两周市场有什么变化、判断还成立吗"）。FinBayes 调用历史判断 + 新市场信息，对照原成立条件给出"还成立 / 部分成立 / 已失效"分析
  5. 复盘一个错误：用户从市场反应中识别判断中被忽略的维度（如"两个月前买的某只股票跌了 30%，当时判断哪里出了问题"）。FinBayes 帮用户对照原判断依据 vs 实际市场变化，识别原判断的盲区

每一类场景的核心交付都是结构化认知输出 + 条件化结论，不是封闭答案。

认知体系在用户产品中的体现​

用户产品是金融认知体系直接接触用户的界面。体系通过自然语言对话被即时调用——用户提一个金融问题，体系即时按其分析框架展开（详见第四节核心优势）。

用户产品不暴露体系本身给用户。用户看到的是"BTC 当前估值的认知材料"，而不是"金融认知体系如何分析 BTC"。但每一次结构化认知输出的 10 要素动态组合，都是体系的具体表达。

主要质量门槛​

  • 认知输出的准确性、深度、可追溯性：每条信息有来源、每个结论有依据、每个判断有成立条件和失效条件
  • 连续认知资产的稳定性与主权管理：用户的金融认知资产跨会话、跨设备、跨时间稳定可访问，且用户主权三件套全程有效
  • 对金融小白也能逐步澄清：不预设用户专业度，从模糊提问中帮用户澄清真正想问的问题
  • 多入口体验契约一致：跨设备无差异，同一类提问稳定输出同一形态
  • 产品立场贯穿：画像不裁剪事实空间、凭证处理（不收/不存/不训练）、不替决策——在所有用户交互中都成立（详见第九节产品立场与边界）

工具产品：面向 FinTec AI Ecosystem 内其他成员​

说明：工具产品形态不是本版本（第一阶段 M0-M3）的工程化目标——本节作为顶层定位陈述，启动相应工程化时再展开详细的产品定义与接口规范。

FinBayes 在 FinTec AI Ecosystem 中不是孤立的产品。它与生态内其他对象（Data Horizon、AI Trading Matrix、强化学习引擎 RLE、金融专家大模型 FEFM）有结构性的协同关系（详见第六节生态位置）。

服务对象：FinTec AI Ecosystem 内其他生态对象的产品和工程团队。

主要产品形态（战略层指针式说明，具体协同接口规范由架构文档承接）：

FinBayes 在 FinTec AI Ecosystem 内的工具产品形态是生态协同关系，不是排他依赖。FinBayes 作为独立认知层产品可以不依赖任何特定生态对象运行——这是 FinBayes 的产品形态基线，生态协同是在此基线之上的增值。

  • 对 Data Horizon：作为信息消费方之一。DH 是生态协同上游之一，非唯一信息源——FinBayes 也可以接入第三方信息/数据源（公开行情 API、新闻订阅、链上数据、社交媒体等）独立运行
  • 对 AI Trading Matrix：作为认知输出方之一。用户基于 FinBayes 输出自主判断后自行选择交易工具，ATM 是生态协同的执行选项之一——用户也可以选择 ATM 之外的任何第三方交易工具/平台/APP。第一阶段不做 FinBayes 到 ATM 或任何交易工具的自动对接和自动执行
  • 对强化学习引擎：作为学习样本输出方，把用户的判断、复盘、市场结果反馈给 RLE 形成迭代样本
  • 对金融专家大模型：作为能力消费方，长期通过 FEFM 增强金融领域的专业理解

认知体系在这一层的体现：

工具产品是金融认知体系与生态成员之间的协同界面。体系的输出（结构化判断、传导分析、案例样本）作为生态成员之间的协同语言。每个生态成员都不需要重建自己的金融认知体系——直接消费 FinBayes 的结构化输出即可。

主要质量门槛：

  • 输出格式的稳定性和可被其他生态成员消费
  • 协同接口的版本管理和兼容性
  • 不被生态成员的需求变化拉扯到偏离用户产品的核心

平台产品：面向开发者​

说明：平台产品形态不是本版本（第一阶段 M0-M3）的工程化目标，也不是中期主要交付目标——本节作为长期定位陈述，启动相应工程化时再展开详细的产品定义与接入规范。

长期上，FinBayes 的金融认知能力不应只服务自己的用户和生态成员，还应该让其他开发者和金融认知能力的扩展者能够接入、扩展、定制。

服务对象：

  • 第三方金融工具的开发者（希望接入 FinBayes 的认知能力）
  • 特定市场或品种的认知扩展者（希望基于 FinBayes 体系扩展某个市场）
  • 学术研究者（希望基于 FinBayes 的结构化输出做金融行为研究）

主要产品形态（长期方向，第一阶段不展开）：

  • 标准化的金融认知 API
  • 市场扩展包（Market Pack）的开放接入机制
  • 案例库的开放共建机制
  • 认知能力的自定义和扩展接口

认知体系在这一层的体现：

平台产品是金融认知体系对外开放的入口形态。体系本身保持收敛和可控（不会被开发者污染），但体系的应用方式向开发者开放——开发者可以基于体系扩展场景、扩展市场、扩展输出形态。

主要质量门槛：

  • 体系本身的稳定性和可被多方接入
  • 开放接入的边界管理（开放什么、不开放什么）
  • 长期生态健康（防止认知体系被分叉、被滥用、被弱化）

平台产品在 FinBayes 长期定位（"像水电一样普及"）中扮演重要角色。但第一阶段（M0-M3）不展开，由用户产品验证之后再逐步开放。

三层之间的关系​

三层产品形态不是平行展开的三个独立产品，而是同一个金融认知层的三种界面。

核心关系：

  1. 三层共享同一套金融认知体系：用户产品、工具产品、平台产品都在体系之上构建。体系是基础设施，三层是不同的"应用层"
  2. 三层服务对象不同，质量门槛不同：用户产品要照顾金融小白，工具产品要照顾接口稳定性，平台产品要照顾开发者生态健康
  3. 三层优先级有清晰序列：用户产品（第一阶段核心交付）→ 工具产品（第一阶段建立基本协同接口，长期成熟）→ 平台产品（长期方向，第一阶段不展开）
  4. 三层互相不僭越：用户产品不变成工具产品（不暴露认知体系底层接口给用户），工具产品不变成平台产品（不替代开发者扩展能力），平台产品不替代用户产品（不取消面向个人投资者的直接服务）

三层共同的产品立场​

无论是哪一层产品形态，以下立场在 FinBayes 当前版本中都成立。区分清楚 identity 级别的核心边界和当前版本的产品立场：

核心定位边界（identity 级别，不可变）：

  • 认知与执行分工：FinBayes 不直接下单，也不替用户决策；用户基于 FinBayes 认知输出自主形成判断后自行选择交易工具

当前版本的产品立场（落地后持续评估和优化）：

  • 金融执行凭证的处理：当前版本不收、不存、不训练用户的金融执行凭证
  • 用户主权：用户对自己的金融认知资产可查看、可修改、可清空
  • 认知输出的事实空间约束：画像不裁剪事实空间，反方证据、关键风险、失效条件按事实空间生成
  • 付费层级的输出质量：付费等级不改变结构化认知输出的本质质量

这些立场的完整展开和演化原则在第九节产品立场与边界中给出。

第六节 生态位置：在 FinTec AI Ecosystem 中的位置​

FinBayes 不是孤立产品。它在 Curvature Labs 的 FinTec AI Ecosystem 中担任"金融认知层"——位于金融信息感知和交易执行之间的核心位置。

理解 FinBayes 的生态位置，需要先理解整个生态的对象结构。

FinTec AI Ecosystem 的核心对象​

生态有 5 个核心对象，各自承担明确的职责：

对象职责与 FinBayes 的关系
Data Horizon金融信息的原始感知和事实组织（事件时间线、实体卡片、主题动态、数据快照、来源追溯）上游信息源
FinBayes金融认知层（本白皮书的对象）—
AI Trading Matrix受治理的交易执行支持（用户基于 FinBayes 的认知材料自主形成判断后，决定是否进入 ATM 的受治理执行）下游执行端
强化学习引擎 (RLE)通过实盘判断与结果的反馈形成可学习样本反馈循环参与方
金融专家大模型 (FEFM)专门针对金融领域训练的大模型长期能力底座

完整的生态对象定义见生态层 ecosystem/object-registry.md。

FinBayes 在生态中的位置​

FinBayes 独立运行能力是基线：FinBayes 作为独立的金融认知层产品不绑定任何特定生态对象——在不接入 DH、不接入 ATM、不接入 FEFM 的情况下也能成立。生态协同是在此基线之上的增值，不是 FinBayes 成立的前提条件。

核心关系（按数据流方向）：

  • 信息源 → FinBayes（多源接入，生态协同 + 第三方并存）：DH 是 FinTec AI Ecosystem 内的生态协同上游之一，把原始金融信息组织成可被认知的事实材料（事件时间线、实体卡片、主题动态等）；同时 FinBayes 可以接入第三方信息/数据源（公开行情 API、新闻订阅、链上数据、社交媒体等）。DH 不是 FinBayes 的唯一信息源——这两类信息源可以叠加或独立使用
  • FinBayes → User → 用户自选交易工具：FinBayes 给用户结构化的认知材料 + 条件化结论，用户基于此自主形成判断后自行选择交易工具执行。在 FinTec AI Ecosystem 内，AI Trading Matrix 是生态协同的执行支持选项之一；用户也可以选择 ATM 之外的任何第三方交易工具/平台/APP。第一阶段 FinBayes 不做到 ATM 或任何交易工具的自动对接和自动执行
  • FinBayes ↔ RLE：FinBayes 把用户的判断、复盘、市场结果作为学习样本反馈给 RLE，RLE 把学习到的体系矫正样本反馈给 FinBayes 的金融认知体系（长期能力，第一阶段 readiness-gated）
  • FEFM → FinBayes：长期上 FEFM 作为 FinBayes 的金融领域能力底座（第一阶段不依赖 FEFM，详见第四节核心优势中 FEFM 修正说明）

关键边界​

FinBayes 在生态中的位置有几条明确边界，这些边界既是 FinBayes 的定位约束，也是整个生态分工的硬约束。

与 Data Horizon 的边界​

  • 当 DH 已经提供高质量的事实组织时，FinBayes 优先消费 DH 的事实组织成果，不重复做 DH 的工作——这是生态分工的合理性
  • 但 FinBayes 不绑定 DH 作为唯一信息源——可以同时接入第三方信息/数据源（公开行情 API、新闻订阅、链上数据、社交媒体等）独立运行
  • DH 不可用、不存在、或对特定市场覆盖不足时，FinBayes 通过第三方源补齐，作为独立认知层产品仍能成立
  • FinBayes 不做原始数据感知的工程基础设施工作（数据抓取、订阅、清洗等核心数据工程）——这些工作由 DH 在生态协同时承担，或由 FinBayes 自己消费第三方源时由该第三方承担

与下游执行端的边界（包括但不限于 AI Trading Matrix）​

  • FinBayes 不直接下单、不持有账户凭证、不替用户做最终金融决策
  • 用户基于 FinBayes 的认知输出形成判断后，自行选择交易工具——包括但不限于 ATM；可以是任何第三方交易工具、平台、APP。FinBayes 与下游执行端之间必须有用户自主判断这一步——这条边界是 FinBayes 的核心定位约束
  • ATM 是 FinTec AI Ecosystem 内的生态协同执行选项，不是 FinBayes 的唯一或排他下游对接对象
  • 第一阶段 FinBayes 不做到 ATM 或任何交易工具的自动对接和自动执行——用户的执行动作完全由用户在自选交易工具上完成

与 RLE 的边界​

  • FinBayes 反馈给 RLE 的是用户判断的反馈样本（用户的接受 / 拒绝 / 修改、连续认知状态变化、判断复盘记录），不是用户的金融敏感数据（凭证、资金账户等）
  • RLE 的学习样本由生态层管理，不由单个用户拥有；用户对自己反馈到 RLE 的样本范围有主权（详见第九节）

与 FEFM 的边界​

  • FinBayes 的金融认知体系是自建的，不依赖 FEFM 是否存在（即便没有 FEFM，认知体系本身就是 FinBayes 的核心差异化——详见 ADR-007 和第四节核心优势）
  • FEFM 是长期增强方向，不是 FinBayes 的能力前提

协同接口原则​

FinBayes 与生态其他对象之间的协同接口遵循以下战略层原则（具体接口规范由架构文档承接，本节不展开）：

  1. 独立运行能力优先于生态协同：FinBayes 作为独立认知层产品不绑定任何特定生态对象，可以不接入 DH、不接入 ATM、不接入 FEFM 而成立。生态协同是在独立基线之上的增值
  2. 协同接口稳定性优于功能完整性：第一阶段保持基本协同接口，不追求接口的全面性
  3. 每个生态对象有独立的产品闭环：生态对象之间是松耦合的协同，不是紧耦合的依赖
  4. 凭证处理原则在所有协同接口中都成立（当前版本：不收、不存、不训练）：任何生态接口都不传递、不持有用户的金融执行凭证（详见第九节产品立场与边界）
  5. 用户主权在所有协同接口中都成立：用户的金融认知资产在生态内的流转始终在用户主权范围内（用户可查看、可修改、可清空）
  6. 下游执行始终由用户自主选择：FinBayes 与任何交易工具（包括 ATM）之间必须有用户自主判断这一步；第一阶段不做自动对接和自动执行
  7. 生态协同的商业关系不导致接口倾斜：FinBayes 对 ATM 的输出契约不得因为存在返佣关系而优于对其他下游执行端的契约——这与第八节"输出质量跨付费层级一致"的硬约束在生态协同层的对应

第一阶段的生态协同范围​

第一阶段（M0-M3）FinBayes 的独立运行能力优先，与生态其他对象的协同范围有意控制：

  • 信息源接入：FinBayes 第一阶段可以接入第三方信息/数据源独立运行；与 DH 之间建立基本的事实材料消费协议作为生态协同选项（消费 DH 的事件时间线、实体卡片、主题动态等），不追求 DH 全部数据维度的消费，不绑定 DH 作为唯一信息源
  • 下游交付：FinBayes 把结构化认知输出 + 条件化结论交付给用户，用户自行选择交易工具。与 ATM 之间建立基本协同接口契约（用户基于 FinBayes 认知输出在 ATM 内自主判断 + 执行）作为生态协同选项，不做自动对接和自动执行，用户可以选择 ATM 之外的任何第三方交易工具
  • FinBayes ↔ RLE：建立基本的反馈样本输出，RLE 闭环作为 readiness-gated 能力，第一阶段不强制启用
  • FinBayes ↔ FEFM：第一阶段 FEFM 不可用，不接入

完整的协同接口扩展节奏由阶段路线（第七节）给出。具体的接口规范、版本管理、互操作协议由架构文档承接，战略层不展开。

第七节 阶段路线：从 AI 金融助手到个人金融认知层​

FinBayes 的长期定位（第一节愿景）和核心优势（第四节）需要分阶段实现。本节给出战略层的阶段路线——每个阶段是什么形态、要验证什么、生态对象如何接入、认知体系如何扩展。

具体的工程时间表、功能模块清单、KPI 数字由下位文档承接（L2 产品定义 / L3 架构 / 商业团队规划），战略层只锁定阶段定位和阶段间转换的判断逻辑。

整体路线观​

FinBayes 的阶段路线沿两条平行线推进：

  • 产品形态线：从 AI 金融助手（第一阶段）→ 协同生态成员的工具产品（中期）→ 个人金融认知层基础设施（长期）
  • 认知能力线：从依赖通用大模型底座的金融认知（第一阶段）→ 认知体系初版成形 + 生态对象接入（中期）→ 体系成熟 + FEFM 接入 + RLE 闭环（长期）

两条线在每个阶段互相支撑：产品形态扩展由认知能力深化驱动，认知能力深化由真实用户场景的反馈触发。

第一阶段：认知层独立产品闭环（M0-M3）​

核心目标：作为独立的 AI 金融助手产品在 Crypto + US Stocks 市场上验证 FinBayes 的核心定义和工作方式（详见第三节战场选择）。

产品形态：

  • 用户产品作为核心交付（第五节产品形态）：自然语言对话主入口 + 结构化认知输出 10 要素 + 用户金融认知资产管理（关注集、历史判断、复盘记录、动态认知画像）
  • 工具产品：建立基本协同接口（DH → FinBayes 的事实材料消费 + FinBayes → User → ATM 的认知输出 + 用户自主判断 + 受治理执行的基本流程契约）
  • 平台产品：第一阶段不展开

认知体系扩展节奏：

  • 体系本身处于"正在持续构建的方向"状态（详见第四节核心优势）
  • 第一阶段聚焦 Crypto 和 US Stocks 的认知体系构建
  • 体系的具体构成、覆盖维度、迭代方法由专题研究承接（详见第十节悬而未决问题）

FinBayes 第一阶段独立运行能力优先——即便不接入 DH、ATM、RLE、FEFM 中的任何一个，FinBayes 也能作为独立的金融认知层产品成立。生态协同接口的建立是为了让生态价值在 FinBayes 之上叠加，不是 FinBayes 成立的前提条件。

生态对象接入：

生态对象第一阶段状态
Data Horizon建立基本事实材料消费协议（生态协同上游之一）；同时支持接入第三方信息/数据源独立运行，不绑定 DH 为唯一信息源
AI Trading Matrix不做自动对接和自动执行；用户基于 FinBayes 认知输出自主形成判断后自行选择交易工具（可以是 ATM 也可以是任何第三方交易工具/平台/APP），ATM 是生态协同执行选项之一
强化学习引擎 RLE基本反馈样本输出；RLE 闭环作为 readiness-gated 能力，第一阶段不强制启用
金融专家大模型 FEFM不接入（FEFM 项目尚未交付）

关键验证 milestone：

  • 认知质量：FinBayes 的结构化认知输出在专业评估和用户实际使用中被认为有价值
  • 持续使用：用户回到 FinBayes 复盘过往判断、跟踪市场变化、在新场景继续提问
  • 跨市场一致性：Crypto 和 US Stocks 上的输出质量一致

第一阶段不验证的事：精确定价、百万级日活、机构服务、完整生态闭环（详见第三节）

进入下一阶段的判断逻辑：当上述三项关键 milestone 在真实用户使用中被验证站得住，且认知体系研究专题给出体系第一版构成时，进入中期。

中期：认知体系深化 + 生态协同扩展（第一阶段验证通过后启动）​

核心目标：把第一阶段验证通过的认知能力扩展为更宽的市场覆盖 + 更深的生态协同 + 更系统的认知体系。

产品形态：

  • 用户产品继续主形态：扩展更多金融对象、更多市场（A 股 / 商品 / 外汇 / 债券等的认知质量验证逐步推进）
  • 工具产品的协同接口扩展：DH 全数据维度消费、ATM 更多执行场景对接、与其他生态对象更深协同
  • 平台产品：仍不展开

认知体系扩展节奏：

  • 启动金融认知体系研究专题（详见 governance/workstreams/finbayes-cognition-system-research/ 工作流，第一阶段末或中期初启动）
  • 基于专题研究产出，确定认知体系的第一版正式构成（替代当前 working 骨架，详见 ADR-007 和第十节悬而未决问题）
  • 体系扩展覆盖更多金融对象、市场、事件类型
  • 跨学科金融研究框架的对照（宏观经济学 / 微观经济学 / 行为金融 / 量化分析等）开始系统化引入

生态对象接入：

生态对象中期状态
Data Horizon全数据维度消费协议建立
AI Trading Matrix更多执行场景对接
强化学习引擎 RLERLE 闭环启用（按 readiness-gated 决策时点判断）
金融专家大模型 FEFM接入预估（具体时点由 FEFM 项目交付决定；接入后认知体系与 FEFM 互相强化，认知体系不依赖 FEFM 存在）

进入下一阶段的判断逻辑：当认知体系覆盖足够广、跨市场扩展成立、生态协同接口稳定、FEFM 接入后能力跃升被验证，进入长期阶段。

长期：个人金融认知层基础设施​

核心目标：FinBayes 成为个人投资者做金融判断时的默认认知入口，让"持续金融认知能力"对个人投资者像水电一样普及（详见第一节愿景）。

产品形态：

  • 三层产品形态成熟：用户产品 + 工具产品 + 平台产品 三者完整运行（详见第五节产品形态）
  • 平台产品的具体形态：标准化的金融认知 API、市场扩展包（Market Pack）的开放接入机制、案例库的开放共建机制、认知能力的自定义和扩展接口
  • 长期可能延伸的形态方向：在用户产品 / 工具产品 / 平台产品三层之上，长期可能演化出Pro / B2B 衍生形态（即第二节 L0-L4 内部分层中的 L4 方向）——具体形态、服务边界、商业模式需要在第一阶段验证后由商业 + 产品团队评估（详见第十节悬而未决问题中"个人 vs 机构产品分立时点"）

认知体系扩展节奏：

  • 体系成熟、可迭代矫正机制成型、跨市场覆盖到位
  • 体系建设的方法论本身被沉淀为可被生态外部成员消费的金融领域基础设施

生态对象接入：完整生态闭环（DH / FinBayes / ATM / RLE / FEFM 协同稳定）

ADR-005 三层定位的长期形态：

  • 用户面：用户的金融判断能力在持续使用中稳定增长，从依赖外部输入逐步变成自己的能力
  • 内部能力面：FinBayes 内核演化为可持续自学习、自训练、自迭代的金融领域 AI 能力（但不下放给 C 端作为"替你判断"形态——详见 ADR-005 第二层 + 第九节核心定位边界）
  • 市场定位面：像水电一样普及的认知层基础设施

长期形态的护栏指针：无论内部能力面演化到什么程度，FinBayes 始终保持第九节"核心定位边界（identity 级别）"的硬约束——FinBayes 是认知层不是执行层、不直接下单、不替用户决策、用户基于 FinBayes 自主形成判断后自行选择交易工具。这条护栏不随阶段路线演化而改变。

阶段间的转换原则​

阶段间的转换不按预设时间表，而按真实验证 milestone：

  1. 不强制时间表：FinBayes 的阶段路线不锁死具体时点（季度 / 年份），避免战略柔性丢失
  2. 质量优先于规模：每个阶段的进入条件是"质量验证站得住"，不是"流量数字达到"
  3. 失败回滚机制：如果某个阶段的关键 milestone 不能成立（如认知质量不被用户认可），战略层保留回退到上一阶段重新调整的判断空间，不强行推进
  4. 生态对象 readiness-gated：与生态对象（特别是 RLE 闭环、FEFM 接入）的协同接入由各对象的 readiness 决定，不强制对齐 FinBayes 的阶段切换

各阶段的悬而未决问题​

阶段路线本身有几个战略层尚未拍板的事项，登记到第十节悬而未决问题：

  • 中期市场扩展的认知质量验证机制（A 股 / 商品 / 外汇等是否符合 FinBayes 核心工作方式，每市场各自拍板）
  • 个人 vs 机构产品分立的时点（详见现行 v2 §15 已有未决）
  • 商业模式整体压力测试（详见现行 v2 §15 已有未决）
  • 认知体系研究专题的具体启动时点（第一阶段末或中期初，由专题工作流维护者决定）
  • 通用 AI 演化速度 vs 认知体系建设速度的赛跑（详见 ADR-007）

第八节 商业立场：大众入口、质量一致、订阅与佣金​

第二节给出了 FinBayes 的价值选择（走结构化认知路径而非喊单路径）+ 服务边界（不试图覆盖所有人）。第四节给出了核心优势（懂金融 / 懂用户 / 懂判断）。这一节给出与这些价值选择和能力一致的商业立场。

商业立场由四个核心锚点组成。它们不是孤立的商业策略，而是战略价值选择在商业模式层的具体落实。

核心锚点一：锚定金融认知服务价值​

FinBayes 的定价以认知服务的价值为依据，不以调用次数或市场行情为依据。

  • 不锚定调用次数：避免"用得多花钱多"的反激励，避免重度用户被价格惩罚
  • 不锚定市场行情：避免"牛市贵、熊市便宜"或"行情大就涨价"的投机化定价
  • 锚定认知服务的价值：定价反映 FinBayes 给用户带来的金融认知能力增长

认知服务价值的度量代理变量（候选，具体由 L2 商业团队承接）：

  • 认知资产积累深度：用户的关注集、历史判断、复盘记录的丰富度和持续性
  • 复盘触发率：用户主动回到 FinBayes 复盘过往判断的频次和覆盖面
  • 跨市场覆盖数：用户在 Crypto / US Stocks / ETF 等多市场上对 FinBayes 的依赖度

这些代理变量不是最终定价公式，只是给商业团队承接时的起点参考。具体定价方法、单位经济测算、付费层级设计由 L2 商业团队规划承接，战略层只锁定定价依据。

核心锚点二：大众入口​

FinBayes 服务个人投资者，不是机构。

  • 入门门槛低：自然语言对话主入口（详见第五节）；不预设用户金融专业度
  • 跨阶层：从对金融几乎零基础的小白，到能看懂财报和宏观联动的资深用户（详见第二节用户与场景）
  • 跨设备：Web / 桌面 / 移动等不同入口的体验契约一致（详见第五节）
  • 价格友好：付费层级覆盖大众价位，不只服务高净值人群

机构形态（家族办公室、对冲基金、投研团队协作场景）的服务边界与协作方式与个人投资者差异极大，第一阶段不做。未来在什么用户规模、商业证据、服务边界需求下触发个人 vs 机构产品分立由商业与产品团队共同决定，战略层尚未拍板（详见第十节悬而未决问题）。

核心锚点三：输出质量跨付费层级一致​

付费等级不改变金融认知输出的本质质量。

具体含义：

  • 付费可能改变：用量上限、附加入口形态（如 API 调用配额）、保留时长、附加增值能力（如个性化提醒频次）
  • 付费不改变：结构化认知输出的 10 要素完整性（详见第五节）、画像不裁剪事实空间、条件化结论、反方证据呈现深度、失效条件标注完整性

这条锚点是 FinBayes 与喊单产品 / 信号产品最直接的对照（详见第四节理由二）：

  • 喊单产品的盈利模式天然倾向于"VIP 群有更准信号 / 高级会员有内部消息 / 付费课程才讲深度方法论"，输出质量随付费层级分化
  • FinBayes 选择输出质量跨付费层级一致——这与"让每个人都能成为自己的金融专家"愿景一致（详见第一节）

这条锚点也是商业模式的硬约束，影响付费层级设计、增值能力选择、销售话术等多个层面。

核心锚点四：服务全情绪谱​

FinBayes 服务用户的真实情绪状态，不只服务理性投资者。

个人投资者在做金融判断时的情绪状态是谱系的：

  • 市场剧烈波动时的临时焦虑
  • 看到意见领袖推荐时的兴奋或怀疑
  • 持仓深度亏损时的恐惧或不甘
  • 错过机会后的懊悔
  • 长期复盘时的反思
  • 不熟悉对象初次了解时的困惑

FinBayes 的产品形态应该在用户的任何情绪状态下都提供有用的认知支持——结构化的认知材料、条件化的结论、反方证据、失效条件——而不是只在理性时段服务用户。

这条锚点对产品体验、对话设计、输出语气有具体影响，但不锚定特定的产品功能模块（那是 L2 产品定义层的事）。

商业模式的双轨：订阅 + 佣金​

FinBayes 的商业模式包含两条平行的收入来源。

订阅​

用户为持续的金融认知服务付费。

  • 订阅是 FinBayes 与用户的直接商业关系
  • 订阅的核心是认知服务的持续可获得（不是单次咨询）
  • 订阅层级设计在战略层不展开（详见 L2 商业团队规划），但必须遵守"输出质量跨付费层级一致"的硬约束

佣金​

通过 AI Trading Matrix 的执行支持产生的渠道返佣收入。

  • 不是用户付额外费用：用户在 ATM 做交易时本来就会产生交易费用，FinBayes 通过生态协同关系获得部分返佣
  • 不锚定到具体交易动作：FinBayes 不因为用户多交易就鼓励用户多交易（避免"刷量"型反激励）
  • 不替代订阅：佣金是辅助收入流，主流收入仍是订阅。这样保持 FinBayes 与用户利益的一致性

为什么是双轨​

  • 订阅 保持 FinBayes 与用户的直接商业关系，让产品不依赖任何执行端来生存
  • 佣金 反映 FinBayes 在生态中的价值（用户基于认知判断后选择 ATM 执行），是生态协同价值的一部分
  • 两条收入流互相不冲突（订阅服务于认知，佣金服务于生态协同），与"输出质量跨付费层级一致"的硬约束都兼容

双轨的战略约束​

为保持 FinBayes 商业自我认知和"独立运行能力是基线"声明的一致性，双轨设计有两条战略约束：

  • 订阅必须能独立覆盖单位经济：第一阶段佣金作为辅助收入，订阅本身必须有能力独立覆盖 FinBayes 的核心运营成本——这保障 FinBayes 在用户大量选择 ATM 之外的第三方交易工具时仍然可持续（与第六节"FinBayes 独立运行能力是基线"声明一致）
  • 佣金占比上限：佣金不得成为 FinBayes 主要收入流——避免 FinBayes 与用户认知利益一致性被侵蚀（佣金高占比可能反向激励"多对接 ATM / 鼓励多交易"）。具体占比阈值作为悬而未决问题登记到第十节

商业边界​

FinBayes 的商业活动有几条明确边界。这些边界既是战略约束，也是商业自我认知。

与喊单产品的边界​

详见第四节核心优势的"为什么不走喊单 / 信号路径"详细对照。商业层面的具体含义：

  • 不卖"VIP 信号群"会员
  • 不在付费层级设计中加入"内部消息""更准预测"等暗示输出质量分化的产品
  • 不引流到喊单源（即便是合作伙伴）

与持牌投资建议的边界​

详见第六节生态位置的 FinBayes ↔ ATM 边界声明。商业层面的具体含义：

  • FinBayes 不持牌、不试图持牌（持牌投资顾问、基金投顾、注册投资顾问等）
  • 不在用户面前出现"投资建议""操作指令"型表述
  • 通过结构化认知材料 + 条件化结论的输出形态规避"提供投资建议"的法律定义边界

与个人数据变现的边界​

  • 不卖用户的金融关注集、历史判断、复盘记录给第三方
  • 不将用户敏感数据用于训练通用大模型
  • 用户主权三件套（可查看、可修改、可清空）在商业活动中全程有效

服务边界（继承 ADR-006）​

FinBayes 不试图覆盖所有个人投资者——只服务愿意建立自己判断能力的那一部分（详见第二节）。这是产品的清醒商业自我认知，也是商业边界。

第一阶段商业验证范围​

第一阶段（M0-M3）的商业验证有意控制范围：

第一阶段验证：

  • 用户付费意愿（用户愿意为持续的金融认知服务付费）
  • 留存信号（用户回到 FinBayes 持续使用，不是只用一次）
  • 三层用户群的相对商业强度（小白 / 进阶 / 资深的付费意愿、留存触发点是否各不相同）

第一阶段不验证：

  • 精确定价（订阅价、佣金分成比例）——以认知质量为重，精确定价由商业团队结合冷启动数据后续承接
  • 大规模用户量级（百万级日活）——以质量验证为主
  • 单位经济测算（重度用户成本 vs 订阅价、轻度用户付费意愿 vs 逆向选择、不同用户群的服务成本差异等）——属于商业整体压力测试，留为悬而未决（详见第十节）
  • 机构服务的商业空间——第一阶段不做机构形态

商业模式的悬而未决问题​

商业立场层面的悬而未决（详见第十节）：

  1. 商业模式整体的压力测试：四个核心锚点作为整体是否在数学上能跑通——重度用户成本可能高于订阅价 vs 轻度用户付费意愿低的逆向选择如何处理
  2. 与通用 AI 的留存竞争：用户为什么不会用通用 AI（如 ChatGPT + Memory）加自选股的组合替代 FinBayes 的付费订阅
  3. 三层用户群的商业强度差异：小白 / 进阶 / 资深各自的付费意愿、留存触发点、服务成本如何平衡
  4. 个人 vs 机构产品分立的时点：在什么用户规模和商业证据下触发分立

这些不是机制问题，是商业 thesis 整体能否成立的真实未决——具体压力测试方法、定量指标、用户对照组设计等，由 L2 产品定义层和商业团队结合冷启动期数据承接。

第九节 产品立场与边界​

FinBayes 的产品形态、商业立场、生态位置都建立在一组产品立场与边界之上。本节用结构化的方式说清楚：

  • 核心定位边界（identity 级别，不可变）：FinBayes 是什么、不是什么
  • 当前版本的产品立场（落地后持续评估和优化）：当前阶段的具体功能、约束、立场
  • 立场演化的治理原则：什么时候、按什么流程调整

把当前阶段的所有具体约束都锁定为"永久不变量"会有真实代价：产品初期的具体限制和约束如果被锁死在战略层，可能极大影响产品的工程化落地和完整形态的实现。区分清楚"定位"与"立场"，给产品演化留出合理空间。

一、核心定位边界（identity 级别，不可变）​

FinBayes 是金融认知层，不是执行层​

  • 输出认知材料（结构化分析、条件化结论），不输出执行指令
  • 用户基于 FinBayes 认知输出自主形成判断后自行选择交易工具执行
  • FinBayes 与下游执行端之间必须有用户自主判断这一步（详见第六节生态位置）

这条核心定位边界定义 FinBayes 是什么。如果未来产品形态做了根本性变化（直接下单、自动执行、替用户决策），那 FinBayes 变成另一种产品——执行助手 / 投资建议产品 / 喊单产品——不再是本白皮书定义的金融认知层。

这是 identity 级别的边界，不变更。

二、当前版本的产品立场（落地后持续评估和优化）​

下面是 FinBayes 当前版本（第一阶段 M0-M3）的几个核心产品立场。这些是工程化落地版本要实现的功能 / 约束 / 立场，落地后会由产品 + 工程 + 商业团队持续评估和优化——不是永久不可变的承诺。

用户对自己金融认知资产的主权​

用户在 FinBayes 中积累的金融认知资产（关注集、历史判断、复盘记录、动态认知画像）属于用户自己。当前版本支持：

  • 可查看：用户可以完整查看自己的金融认知资产
  • 可修改：用户可以修改 / 删除任何资产条目
  • 可清空：用户可以一键清空全部资产重新开始

具体的查看 / 修改 / 清空 UI、工程实现机制由 L2 产品定义层和 L3 架构层承接。这些主权机制在用户产品全链路上生效，是 FinBayes 与用户之间的信任基础——后续演化时主权的范围、形式、深度可调整，但主权本身作为产品立场是稳定的方向。

两步写入契约（候选 → 用户确认）：长期金融认知资产（关注集、历史判断、复盘记录、动态认知画像）的写入采用 候选 → 用户确认 两步契约。这条契约保障用户对自己金融认知资产的主导权（用户不会被动地"被画像"）。具体的两步契约工程实现由架构文档承接（详见 projects/finbayes/engineering/architecture.md §11 / §13 / §17）。

金融执行凭证的处理​

当前版本立场：用户的金融执行凭证留在用户自己的环境里——FinBayes 当前版本的工程实现不收集、不存储、不训练用户的金融执行凭证。

这条立场适用于以下凭证类型（不限于）：

  • 交易所 API key / Secret key
  • 私钥（特别是 Crypto 自托管钱包的私钥）
  • 资金账户密码 / 银行卡号 / 支付凭证
  • 任何能代表用户在金融账户上进行执行（下单、转账、变更账户状态）的凭证

当前版本的工程实现：架构文档定义的凭证过滤机制 + 相关 ADR（详见架构文档）。

与本机 Provider 配置的区分：本机 Provider 配置（用户在本地部署形态下配置的模型 Provider 凭证、数据 Provider 凭证、本地服务所需的秘密等）不属于金融执行凭证范畴——这些配置不能代表用户在金融账户上进行执行，只是用户本地运行 FinBayes 的环境配置。本机 Provider 配置的处理由架构文档承接（详见 architecture.md §9 / §13），与本节的金融执行凭证立场无关。

演化方向：当前版本严格不收金融执行凭证。未来如果出现合理的业务场景（如合规的机构服务、用户主动授权的特定场景等），凭证处理方式可由产品 + 工程 + 商业 + 合规团队联合评估调整——但调整必须走治理流程（详见下文立场演化的治理原则），不是工程或产品团队可以单独决定的变更。

认知输出的事实空间约束​

FinBayes 当前版本的认知输出按事实空间生成，反方证据、关键风险、失效条件不因用户偏好被省略。

当前版本的工程实现：架构 §13 已强调"画像不裁剪事实空间"作为综合层的非可选契约——反方证据、关键风险、失效条件不因画像偏好被裁剪。

这条立场的价值定位：直接保护用户的判断质量。如果 FinBayes 因为"用户喜欢看多"就只给看多材料，那 FinBayes 与喊单产品的输出形态就没有本质区别（详见第四节理由一）。

演化方向：当前版本严格按事实空间生成。未来如果用户场景出现需要权衡（如用户明示要求过滤特定类型反方证据），事实空间约束的具体边界可调整——但调整必须走治理流程。

付费层级的输出质量​

当前版本立场：所有付费层级共享同一套结构化认知输出本质——FinBayes 当前版本的付费层级设计上，付费等级不改变结构化认知输出的本质质量。

  • 付费可能改变：用量上限、附加入口形态、保留时长、增值能力
  • 付费不改变（当前版本）：结构化认知输出 10 要素的完整性（详见第五节）、条件化结论的有效性、反方证据呈现深度、失效条件标注完整性

当前版本立场的商业含义：这条立场是第八节商业立场核心锚点三的硬约束在产品层的落地。它是 FinBayes 与"VIP 群有更准信号"型喊单产品的核心商业差异（详见第四节理由二）。

演化方向：当前版本付费层级不影响输出质量本质。未来如果商业模式演化需要重新评估（如不同业务场景的付费层级设计、机构服务的差异化等），由商业团队 + 产品团队 + 战略团队联合评估调整——必须走治理流程。

三、立场演化的治理原则​

上述当前版本立场可能随产品演化、商业模式调整、技术能力增强而调整。

调整原则：

  1. 不变更核心定位边界：FinBayes 是认知层不是执行层这条边界不变。其他立场可调整
  2. 重大调整走 ADR 流程：任何对当前版本立场的重大调整（如凭证处理方式、用户主权范围、付费层级输出质量、事实空间约束等）必须走 ADR 流程，记录决策依据 + 调整范围 + 演化路径
  3. 必要时启动战略白皮书 patch 工作流：如果调整足够大、影响范围足够广，启动专门的战略白皮书 patch 工作流，让对用户和生态的立场变更被公开记录和评议（参考 commons/playbooks/document-workflows-meta-playbook.md）
  4. 持续评估与优化：当前版本立场在落地后由产品 + 工程 + 商业团队持续评估，识别需要优化的部分；评估周期、责任人、评估输出物由产品团队规划承接

这些机制不是"绝对不可改"，是"改的代价足够大，让维护者认真考虑是否真的要改"——目的是保护当前版本立场的相对稳定性，同时给产品演化留出柔性空间。

工程承接（指针式）​

  • 核心定位边界：在架构 §4 的输出对象设计、§6 的任务分类、§13 的相关约束落地等多处承接
  • 当前版本的产品立场：由 L2 产品定义层 + L3 架构层 + 商业团队规划共同承接（凭证过滤机制、用户主权三件套的 UI/工程实现、画像不裁剪事实空间的综合层约束、付费层级的差异化设计等）
  • 立场演化的治理机制：本工作流的 decisions/ 目录承接 ADR 流程；战略层 patch 由战略白皮书 patch 工作流承接

总结​

FinBayes 是金融认知层——这条核心定位边界是 identity 级别的，不变更。

其他的产品立场（用户主权、凭证处理、画像不裁剪事实空间、输出质量跨付费层级一致）是当前版本的核心产品立场，落地后会持续评估和优化。重大调整走治理流程。

这种区分让 FinBayes 在产品初期保留足够的实施柔性，同时锁定不可变更的核心定位边界。

第十节 战略风险与应对、悬而未决问题​

战略白皮书的诚实度在于：不只讲想清楚的事，也讲没想清楚的事。

本节分两部分：已识别的战略风险及应对思路 + 悬而未决问题。两者的区别：风险是已识别但有应对方向；未决是还没想清楚答案，需要后续阶段拍板。

已识别的战略风险与应对思路​

风险一：认知体系建设速度 vs 通用 AI 演化速度的赛跑​

风险陈述：FinBayes 在持续构建金融认知体系，通用 AI 在快速演化。如果通用 AI 的演化速度显著快于认知体系覆盖速度，可能出现：通用 AI 已经通过事后训练把更多金融场景的分析逻辑融入模型；用户在通用 AI 上得到的金融分析质量越来越接近 FinBayes；FinBayes 的差异化优势被压缩。

应对思路（不是答案）：

  • 体系构建必须保持持续扩展速度，不能停滞
  • 体系化、可迭代矫正的特性是与"零散事后训练"的护城河——通用 AI 的事后训练是被动的，FinBayes 的体系是主动构建的，对未训练事件的前置分析能力是真正的差异化
  • 懂用户（连续金融认知资产）和懂判断（结构化输出 + 条件化结论）两层差异化共同形成完整壁垒，不能单押在懂金融
  • 用户连续认知状态 + 服务边界（不走喊单）形成的留存机制是体系建设期的护栏

详见 ADR-007 金融认知体系作为核心差异化定位。

风险二：认知体系完整性不可一次性证明​

风险陈述：金融认知体系的"完整"是相对概念，不可一次性证明。每次 FinBayes 自称"体系完整"都会被新事件类型、新市场、新叙事打脸。如果 FinBayes 在战略表达上承诺"体系完整"，反而损害可信度。

应对思路：

  • 战略表达上始终诚实陈述"正在持续构建的方向"，不承诺"已完整"（已在 ADR-007 + 第四节核心优势中落地）
  • 体系的边界（已覆盖什么、未覆盖什么）对用户保持透明
  • 完整性的持续校准是 FinBayes 的核心产品工作，而不是一次性目标
  • 用专题研究（详见悬而未决问题中的金融认知体系研究专题）+ 业内 / 学界框架对照 + 案例驱动反向校准持续推进

风险三：商业模式整体的压力测试​

风险陈述：第八节商业立场的四个核心锚点（锚定金融认知服务价值 / 大众入口 / 输出质量跨付费层级一致 / 服务全情绪谱）作为整体没有经过压力测试。三个关键开放点：

  • 单位经济：输出质量在所有付费层级一致 + 不锚定调用次数 + 大众入口三者，在"LLM 成本是变量、订阅价是常量"的现实下是否数学上能跑通——重度用户成本可能高于订阅价 vs 轻度用户付费意愿低的逆向选择如何处理
  • 与通用 AI 的留存竞争：用户为什么不会用通用 AI（如 ChatGPT + Memory）加自选股的组合替代 FinBayes
  • 用户群商业强度差异：金融小白 / 进阶 / 资深各自的付费意愿、留存触发点、服务成本如何平衡

应对思路：

  • 这些问题不是工程问题，是商业 thesis 整体能否成立的真实未决——具体压力测试方法、定量指标、用户对照组设计等由商业团队结合冷启动期数据承接（详见第八节商业立场）
  • 第一阶段以认知质量为重，不以精确定价为重；定价由商业团队在冷启动期后承接
  • 战略层的应对是保留压力测试的空间——商业模式的可调整空间在第一阶段不被锁死

风险四：用户群"想被喂饭"诉求与 FinBayes 价值选择之间的张力​

风险陈述：第二节诚实承认大多数个人投资者朴素诉求是"告诉我开多还是开空"。FinBayes 选择不走这条路径（详见第四节），意味着 FinBayes 不试图覆盖所有人（详见 ADR-006）。这种价值选择带来真实的市场风险：

  • 短期获客难度高于喊单产品
  • 留存依赖用户对自己判断能力增长的认可，比依赖外部权威信任慢
  • 大众入口与"只服务愿意建立自己判断能力的群体"在用户漏斗上有张力

应对思路：

  • 在第二节末 + 第四节末显式声明 FinBayes 的服务边界，不试图覆盖所有用户——这是清醒商业自我认知
  • 用户自己积累的金融认知资产是留存机制的核心（详见第四节理由四）
  • 第一阶段的留存验证（详见第三节）是判断价值选择是否成立的关键 milestone

风险五：内部能力面演化 vs 用户主权 / 凭证立场护栏的张力​

风险陈述：ADR-005 第二层（内部能力面）描述了 FinBayes 内核可演化为可持续自学习的金融领域 AI 能力。随着该能力增强，可能出现技术能力与战略立场的张力：

  • 自学习能力增强可能需要更多用户行为数据 vs 用户画像主权 + 凭证不变量
  • 自学习样本的来源边界（生态层群体反馈 vs 单个用户金融敏感数据）容易被工程优化压力侵蚀
  • 内部能力面成熟后可能产生"下放给 C 端作为更主动判断形态"的诱惑（与 ADR-005 边界冲突）

应对思路（不是答案）：

  • 第九节核心定位边界（identity 级别）作为内部能力演化的硬护栏——无论能力增强到什么程度，FinBayes 始终不下单、不替决策、用户自主判断
  • 第九节"立场演化的治理原则"作为变更机制——任何对凭证立场、画像不裁剪事实空间、付费层级一致的调整必须走 ADR 流程
  • 第七节阶段路线的"关键依赖 readiness-gated"机制保护——RLE 闭环启用、FEFM 接入等不强制对齐时间表，避免技术能力被推着越界
  • 长期看，"认知体系本身可被用户审视"的透明度作为最终护栏（详见 ADR-007 体系可迭代矫正特性）

风险六：阶段路线时点的不确定性​

风险陈述：第七节阶段路线有意不锁死具体时点，按真实验证 milestone 进入下一阶段。这给战略柔性，但也带来：

  • 投资人 / 团队 / 用户对 FinBayes "什么时候能怎样" 的预期管理难度
  • 关键依赖（FEFM 项目交付、RLE 闭环 readiness）的时点不在 FinBayes 团队完全可控范围内
  • 第一阶段如果某项 milestone 长期不能验证，回滚或重新调整的判断时机不清晰

应对思路：

  • 阶段转换原则在第七节已明确：质量优先于规模 + 失败回滚机制 + 生态对象 readiness-gated
  • 关键 milestone 应该有可观察的客观指标（认知质量、持续使用、跨市场一致性），不是主观判断
  • 关键依赖（FEFM / RLE）的延期不阻塞 FinBayes 第一阶段产品形态——FinBayes 第一阶段不依赖 FEFM、不强制启用 RLE 闭环（详见第六节生态位置 + 第七节阶段路线）

悬而未决问题​

下面的问题在战略层尚未拍板。它们被回答之前，任何下游文档（产品定义、工程设计、商业）都不应该假装它们已经被回答。

未决零：佣金占比上限的战略阈值​

问题陈述（来自第八节商业立场双轨设计）：FinBayes 的商业模式包含订阅 + 佣金双轨。第八节已声明"佣金不得成为 FinBayes 主要收入流"，但具体的佣金占比上限阈值（如不超过总收入的 30% / 40% / 其他）战略层尚未拍板。

阈值的影响：

  • 上限过高：FinBayes 可能因佣金诱惑反向激励"多对接 ATM / 鼓励多交易"，损害"独立运行能力是基线"和"输出质量跨付费层级一致"
  • 上限过低：限制 FinBayes 与生态协同的商业价值实现

拍板时机：由商业团队 + 战略团队结合第一阶段冷启动期的真实订阅 / 佣金收入数据后续承接。

未决一：方法论在更多市场的普适性​

问题陈述：第一阶段在 Crypto + US Stocks 上验证 FinBayes 核心定义和工作方式是否成立。扩展到 A 股、商品、外汇、债券、其他市场时，新市场可能暴露之前没遇到的语义边界——FinBayes 的核心工作方式（帮用户想清楚、看全面、看本质、持续完善判断）在新市场是否仍稳定，没有先验答案。

拍板时机：第一阶段验证通过后，进入中期时由产品 + 战略团队按市场逐个评估。每扩展一个市场都需要经过认知质量验证（详见第三节市场切入），不是简单接入数据。

未决二：个人产品与机构产品的分立时点​

问题陈述：FinBayes 第一阶段服务个人投资者。机构形态（金融机构、家族办公室、对冲基金等团队协作场景）的服务边界与协作方式与个人差异极大，第一阶段不做。未来在什么用户规模、商业证据、服务边界需求下触发个人 vs 机构产品分立，战略层尚未拍板。

拍板时机：由商业与产品团队在第一阶段后期或中期初共同决定。

未决三：金融认知体系研究专题​

问题陈述（详见 ADR-007）：金融认知体系是 FinBayes 的核心差异化，但具体由哪些机制组成、覆盖哪些维度、采用什么方法论持续完善——目前 FinBayes 团队尚在通过专题研究确定。

调研已完成：本工作流期间完成业内调研 + 5 个本地仓库参考项目调研 + 架构文档调研，结论是 FinBayes 在"统一组织估值 + 宏观 + 叙事 + 事件传导为可迭代矫正的显式认知体系"是原创定位，业内有可借鉴的零件（FinMem 分层记忆、学界四层 Agent 架构、Dalio 经济机器、Damodaran 叙事估值、UniFinEval 7 维度评测、FinEval 6 支柱、AgenticTrading 研究循环 等），但整机无人造过。

调研报告已暂存：commons/references/finbayes-cognition-system-research-briefs/README.md

拍板时机：第一阶段末或中期初，启动专门研究工作流（governance/workstreams/finbayes-cognition-system-research/，待启动）承接，产出认知体系的第一版正式构成（替代当前 working 骨架），形成本工作流 ADR-007 的 supplement。

未决四：架构层补独立 ADR for StructuredCognitionResult​

问题陈述（详见 ADR-008）：架构 §4 的 StructuredCognitionResult 是 FinBayes 的核心输出设计，但没有独立 ADR——是架构文档的 governance gap。本工作流通过 ADR-008 把战略层与架构层在结构化认知输出层面对齐，但架构层应同步补独立 ADR 把 StructuredCognitionResult 作为架构层契约正式锁定。

拍板时机：本工作流完成后，作为 follow-up 输出递交给 governance/workstreams/finbayes-arch-rewrite/ 工作流维护者。

未决五：通用 AI 代际跃迁差距的应对​

问题陈述：通用 AI 模型每 12-18 月跨代升级（从能力到推理深度都有质变），FinBayes 与通用 AI 的能力差距可能在某个时点被显著拉近。FinBayes 当前的核心差异化（金融认知体系 + 用户连续认知资产 + 结构化输出形态）能否长期保持，没有先验答案。

应对思路（不是答案）：在风险一中已展开（认知体系建设 vs 通用 AI 演化的赛跑）。

拍板时机：当通用 AI 出现明显影响 FinBayes 差异化的能力跃迁时（如通用 AI 出现真正的"个人金融认知层"形态），由战略团队评估 FinBayes 战略是否需要重新调整。

工程承接未决问题的原则​

工程化落地可以为这些未决问题提供观测点、实验开关、数据记录和后续扩展位，但不能提前替战略或商业团队给出答案。

具体原则：

  • 对更多市场的普适性，工程上可以保留市场扩展接口和评估流程；不能把 A 股、商品、外汇、债券等市场默认做成与 Crypto / US Stocks 等深的第一阶段能力
  • 对个人产品与机构产品分立，工程上可以避免把数据模型写死为单一用户场景；不能提前引入团队权限、机构审计、投研协同工作流作为第一阶段默认产品范围
  • 对商业模式可行性，工程上可以记录使用频次、复盘触发、问题族、成本和留存相关信号；不能把付费层级、价格、商业中心人群或调用次数计费逻辑写成产品事实
  • 对认知体系建设，工程上可以为认知输出预留扩展位（新增维度 / 新增任务类型 / 新增传导链路），不能提前承诺体系已覆盖某个具体范围

换句话说，工程要把 FinBayes 当前已经确定的金融认知产品做扎实，同时为未决问题留下可观察、可调整、可验证的空间。

工程观测字段的具体设计下推：v2 战略白皮书 §15 末包含一份具体的工程观测字段表（market_pack / session_count / focused_object_count / provider_type / model_class / task_duration_ms / llm_call_count / cache_hit / return_session_interval / user_level_signal 等）。v3 战略层不锁定具体观测字段清单，下推到 L2 产品定义层和 L3 架构层承接——这是为了让工程团队在落地中根据真实需求决定具体字段，而不是被战略层预设的字段表锁死。具体字段、采样机制、存储与归档由架构文档承接。

这一章会随事项被拍板而缩短——任何条目从这里移除，都意味着一个真实的战略判断已经做出，应有显式的决策记录可被追溯（ADR 流程 + 战略白皮书 patch 工作流）。这一章不会被悄悄缩短。