aifinlab FinClaw 参考项目团队认知对齐简报
状态：Track A7 / 团队认知对齐材料完成 对象：参与 FinClaw 协同推进的团队成员及各自个人域 Agent 来源：aifinlab/FinClaw Docker 体验、skillsChoice A1-A6 评测结果
1. 一句话结论
aifinlab/FinClaw 对 FinClaw 的参考价值不在 chat-agent 形态，而在“金融机构技能分类 + 可执行工具入口 + 数据质量/降级显式化 + 认知对象拆分”。它不应直接变成 FinClaw MVP 的实现来源，但可以作为 FinClaw 技能候选、产品对象和证据字段设计的重要参考样本。
2. 团队共同认知
| 事项 | 对齐结论 |
|---|---|
| 项目类别 | OpenClaw 金融技能层参考项目，不是单纯金融聊天助手。 |
| 主要资产 | skillsChoice 60 个精选技能、六大金融套件、root skills/ 982/1022 技能生态。 |
| 当前已评测范围 | 仅评测 skillsChoice 60 个精选技能；尚未扩大到 root skills。 |
| 执行方式 | Docker/OpenClaw 容器体验 + Python 脚本入口 smoke + minimal sample。 |
| 吸收方式 | 吸收分类、认知链路、输入输出对象、证据字段、数据质量表达；不直接吸收脚本实现。 |
| 产品边界 | 所有配置、组合、套利、估值、收益计算类能力都必须保持在 cognition / pre-execution checkpoint，不进入自动执行。 |
3. 已完成批次
| Track | 内容 | 核心结果 |
|---|---|---|
| A1 | 60 个 selected skills 入口 smoke | 59 PASS / 1 FAIL。 |
| A2 | 60 个 selected skills minimal sample | 30 PASS / 20 warning / 9 fail / 1 blocked。 |
| A3 | 原因聚类与认知链路映射 | 识别数据降级、超时、代码缺陷、权限问题等原因。 |
| A4 | 分类与吸收矩阵 | 重设计后可吸收 29，模式参考 20，覆盖参考 9，工具样式参考 1，暂不吸收 1。 |
| A5 | MVP 候选名单 | 白名单 12，观察名单 38，排除名单 10。 |
| A6 | MVP 产品对象草案 | 收敛为 Snapshot / Thread / Evidence / Data Quality / Pre-Execution Checkpoint。 |
4. 白名单能力
| 能力 | 参考技能 | 进入 MVP 讨论的理由 |
|---|---|---|
| 确定性收益计算 | trust-suite/trust-income-calculator | 纯计算路径稳定，可映射到 Pre-Execution Checkpoint。 |
| 信托合规检查 | trust-suite/trust-compliance-checker | 合规分数、失败规则和数据源降级表达完整。 |
| 信托估值认知 | trust-suite/trust-valuation-engine | 估值结果绑定市场参考与数据质量。 |
| 基金候选筛选 | fund-suite/fund-screener | mock 路径稳定，适合产品候选认知。 |
| 基金风险认知 | fund-suite/fund-risk-analyzer | 风险字段样式可参考。 |
| 定投计划认知 | fund-suite/fund-sip-planner | 适合目标规划和周期策略教育。 |
| 证券政策认知 | securities-suite/securities-policy-analyzer | 政策到业务影响链路清晰。 |
| 期货套利候选目录 | futures-suite/futures-arbitrage-analyzer | 适合作为策略候选知识面板，不进入执行。 |
| 期货宏观相关性 | futures-suite/futures-macro-correlation | 跨市场认知链路参考价值高。 |
| 保险偿付能力监管框架 | insurance-suite/insurance-solvency-analyzer | 监管规则型输出稳定。 |
| 银行间市场流动性 | bank-suite/bank-interbank-market | 可作为宏观流动性输入候选。 |
| 银行风险画像 | bank-suite/bank-risk-analyzer | 机构风险画像可参考，但证据口径需重写。 |
5. 产品对象草案
| 产品对象 | 团队对齐口径 |
|---|---|
| Market Cognition Snapshot | 单次认知快照，描述市场、机构、产品、政策或风险对象在特定时间点的证据化状态。 |
| Market Cognition Thread | 连续认知过程，容纳用户追问、证据补充、候选池和结论修订。 |
| Evidence Item | 可追溯证据，记录来源、时间、口径、数据质量和与结论的关系。 |
| Data Quality Note | 描述实时/模拟/降级/N/A/人工复核需求。 |
| Pre-Execution Checkpoint | 承接计算、风险、合规、适配和边界提示，但不自动执行交易或配置动作。 |
6. 不应误解的点
- 白名单不是开发承诺，只是 MVP 候选能力池。
- aifinlab 的脚本实现不直接进入 FinClaw 工程。
- 参考项目的风险边界不等于 FinClaw 的风险边界。
skillsChoice评测尚不能代表 rootskills/982/1022 的整体质量。- 数据源降级、N/A、模拟数据和 timeout 必须作为产品对象的一等字段，而不是隐藏在日志或自然语言中。
- 所有接近配置、套利、收益、再平衡的能力必须显式进入 Pre-Execution Checkpoint，不自动执行。
7. 个人域同步建议
团队成员在各自个人域同步评估时，建议优先回答以下问题：
- 是否认可五类产品对象作为 FinClaw MVP 的认知对象候选？
- 12 个白名单能力中，哪些应进入 MVP 首批，哪些应延后？
- 对 Data Quality Note 是否需要更严格字段，例如数据时效、覆盖率、可靠性、fallback level？
- 对 Pre-Execution Checkpoint 的非执行边界是否足够清晰？
- root
skills/下一步应按哪些类别抽样，而不是全量运行？
8. 下一步建议
下一批建议 Track A8：准备一份“个人域复核任务清单”，让后续参与者可以在自己的个人域中复核 aifinlab 参考项目，而不需要重复消耗整个上下文或重新跑全部测试。