Financial Expert Foundation Model 继承上下文

状态：基线收束草案 最后更新：2026-05-08 项目：Financial Expert Foundation Model 来源：FinTec AI Ecosystem 生态级基线、项目注册表与项目锚点

1. 本文档定位

本文档用于把生态层当前有效的基线、边界、接口、金融风险和模型能力治理口径继承到 Financial Expert Foundation Model 项目中。

它服务于项目负责人、参与人及其个人域 Agent，使后续能力议程、协同边界记录、评估样本治理、模型路线、PRD、issue、context 和实现讨论默认站在同一组上游输入之上。

本文档不是：

• 项目完整方案；
• 实现计划；
• 当前工程现状报告；
• 模型训练方案；
• 模型微调方案；
• 评估样本最终 schema；
• 与 Reinforcement Learning Engine 的最终工程化对接设计。

项目现状、已有材料、缺口、风险和下一步应记录在 current-state.md。

2. 继承来源与优先级

Financial Expert Foundation Model 当前应优先继承以下文档：

1. ../../baseline/03-current-baseline.md 当前可被项目级文档继承的生态级判断集合。

2. ../../registry/project-registry.md 当前生态对象注册表，登记各对象角色、边界、接口和项目入口。

3. project-anchor.md Financial Expert Foundation Model 当前项目入口锚点。

4. ../../governance/first-phase-product-closure.md 第一阶段独立闭环判断，以及两个基础设施层不应空转式提前启动的触发条件口径。

5. ../../governance/material-intake-policy.md 材料接入、事实源升级和边界变更治理规则。

6. ../../governance/project-context-template.md 项目级文档包的最低协作协议。

若本文档与 baseline/03-current-baseline.md 冲突，以生态级当前有效基线为准。若项目实践证明当前基线不够用，应通过 sync / escalation 回到生态层修订。

准备期 decision log 和 change index 已完成有效内容抽取并移出正式仓库，不作为当前权威入口逐条继承。

3. 继承的生态定义

Financial Expert Foundation Model 所属的 FinTec AI Ecosystem 当前定义为：

围绕金融信息感知、金融认知、交易执行、反馈学习、金融领域模型能力持续增强而组织起来的 AI Native 金融智能生态。

因此，Financial Expert Foundation Model 不应被理解为孤立模型工程项目，也不应被压缩为某个前台产品的模型插件。

它继承的生态根问题是：

在金融信息形态快速扩张、超额收益来源持续迁移的背景下，市场参与者难以将海量异构信息稳定转化为可验证金融认知、可治理交易执行支持和可复利的领域能力，导致潜在收益与组织能力在感知、认知、执行和反馈环节持续损耗。

Financial Expert Foundation Model 只承担其中的长期金融领域模型能力增强环节，不单独解决完整根问题。

4. 继承的生态结构

当前生态采用 3 + 2 结构。

三个前台独立系统 / 产品：

1. Data Horizon / 数据视界
2. FinClaw
3. AI Trading Matrix

两个基础设施 / 能力底座：

4. Reinforcement Learning Engine
5. Financial Expert Foundation Model

Financial Expert Foundation Model 属于两个基础设施 / 能力底座之一，当前生态角色是金融领域模型能力底座。

它位于能力链路的第五环：

金融信息感知
  -> 金融认知与研究分析
  -> 交易执行
  -> 结果反馈与学习沉淀
  -> 金融领域模型能力增强

该链路用于解释生态协同关系，不用于要求第一阶段强行集成全部对象。

5. 继承的一句话定义

Financial Expert Foundation Model 是 FinTec AI Ecosystem 中的金融领域模型能力底座。

它负责把真实金融任务、经治理学习资产、评估样本和领域输出要求沉淀为长期金融语义理解、任务推理、结构化输出、任务适配和模型能力增强。

6. 继承的生态理解增量

过本文档时应形成的关键生态理解是：

FinTec AI Ecosystem 的长期壁垒不只来自前台产品功能，也不只来自反馈闭环；它最终还需要把被验证过的金融任务、领域样本、评估标准和结构化输出能力沉淀为可反哺全生态的金融领域模型能力。

这意味着：

• Data Horizon / 数据视界 的信息理解、分类、抽取、结构化和质量判断能力，长期可被领域模型能力增强；
• FinClaw 的金融认知、研究推理、结构化输出、风险表达、反证组织和决策支持能力，长期可被领域模型能力增强；
• AI Trading Matrix 的策略理解、风险判断、执行约束表达、市场语境理解和结构化交易执行支持能力，长期可被领域模型能力增强；
• Reinforcement Learning Engine 沉淀的学习资产、评估样本、失败案例、结果标签和模型能力改进信号，是触发模型能力建设的重要上游输入。

因此，Financial Expert Foundation Model 是全局生态理解中的“长期能力壁垒层”，不是为了追逐模型规模、参数规模或通用 benchmark 而单独存在。

7. 继承的当前拥有职责

Financial Expert Foundation Model 当前拥有：

• 长期金融领域理解、推理和结构化输出能力；
• 金融语义理解和领域知识对齐；
• 金融任务对齐、任务适配和多步骤推理能力增强；
• 长上下文、多材料、多角色金融任务处理能力；
• 面向生态内真实任务的共享模型能力增强；
• 从经治理的学习资产、评估样本、失败案例、结果标签和任务反馈中沉淀模型能力改进方向；
• 未来反哺 Data Horizon / 数据视界、FinClaw 和 AI Trading Matrix 的领域理解、结构化输出和任务适配能力。

这些职责说明它的价值不只是“模型更强”，而是让生态能够把已经被真实任务和反馈验证过的金融能力沉淀为长期可复用的领域模型能力。

8. 继承的当前不拥有职责

Financial Expert Foundation Model 当前不拥有：

• 前台产品体验职责；
• 替代 Data Horizon / 数据视界 的金融信息感知职责；
• 替代 FinClaw 的金融认知与研究分析职责；
• 替代 AI Trading Matrix 的交易执行、授权执行和风控职责；
• 替代 Reinforcement Learning Engine 的反馈学习、样本治理和改进信号沉淀职责；
• 用模型能力替代产品定义、工作流设计、场景验证或用户价值验证；
• 在缺少真实任务、反馈资产、评估样本和样本治理时全面启动模型工程；
• 用模型权威感掩盖金融不确定性、证据不足、错误来源或责任边界。

这意味着 Financial Expert Foundation Model 可以定义长期领域模型能力沉淀方向，但不能因为“模型能力”二字吸收前台产品、学习层或执行系统的本职工作。

9. 继承的第一阶段判断

第一阶段重点不是一次性打通完整生态主链路。

三个前台独立系统 / 产品应先分别证明自身最小闭环成立：

• Data Horizon / 数据视界：形成独立金融信息感知链路；
• FinClaw：形成独立金融认知产品闭环；
• AI Trading Matrix：形成独立交易执行闭环。

Financial Expert Foundation Model 第一阶段应保持：

• 能力规划清晰；
• 触发条件清晰；
• 对真实任务、反馈资产、评估样本和前台场景的依赖关系清晰；
• 不在缺少真实任务、反馈资产和评估样本时空转式启动模型工程。

第一阶段更准确的目标是：

定义正式启动前的触发条件、首阶段金融专家能力目标、与通用 LLM 的关系、所需真实任务与学习资产，以及评估样本治理方式。

10. 继承的启动触发条件

Financial Expert Foundation Model 当前不应以模型愿景先行全面启动。

正式启动至少需要继承以下 readiness 条件：

1. 至少一个前台系统形成可描述、可验证的最小闭环；
2. 已有稳定或半稳定的真实金融任务对象；
3. 已有经治理的反馈资产、评估样本、失败案例或结果标签；
4. 已明确哪些能力缺口必须由模型层解决，而不是由产品设计、提示词、技能、agent、数据链路或工作流改进解决；
5. 已明确与通用 LLM / 现有模型的关系和差异化路径；
6. 已明确能力建设结果如何反哺哪个前台系统，以及由谁验证；
7. 金融风险、模型权威感、幻觉、过度确定性和责任边界可表达。

在未满足上述条件前，本项目应保持为“预启动 / 能力议程 / 触发条件定义”状态。

11. 继承的金融风险与模型能力治理边界

所有产品 / 系统都必须默认把输出定位为：

• 信息；
• 认知；
• 研究辅助；
• 决策支持；
• 受约束的交易执行支持。

Financial Expert Foundation Model 尤其需要继承以下边界：

• 不得用模型权威感掩盖金融不确定性；
• 不得把模型输出包装成收益保证、确定性投资建议或替用户承担投资责任的依据；
• 不得让模型能力绕过来源、证据、风险提示、授权、审计或风控边界；
• 不得把未经核验、不可追溯或高风险样本直接用于模型能力强化；
• 不得把“未来模型能力”当成当前产品边界、接口边界或责任边界不清的遮羞布；
• 不得脱离真实金融任务和真实产品闭环独立追求模型指标、参数规模或通用 benchmark。

任何可能让模型能力影响真实执行、强化误导性金融行为、改变多个项目能力边界或掩盖金融责任边界的设计，都必须触发 sync / escalation。

12. 继承的关键能力对象

Financial Expert Foundation Model 当前应继承以下候选能力对象：

• Financial Semantic Capability: 金融语义理解、术语对齐、概念关系和上下文解释能力；
• Financial Reasoning Capability: 金融研究、风险分析、条件化推理、反证组织和多步骤判断能力；
• Structured Output Capability: 稳定输出认知对象、风险对象、信号解释、执行约束和证据结构的能力；
• Long-context Synthesis Capability: 长上下文、多材料、多角色金融任务整合能力；
• Task Adaptation Capability: 面向生态内真实任务的任务适配和输出风格稳定能力；
• Tool-use / Workflow Capability: 在受治理工作流中调用工具、读取证据、组织结果和保持边界的能力；
• Evaluation Capability: 使用评估样本、失败案例、结果标签和任务反馈验证模型能力的能力。

这些对象是继承口径和候选能力对象，不代表当前已经存在工程实现、训练管线、评估平台或模型路线。

13. 继承的关键接口

13.1 Reinforcement Learning Engine -> Financial Expert Foundation Model

这是当前最高优先级接口之一。

Reinforcement Learning Engine 可向 Financial Expert Foundation Model 提供：

• 经治理的金融任务反馈；
• 评估样本；
• 失败案例；
• 结果标签；
• 领域任务样本；
• 学习资产；
• 模型能力改进信号。

该接口不代表当前已经进入模型训练、微调或评测平台建设阶段。只有当样本来源、证据、权限、风险等级、审核状态和可学习范围明确后，学习资产才可进入模型能力建设链路。

13.2 Financial Expert Foundation Model -> FinClaw

Financial Expert Foundation Model 未来可反哺 FinClaw：

• 金融语义理解；
• 研究推理；
• 风险表达；
• 反证组织；
• 结构化认知对象输出；
• 长上下文材料综合；
• 条件化策略假设和决策支持表达。

该接口必须继承 FinClaw 的“认知 vs 执行”边界。模型能力可以增强认知和决策支持质量，但不能直接触发交易、下单、调仓、资金划转、链上交易或调用执行系统。

13.3 Financial Expert Foundation Model -> Data Horizon / 数据视界

Financial Expert Foundation Model 未来可反哺 Data Horizon / 数据视界：

• 信息理解；
• 分类与抽取；
• 来源和质量判断辅助；
• 非结构化信息结构化；
• 金融事件、主题和实体关系识别；
• 数据质量 / provenance 元数据生成辅助。

该接口不应把 Data Horizon / 数据视界 推成认知或执行系统。模型能力只能增强感知链路质量，不能把感知输出包装成确定性金融结论或交易指令。

13.4 Financial Expert Foundation Model -> AI Trading Matrix

Financial Expert Foundation Model 未来可反哺 AI Trading Matrix：

• 策略理解；
• 风险判断；
• 执行约束表达；
• 市场语境理解；
• 结构化交易执行支持输出；
• 执行前检查和失效条件表达。

该接口必须继承 AI Trading Matrix 的执行治理边界。模型能力可以增强交易执行支持和风险表达，但不能绕过用户授权、审计、风控、关键确认或可回滚治理。

14. 对后续项目文档的约束

后续 Financial Expert Foundation Model 项目文档应遵守：

• project-anchor.md 固定项目定义、生态角色、职责边界、第一阶段目标和启动触发边界；
• inherited-context.md 只承接上游基线，不记录可变工程现状；
• current-state.md 记录当前事实、已有材料、缺口、风险、开放问题和下一步；
• 成熟度足够时补齐 CONTEXT.md，承载金融专家能力、评估样本、学习资产、模型路线和治理语言；
• 能力议程、协同边界记录和 PRD 必须区分金融语义能力、推理能力、结构化输出能力、长上下文能力、任务适配能力、工具 / 工作流能力和评估能力；
• issue 和实现任务应显式标注其处于真实任务整理、评估样本治理、能力议程、模型能力建设、前台反哺或风险治理中的哪一层。

15. 当前仍需项目级回答的问题

以下问题不在本文档中直接决策，应进入 current-state.md、后续 CONTEXT.md、能力议程、协同边界记录或 MVP / PRD：

1. 第一阶段最先沉淀哪类金融专家能力：语义理解、研究推理、结构化输出、长上下文整合、任务适配、工具 / 工作流能力，还是评估能力？
2. 哪些能力缺口必须由模型层解决，而不是由提示词、技能、agent、数据链路或产品工作流改进解决？
3. Reinforcement Learning Engine -> Financial Expert Foundation Model 的首个学习资产对象应是什么？
4. 哪些学习资产只能停留在工作流级改进，哪些可进入模型能力建设链路？
5. 与通用 LLM / 现有模型的关系和差异化路径是什么？
6. 哪些评估样本、失败案例、结果标签和领域任务样本足以触发正式启动？
7. 模型能力反哺 FinClaw、Data Horizon / 数据视界 和 AI Trading Matrix 时，分别如何保留各自边界？

16. 回流条件

以下情况应向生态层触发 sync / escalation：

• 当前金融领域模型能力底座边界定义不成立；
• Financial Expert Foundation Model 开始承担前台产品、执行系统或反馈学习职责；
• 某些能力目标、评估样本、领域任务样本或模型路线应上升为共享生态定义；
• FEFM 与 Reinforcement Learning Engine 的边界无法用当前基线解释；
• 项目触及真实执行反馈、资金 / 账户 / 链上动作反馈、用户责任边界或合规风险；
• 模型能力可能强化误导性、高风险、不可解释或未经治理的金融行为；
• 前台系统和学习层产生的真实任务与学习资产足以触发正式启动，需要改变当前阶段状态。

17. 相关文档

• project-anchor.md
• current-state.md
• ../reinforcement-learning-engine/project-anchor.md
• ../reinforcement-learning-engine/inherited-context.md
• ../../baseline/03-current-baseline.md
• ../../registry/project-registry.md
• ../../governance/first-phase-product-closure.md
• ../../governance/material-intake-policy.md
• ../../governance/project-context-template.md