跳到主要内容

Financial Expert Foundation Model 项目锚点

状态: 基线收束草案 最后更新: 2026-05-07 项目类型: 基础设施 / 能力底座 生态角色: 金融领域模型能力底座

1. 本文档定位​

本文档是 Financial Expert Foundation Model 在 FinTec AI Ecosystem 中的项目锚点。

它用于回答:

  • Financial Expert Foundation Model 在 3 + 2 结构中承担什么角色；
  • 它为什么应作为独立基础设施 / 能力底座存在；
  • 它与 Reinforcement Learning Engine、Data Horizon / 数据视界、FinClaw 和 AI Trading Matrix 的协同边界是什么；
  • 第一阶段为什么不应以模型愿景先行全面启动；
  • 后续 inherited-context.md、current-state.md、能力议程、协同边界记录、评估样本治理和模型路线文档应继承什么口径。

本文档不是模型训练方案，不记录当前代码事实，不替代项目当前状态文档。

2. 项目定义​

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

它负责面向生态内真实金融任务，长期沉淀金融语义理解、领域知识对齐、任务推理、结构化输出、工具调用、长上下文整合、任务适配和模型能力增强。

它不是:

  • 面向用户的前台产品体验；
  • Data Horizon / 数据视界、FinClaw 或 AI Trading Matrix 的产品战略替代者；
  • Reinforcement Learning Engine 本身；
  • 所有 AI 工作的泛化总括；
  • 脱离真实产品闭环追求模型指标、参数规模或 benchmark 的模型炫技项目；
  • 用模型权威感掩盖金融不确定性、证据不足、责任边界或风险提示的系统。

当前最简定义是:

Financial Expert Foundation Model 是生态中把真实金融任务、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模型能力的基础设施。

3. 生态角色​

FinTec AI Ecosystem 当前能力链路可理解为:

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

在该链路中，Financial Expert Foundation Model 位于“金融领域模型能力增强”层。

它的角色不是替前三个前台产品完成感知、认知或交易执行，也不是替 Reinforcement Learning Engine 完成反馈学习治理，而是在真实任务、反馈资产、评估样本和领域输出要求足够成熟后，把可复用的金融领域能力沉淀为更长期、更共享、更可迁移的模型能力。

4. 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而单独存在。

5. 为什么独立存在​

Financial Expert Foundation Model 需要独立存在，原因是金融领域模型能力不是某个前台产品迭代中的隐形副作用。

当前独立性理由包括:

  • 长期金融语义理解、推理和结构化输出能力需要跨项目沉淀；
  • 多个前台系统都可能受益于共享金融领域模型能力；
  • 真实任务、反馈资产和评估样本需要经过治理后才能进入模型能力建设；
  • 模型能力建设需要与产品定义、反馈学习、评估样本、数据治理和金融风险边界分开管理；
  • 如果没有独立归属，模型能力容易被压缩为短期提示词优化、局部 agent 行为或不可复用的实验碎片。

这种独立性不意味着它第一阶段应立即全面启动。相反，它作为基础设施，应在真实任务、学习资产、评估样本和能力需求足够清晰后再进入正式模型能力建设。

6. 当前拥有职责​

Financial Expert Foundation Model 当前拥有以下职责边界:

  • 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。

7. 当前不拥有职责​

Financial Expert Foundation Model 当前不拥有以下职责:

  • 设计或替代前台产品的用户体验；
  • 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。

8. 第一阶段目标​

Financial Expert Foundation Model 第一阶段目标不是全面训练或微调一个完整金融基础模型。

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。

因此，第一阶段应优先完成:

  • 启动触发条件定义；
  • 首阶段能力议程；
  • 与通用 LLM / 现有模型能力的关系说明；
  • 真实金融任务、领域样本和评估样本需求；
  • 哪些学习资产可以进入模型能力建设链路，哪些只能停留在工作流级改进的边界；
  • 面向 Data Horizon / 数据视界、FinClaw、AI Trading Matrix 的反哺能力候选；
  • 金融风险、模型权威感、幻觉、过度确定性和责任边界治理。

第一阶段的核心判断是:

  • 三个前台系统先证明各自最小闭环；
  • Reinforcement Learning Engine 先明确反馈对象、评估样本和学习资产治理；
  • FEFM 保持能力规划、触发条件和依赖关系清晰；
  • 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。

9. 关键能力对象​

Financial Expert Foundation Model 的长期能力对象可以包括:

  • 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。

这些对象是候选能力对象，不代表当前已经存在工程实现、训练管线或模型路线。

10. 协作接口​

10.1 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。

10.2 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。

10.3 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。

10.4 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。

11. 启动触发与 readiness 边界​

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

正式启动至少需要满足以下 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。

12. 文档下沉关系​

本文档应向下游文档提供以下口径:

  • inherited-context.md: 记录从生态基线、项目注册表和第一阶段闭环判断中继承的 FEFM 角色、边界、接口和触发条件；
  • current-state.md: 只记录当前已核验事实、待核验事实、缺口、风险和下一步；
  • 后续能力议程 / 产品定义 / 协同边界记录: 进一步展开金融专家能力、评估样本、学习资产和模型能力建设边界；
  • 后续决策记录: 记录“何时正式启动”“优先沉淀哪些能力”“采用何种模型路线”“哪些学习资产可进入模型层”等不可轻易逆转的判断。

若后续项目实践证明本文档口径不够，应回流修订生态基线或项目注册表，而不是在模型路线或实现层静默改变职责边界。

13. 当前材料状态​

截至 2026-05-07，当前仓库已经存在以下上位材料:

  • baseline/03-current-baseline.md 已将 Financial Expert Foundation Model 定位为金融领域模型能力底座；
  • registry/project-registry.md 已登记其为基础设施 / 能力底座，第一阶段状态为尚未正式启动，需等待任务与学习资产触发；
  • governance/first-phase-product-closure.md 已明确两个基础设施层不应在缺少真实任务和反馈时空转式提前启动；
  • 本项目目录已有旧版项目锚点、继承上下文和当前状态文档，但需继续按当前基线口径校准。

当前仍缺少:

  • 已登记的本地代码仓库目录；
  • 已核验的模型、实验、数据集、评估样本或运行状态；
  • 已定义的首阶段能力议程；
  • 已定义的与通用 LLM / 现有模型关系；
  • 已定义的评估样本治理规则；
  • 已定义的模型能力建设触发条件；
  • 已核验的学习资产、领域样本、失败案例或结果标签。

本次轻量本地目录探测中，/Users/mlabs/Programs 下未发现明显匹配 foundation model、financial expert、fefm 或 fin model 的仓库路径。该结果只说明当前未发现明显本地目录，不等于项目不存在。

14. 当前下一步​

建议按以下顺序继续校准:

  1. 重写 projects/financial-expert-foundation-model/inherited-context.md，让其只记录上游继承口径；
  2. 重写 projects/financial-expert-foundation-model/current-state.md，区分已核验事实、待核验事实和缺口；
  3. 定义第一版金融专家能力议程；
  4. 定义与通用 LLM / 现有模型的关系说明；
  5. 定义 Reinforcement Learning Engine -> Financial Expert Foundation Model 的学习资产沉淀边界；
  6. 判断是否需要新增 CONTEXT.md、能力议程文档或评估样本治理文档；
  7. 等待真实任务、反馈资产和评估样本足够清晰后，再讨论正式模型能力建设。

15. 需要升级讨论的情况​

出现以下情况时，应回到生态级文档或治理文档讨论:

  • Financial Expert Foundation Model 被写成前台产品；
  • 它被用于吸收 Data Horizon / 数据视界、FinClaw、AI Trading Matrix 或 Reinforcement Learning Engine 的职责；
  • 它在缺少真实任务、反馈资产和评估样本时被推进为完整模型工程项目；
  • 它用模型权威感掩盖金融不确定性、证据不足、风险提示或责任边界；
  • 它将未经核验、不可追溯或高风险样本直接用于模型能力强化；
  • 它与 Reinforcement Learning Engine 的关系被写成已经进入模型训练，而缺少样本治理和模型路线证据。

16. 相关文档​