跳到主要内容

FinClaw 战略白皮书

本文件界定 FinClaw 在 FinTec AI Ecosystem 中的战略定位、完整态目标、能力边界及其与上下游系统的接口口径。

若你是项目 owner / 评审生态协同边界的参与者，或要把战略结论对齐到产品与 MVP，请先读本文再读 product-definition.md。

读完约 20–40 分钟，你应能用一句话复述 FinClaw 在链路中的角色、能力与不可越界红线，并把结论对齐到本项目下游文档与 baseline。

trust: canonical；状态 Current Strategic Baseline（已收束）；最后更新 2026-05-15。

上游: baseline/01-ecosystem-whitepaper.md、baseline/03-current-baseline.md、registry/project-registry.md。下游首要: product-definition.md。

目录​

  1. 战略定位
  2. 为什么 FinClaw 应独立存在
  3. 完整态目标
  4. 能力边界
  5. 产品本体与关键对象
  6. 能力结构
  7. 与生态对象的接口
  8. 第一阶段战略切片
  9. 当前待决战略问题
  10. 下推关系
  11. 当前吸收判断

本文档是当前 Labs-FinTecAI 体系下的 FinClaw 战略主文档。边界说明与历次收束记录见文末 Changelog / 演化记录。

1. 战略定位​

FinClaw 是 FinTec AI Ecosystem 中的独立金融认知产品 / 系统。

它在生态中的位置是金融信息链路的认知环节：

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

FinClaw 的战略任务不是把所有金融活动自动化，而是把金融信息、上下文、方法论、用户问题和模型能力转化为可复查、可更新、可追踪的结构化金融认知。

因此，FinClaw 同时具有两层身份：

  1. 对外，它是面向用户的金融认知产品；
  2. 对内，它是生态中的金融认知与研究分析中枢。

这两层身份缺一不可。只有产品层，FinClaw 容易退化为普通金融 AI 助手；只有系统层，FinClaw 容易变成后台推理服务，无法证明独立用户价值。

2. 为什么 FinClaw 应独立存在​

金融认知与研究分析本身是独立产品问题。

在当前 AI 发展趋势下，金融信息的获取门槛正在快速下降。过去由渠道、语言、检索能力、资讯平台使用经验和一手材料访问能力造成的信息差，正在被通用大模型、通用 Agent 和专业金融 Agent 显著压缩。

但这并不意味着金融信息链路的问题消失了。问题正在从“拿不到信息”转向“信息过载、误感知、叙事噪音、错误归因和执行冲动”。金融信息差正在转化为金融认知差。

用户面对金融市场时，通常缺的不是单条信息，而是稳定、可复查、可更新的理解结构：

  • 这件事是什么；
  • 它和哪些资产、主体、叙事、事件、风险相关；
  • 哪些是事实，哪些是推断；
  • 哪些判断依赖尚未验证的信息；
  • 后续应该观察什么；
  • 如果需要形成策略假设，应满足哪些前提、失效条件和风险约束。

因此，金融认知不是执行前的一次性分析，而是一种持续状态管理。它需要把不断涌入的信息、用户关注对象、既有判断、反方证据、开放问题和后续观察组织成可持续维护的认知结构。

这些问题不能被 Data Horizon / 数据视界 单独解决，因为感知层主要负责信息进入、组织和上游结构化。

这些问题也不能被 AI Trading Matrix 直接吸收，因为交易执行层面向交易执行、授权、风控、审计和真实执行链路。

FinClaw 的独立价值在于：它位于感知和执行之间，专注于把金融世界转化为结构化认知、研究辅助、推理产物、持续认知状态和决策支持输出。

3. 完整态目标​

FinClaw 的完整态不是一个简单问答界面，也不是一个横向金融任务执行框架。

完整态应体现为一个可持续工作的金融认知系统：

  • 能围绕资产、主题、事件、叙事、风险和用户问题生成结构化认知产物；
  • 能把一次性研究延展为可复查、可更新、可追踪的认知线程；
  • 能组织 Fin Skills、Fin Agents、认知编排和记忆 / 个性化能力；
  • 能把稳定的认知对象、任务样本和输出质量要求沉淀给反馈学习层和金融领域模型能力底座；
  • 能与 Data Horizon / 数据视界、AI Trading Matrix、Reinforcement Learning Engine、Financial Expert Foundation Model 形成清晰接口，而不是吞并相邻层职责。

当前来源材料提出的 Financial Cognition Operating System 具有较强战略表达力，可作为 FinClaw 完整态的战略本体表达。

本文档采用该表述，但限定其使用范围：

  • 对内，它用于描述 FinClaw 如何组织 Fin Skills、Fin Agents、认知编排、记忆 / 个性化和结构化认知对象；
  • 对战略层，它用于表达 FinClaw 的完整态不是单次问答或报告生成，而是可持续运作的金融认知工作系统；
  • 对外产品层，它不应在第一阶段直接变成市场承诺、品牌口号或平台化范围承诺；
  • 对执行边界，它不暗示 FinClaw 拥有交易执行、账户操作、资金划转、链上交易或执行系统调用职责。

因此，Financial Cognition Operating System 是战略完整态表达；Financial Cognition Product / Financial Cognition System 仍是当前更稳定的双层工作定义。前者描述长期本体，后者约束当前产品和系统边界。

4. 能力边界​

FinClaw 可以承接金融链路中的认知、研究辅助、推理和决策支持输出。

可进入 FinClaw 能力边界候选的内容包括：

  • 结构化市场认知；
  • 资产、主题、事件、叙事和风险理解；
  • 研究问题拆解；
  • 风险、反证、争议和未知表达；
  • 条件化策略假设；
  • 信号理解；
  • 评级、target price、portfolio analysis / optimization、backtesting、strategy suggestions 和价格 / 事件 / 风险提醒等认知型决策支持；
  • 执行前认知检查点。

这些能力成立的前提是：它们必须表达为证据有界、条件化、可复查的认知产物，而不是确定性收益承诺或真实执行指令。

FinClaw 不直接承担：

  • 原始金融信息感知系统职责；
  • 替代 Data Horizon / 数据视界 的采集、清洗和上游信息组织职责；
  • 真实交易执行；
  • 自动下单；
  • 无授权调仓；
  • 资金划转；
  • 链上交易；
  • 资产发行；
  • 私钥管理；
  • 直接调用执行系统。

边界的核心不是“能不能输出策略相关语言”，而是“是否进入真实执行链路”。

5. 产品本体与关键对象​

FinClaw 的战略对象不应只是聊天消息，而应是一组可治理的金融认知对象。

第一版产品形态不应在“纯聊天”和“纯流程工作台”之间二选一。更稳定的方向是：

对话进入，工作台沉淀，渠道分发。

其中，对话用于降低进入门槛，承接口语、短问、模糊问题、追问和突发事件；认知工作台用于沉淀市场认知快照、市场认知线程、证据边界、反方观点、观察问题、策略假设和执行前认知检查点；外部聊天渠道用于触发、订阅、轻量追问和传播，但不替代 FinClaw 自身的权威认知对象层。

因此，FinClaw 既不能退化为普通聊天机器人，也不能把专业感误解为强迫用户填写表单。专业感来自清晰的前提、证据、分歧、未知、风险、复盘和持续跟踪。

第一版对象中心应明确为：

市场认知快照 + 市场认知线程。

其他内容应围绕这两个对象分层：

层级内容
主对象市场认知快照、市场认知线程
边界对象执行前认知检查点
驱动字段观察问题、刷新条件、失效条件
质量字段证据项、数据质量说明、来源限制、置信边界
中间材料金融认知顾问输出、技能调用结果、反方挑战过程
呈现形态报告、简报、网页报告、聊天摘要、外部渠道消息

该对象层级用于防止 FinClaw 被误写成聊天产品、报告生成器、多 Agent 展示或技能调用平台。

当前已进入项目级语言的关键对象包括：

  • Market Cognition Snapshot（市场认知快照） 围绕资产、主题、叙事、事件或问题形成结构化市场认知快照。

  • Market Cognition Thread 把一次性认知快照延展为可复查、可更新、可追踪的连续认知线程。

  • Evidence-Bounded Cognition Output 约束输出必须区分事实、推断、争议、未知、待观察问题和来源 / 时间上下文。

  • Cognition-Stage Strategy Output 在认知环节内表达条件化策略假设、情景路径、风险约束、失效条件、待验证信号和执行前认知检查点。

  • Fin Skill 可复用、可治理、可分发的金融场景原子能力单元。

  • Fin Agents 围绕具体认知任务组合 Fin Skills 的 agent 编排层。

来源材料中的 Insight、Hypothesis、Risk View 和 Scenario 可作为后续产品定义文档中的对象候选。

其中，Action Suggestion 和 Signal Candidate 不作为第一阶段正式主对象直接继承：

  • Action Suggestion 收束为 Pre-Execution Checkpoint 或 Cognition-Stage Strategy Output，表达执行前仍需确认的前提、风险、失效条件和待验证信息；
  • Signal Candidate 收束为 Cognition Signal Candidate，表达值得继续观察或验证的认知信号候选，而不是交易信号或执行触发器。

这两个对象的核心问题不是是否允许策略层思考，而是不能把认知层输出误写成订单意图、自动执行信号或交易执行对象。

6. 能力结构​

当前战略层暂接受以下四层能力结构作为完整态方向：

  1. Financial Skills 金融场景中的原子认知能力，例如信息抽取、资产理解、叙事识别、风险映射、来源质量检查和结构化输出。

  2. FinAgents（金融智能体） 围绕具体金融认知任务组合多个 Fin Skills，完成澄清、拆解、推理、反证和输出组织。

  3. Cognition Orchestration 决定不同认知任务如何路由、如何组合、何时生成快照、何时跟踪线程、何时触发策略假设或风险挑战。

  4. Memory / Personalization 记录用户关注资产、主题、历史认知快照、开放研究问题、研究偏好和认知刷新需求。

这四层结构是产品 / 系统能力结构，不是工程模块树。

后续产品定义文档可以进一步承接用户补充产品定义稿中的六层结构，但必须保持一个约束：能力结构服务用户认知任务，不反过来把 FinClaw 拉成横向金融行业 Skills 仓库或泛金融执行框架。

在产品定义中，以上能力应进一步收束为三层关系：

  1. 金融技能层：提供可复用、可治理、可评估的金融认知原子能力，但不直接构成用户价值。
  2. 金融认知顾问层：围绕具体金融认知任务组合技能，形成有职责边界、方法偏向、证据约束和可分歧表达的专业认知视角。
  3. 金融 Claw 产品层：面向用户承载问题进入、意图澄清、认知编排、顾问协作、证据检查、个性化、线程维护、输出呈现和执行前边界。

三层关系的推导顺序必须从用户认知状态开始，而不是从技能或顾问库存开始。FinClaw 的产品能力不以金融技能数量或金融认知顾问数量定义，而以它们能否帮助用户形成、维护、修正和复盘金融认知状态定义。

6.1 用户画像与敏感信息边界​

第一版需要轻量、渐进、可修正的用户画像，但不应做重型开户式 onboarding。画像应服务金融认知质量，而不是替代证据、风险和反方挑战。

可进入第一版画像的内容包括：关注市场、关注资产 / 主题、风险偏好、研究风格、输出深度、常用语言和偏好渠道。这些信息可通过显式设置、场景内渐进获得和行为派生获得。

第一版不应主动索取真实身份、账户信息、持仓明细、资金规模、收入 / 资产水平、交易权限、私钥 / 钱包敏感信息、复杂投资适当性问卷或机构合规流程字段。

如果用户主动提供上述信息，处理规则是：

信息类型处理规则
真实身份、收入 / 资产水平默认不需要；不进入训练资产；仅在当前对话必要时临时使用，并提示用户无需提供。
持仓明细、资金规模、风险偏好可作为用户自述的金融认知上下文临时使用；保存到画像或线程前必须单独确认。
账户信息、交易权限、机构合规流程字段默认不进入 FinClaw 主流程；涉及执行或合规系统时应提示当前认知产品不处理。
私钥、助记词、钱包恢复短语、登录凭证、交易所密钥一律拒收、屏蔽、不得保存、不得训练、不得回显；应提示用户更换或轮换相关凭证。

稳定规则是：FinClaw 可以临时理解用户主动提供的非凭证类金融上下文，但默认不保存；保存到画像、线程或长期记忆前必须确认。凭证、私钥、账户权限类信息一律拒收、屏蔽、不得保存、不得训练。

7. 与生态对象的接口​

7.1 与 Data Horizon / 数据视界​

Data Horizon / 数据视界 是金融信息感知系统，负责上游信息输入、组织和结构化。

FinClaw 后续应接收其输出的信息对象、上下文包、来源质量信息和时间上下文。

第一阶段不以 Data Horizon / 数据视界 完整输入为硬依赖。若先使用第三方信息源、公开信息或用户输入，必须明确来源、时效、可信度和信息缺口。

7.2 与 AI Trading Matrix​

AI Trading Matrix 是交易执行层，负责授权、风控、审计和真实执行链路相关能力。

FinClaw 可以向其转交认知产物、策略假设、风险约束和执行前认知检查点。

FinClaw 不直接发送订单、调仓、资金或链上交易行为。任何触及账户、订单、资金、合约、私钥或自动执行的能力，都必须离开 FinClaw 的认知边界，进入明确授权和治理的执行链路。

7.3 与 Reinforcement Learning Engine​

FinClaw 可将用户反馈、输出质量、认知修订、失败案例、研究过程和后续结果沉淀为可学习资产。

第一阶段不应为空转式学习愿景提前建设复杂反馈基础设施，但应保留轻量认知轨迹、来源记录和用户反馈入口。

7.4 与 Financial Expert Foundation Model​

FinClaw 可把稳定的金融任务、认知对象、评估样本和领域输出要求沉淀为金融领域模型能力。

Financial Expert Foundation Model 成熟后可反哺 FinClaw 的理解、推理和结构化输出。

但模型能力不能替代产品闭环，也不能用模型权威感掩盖金融不确定性和责任边界。

自有金融专家模型应被视为成熟态的重要能力结果，而不是第一阶段的前置条件。第一阶段的重点不是立即训练大模型，而是把真实用户场景、金融认知任务、结构化输出、失败案例、用户反馈和评测结果沉淀为可治理、可评测、可授权的训练资产。

FinClaw 初期最有价值的数据不是普通聊天记录，而是：

  • 用户真实金融问题和关注对象；
  • 市场认知快照与市场认知线程；
  • 证据项、数据质量说明、来源使用情况；
  • 金融认知顾问分歧、反方挑战和修正过程；
  • 用户追问、保存、否定、采纳和复盘行为；
  • 事后结果、认知偏差和失败案例。

这些数据可优先服务后训练、偏好优化、失败案例学习、评测驱动改进和专家风格校准；待产品对象、授权边界和评测体系稳定后，再进入领域继续训练或更大规模专家模型建设。

任何训练使用都必须先经过数据治理：用户授权、匿名化 / 去标识化、敏感信息过滤、个人域数据与可聚合学习数据分离、产品记忆与训练数据分离、可退出训练使用、可删除或隔离用户数据。

成熟态可以让自有金融专家模型成为平台认证模型体系中的核心默认模型，但仍应保留外部强模型、用户自带模型和专属模型作为对照、补充、冗余或合规选项。

7.5 模型策略​

FinClaw 不应把模型选择暴露为第一版主体验。用户购买或使用的核心不是某个模型调用权，而是稳定、可复查、证据有界的金融认知质量。

第一版应采用平台认证模型作为核心认知任务的默认能力底座。平台可以保留用户自带模型或第三方模型接入能力，但必须受控：需要能力分层、任务白名单、输出质量标注、降级提示和成本 / 责任边界说明。

因此，模型策略的战略口径是：

平台定义模型策略，不做模型垄断；用户可以接入模型，但不能绕过 FinClaw 的质量分层、任务路由和输出标注。

模型自由度服务成本、隐私、地区、合规和偏好，不应反向破坏 FinClaw 的认知质量契约。

7.6 商业模式策略​

第一阶段需要考虑商业模式，但不应过早固化价格表、套餐层级或复杂收费规则。

商业模式讨论的目标是建立原则和候选收费点，而不是立即执行全球化定价。原因是 FinClaw 的成本和价值都已经与平台认证模型、深度研究、市场认知线程、外部渠道触达、报告输出和自带模型边界绑定；如果完全后置，商业模式会反过来破坏产品结构。

当前商业口径应是：

收费对象不是模型调用次数，而是金融认知服务价值。

候选收费点包括：正式市场认知快照、市场认知线程长期维护、深度研究、风险与反方挑战、正式报告、策略假设、执行前认知检查点、高频刷新、外部渠道通知、隐私优先模式和自带模型平台服务费。

冷启动阶段可采用邀请码 + 免费试用。这既是增长机制，也是质量控制机制，用于控制早期用户质量、问题质量、反馈密度和失败案例复盘节奏。

不同群体、语种、国家区域和渠道差异应作为商业变量记录，但第一阶段不应过早拆成复杂多地区、多套餐、多渠道商业体系。

8. 第一阶段战略切片​

第一阶段不是生态完整态本身，但也不应被压缩为最小可行验证。它应尽量接近 FinClaw 在金融认知节点中的第一版完整产品形态。

当前第一阶段应优先证明：

FinClaw 能作为独立金融认知产品，帮助有真实金融关注对象、会持续观察市场、但缺少稳定认知体系的个人金融参与者，把过载金融信息转化为证据有界、可复查、可更新、可持续维护的金融认知结构。

当前建议的第一阶段切片：

  • 目标用户：有真实金融关注对象、会持续观察市场、但缺少稳定认知体系的个人金融参与者；
  • 首发市场：加密货币市场认知；
  • 锚点交付物：Market Cognition Snapshot（市场认知快照）；
  • 连续性对象：Market Cognition Thread；
  • 输出质量底线：Evidence-Bounded Cognition Output；
  • 候选策略层场景：Strategy Hypothesis / Pre-Execution Cognition。

第一版主场景不是覆盖所有金融问题，而是围绕个人用户真实关注对象形成闭环：

理解当前状态 -> 建立持续线程 -> 挑战主判断 -> 形成执行前认知边界。

对应主路径包括：市场认知快照、市场认知线程、风险与反方挑战、策略假设 / 执行前认知检查点。新闻 / 事件解读、宏观 / 板块背景、机会发现、每日 / 每周刷新和报告 / 简报可以进入辅助路径，但必须服务主对象和主路径。全市场扫描器、自动交易信号发现、组合优化、回测系统、机构级投研流程、大规模技能市场和多人协作审计流应后置。

第一版成立的战略验收口径不是证明概念可行，也不是交付一个最小功能 MVP，而是尽量接近可开放给个人用户、可商业化运营的金融认知产品版本。它必须证明可信金融认知产品闭环成立：用户能独立发起金融认知任务，获得可保存、可复盘、可追踪的结构化认知对象，围绕同一资产、主题、事件链或开放问题持续跟踪，并在不知道内部 Agent、Skill、Prompt、YAML、模型链路或编排机制的情况下，理解证据、假设、风险、不确定性和执行边界。

第一阶段产品定义和 MVP 定义应从本战略完整态下推，不能反向把 FinClaw 的长期形态收窄为单次报告生成器、加密行情助手或执行前插件。

9. 当前待决战略问题​

  1. 四层能力结构应作为战略层正式结构，还是在产品定义文档中展开为六层能力结构。
  2. Market Cognition Thread 在 MVP 中的最小形态是什么。
  3. 第一阶段 Fin Skills 的开放分发边界、schema 和版本治理如何定义。
  4. 与 Data Horizon / 数据视界 和 AI Trading Matrix 的协同边界应在产品定义中记录到什么抽象层级，具体系统对接设计何时转交项目落地环节。

10. 下推关系​

本文档确认后，下游文档应按以下顺序形成：

  1. FinClaw 产品定义文档 承接本文档，定义目标用户、产品对象、场景体系、能力结构、价值验证和非目标。

  2. FinClaw MVP 产品定义文档 从产品定义文档中选择第一阶段要落盘验证的用户、场景、交付物、能力范围、验收标准和风险边界。

  3. 产品对象与协同边界 产品定义、MVP 定义和第一版设计支撑文档已经收束 Market Cognition Snapshot（市场认知快照）、Market Cognition Thread（市场认知线程）、Cognition-Stage Strategy Output（认知阶段策略输出）、Pre-Execution Checkpoint（执行前认知检查点）和 Financial Cognition Advisor（金融认知顾问）。后续应把这些对象下推为 PRD、schema、UI 状态、评测字段和必要 sync packet / escalation packet；具体系统对接设计不在本仓库提前产出。

当前已形成下游正式文档：

原 project-anchor.md、inherited-context.md、CONTEXT.md 和 current-state.md 中的稳定内容已收束到本文档、product-definition.md 和 mvp-product-definition.md，不再作为正式入口。

11. 当前吸收判断​

已吸收为战略口径：

  • FinClaw 是独立金融认知产品 / 系统；
  • FinClaw 位于金融链路中的认知环节；
  • FinClaw 不应被压缩为 Data Horizon / 数据视界 的下游摘要模块，也不应成为 AI Trading Matrix 的执行前插件；
  • Financial Cognition Operating System 可作为 FinClaw 战略完整态的内部 / 战略本体表达，但不作为第一阶段对外产品承诺；
  • 第一阶段应证明独立认知产品闭环；
  • MVP 是完整态下的阶段性切片，不反向限制战略完整态；
  • 真实执行边界以是否触发交易、账户、资金、链上或执行系统为准。

暂作为候选继续审查：

  • 六层能力结构；
  • 多渠道入口、router、heartbeat、主动提醒和认知刷新调度在第一阶段的优先级；
  • Pre-Execution Checkpoint 与 Cognition Signal Candidate 的正式字段、验收标准和与 AI Trading Matrix 的交接条件。

不直接继承：

  • 把 FinClaw 表达为无约束的判断到执行桥接层；
  • 把策略建议直接写成执行指令；
  • 把 Decision Learning Engine 直接替换当前 Reinforcement Learning Engine 命名；
  • 把来源 V0.1 白皮书、产品定义参考稿或 MVP 参考稿作为最终约束。

Changelog / 演化记录​

本节收纳原置于文首的元数据与过程叙事（reader-surface-cleanup-sop.md：重排不删）。

Pattern provenance（注释块）​

Former document-head fields​

本文档吸收 FinClaw（暂定名）战略白皮书 V0.1、参考分析和产品定义补充中的稳定判断，并以当前治理仓库口径重新表达。

本文档不是原始 V0.1 白皮书的搬运版本。任何来自来源材料的内容，只有在本文档中被改写、校准并纳入当前生态边界后，才可作为当前项目战略口径继续下推。

2026-05-15 更新说明：本文档已吸收 2026-05-12 至 2026-05-13 围绕 FinClaw 认知链路定位、产品对象、第一版主场景、交互形态、模型边界、商业化边界、金融认知顾问体系、风险责任表达和第一版验收标准的收束结论。第一版对象和顾问层设计支撑见 design/foundation/product-object-and-advisor-design.md，术语命名以 design/foundation/terminology-and-object-naming.md 为准。