[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-hananedupouy--LLMs-in-Finance":3,"tool-hananedupouy--LLMs-in-Finance":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":95,"forks":96,"last_commit_at":97,"license":98,"difficulty_score":23,"env_os":99,"env_gpu":100,"env_ram":100,"env_deps":101,"category_tags":113,"github_topics":79,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":114,"updated_at":115,"faqs":116,"releases":117},1439,"hananedupouy\u002FLLMs-in-Finance","LLMs-in-Finance","LLMs in Finance - Generative AI - AI Agents ","LLMs-in-Finance 是一个专注于将生成式 AI 应用于真实金融场景的开源项目。它通过提供丰富的 Jupyter Notebook 实战代码，帮助开发者探索如何利用 AI 智能体（AI Agents）、检索增强生成（RAG）以及多模态大模型来优化金融工作流。\n\n在金融领域，处理海量财报、分析复杂市场图表以及构建自动化交易策略往往耗时且容易出错。LLMs-in-Finance 旨在解决这些痛点，展示了如何搭建多智能体协作系统来自动审查策略、从新闻中提取情绪并生成交易建议，或是让 AI 精准解读财报中的图表数据。项目涵盖了从数据获取、分析到策略执行与反思的全流程案例。\n\n该项目非常适合金融科技开发者、量化研究员以及对 AI 落地应用感兴趣的技术人员。其独特亮点在于全面集成了当前主流的前沿框架，包括 OpenAI Agents SDK、AutoGen、LlamaIndex、CrewAI 以及 Anthropic 等，并提供了针对财报解析、提示词缓存优化及系统评估的具体实现方案。无论是想构建多智能体市场分析系统，还是尝试用多模态模型处理金融图表，这里都能提供即拿即用的代码参考与技术指","LLMs-in-Finance 是一个专注于将生成式 AI 应用于真实金融场景的开源项目。它通过提供丰富的 Jupyter Notebook 实战代码，帮助开发者探索如何利用 AI 智能体（AI Agents）、检索增强生成（RAG）以及多模态大模型来优化金融工作流。\n\n在金融领域，处理海量财报、分析复杂市场图表以及构建自动化交易策略往往耗时且容易出错。LLMs-in-Finance 旨在解决这些痛点，展示了如何搭建多智能体协作系统来自动审查策略、从新闻中提取情绪并生成交易建议，或是让 AI 精准解读财报中的图表数据。项目涵盖了从数据获取、分析到策略执行与反思的全流程案例。\n\n该项目非常适合金融科技开发者、量化研究员以及对 AI 落地应用感兴趣的技术人员。其独特亮点在于全面集成了当前主流的前沿框架，包括 OpenAI Agents SDK、AutoGen、LlamaIndex、CrewAI 以及 Anthropic 等，并提供了针对财报解析、提示词缓存优化及系统评估的具体实现方案。无论是想构建多智能体市场分析系统，还是尝试用多模态模型处理金融图表，这里都能提供即拿即用的代码参考与技术指引，是连接最新 AI 技术与金融实践的桥梁。","# 🌟 LLMs-in-Finance\n**Exploring how to apply GenAI to real-world financial workflows with AI Agents, RAG, and Multimodal LLMs**\n\nWelcome to the **LLMs-in-Finance** repository!  \nHere, you'll find hands-on **Jupyter notebooks** demonstrating how to apply the latest Generative AI tools—like **OpenAI's Agents SDK**, **Anthropic's Claude**, **AutoGen**, **LlamaIndex**, and **CrewAI**—to practical finance use cases.\n\n🚀 Whether you're building a multi-agent system to analyze markets, applying RAG to earnings reports, or testing multimodal models on financial charts—this repo is for you!\n\nIf you find this work helpful, **please consider giving the repository a ⭐️** to support and help others discover it!\n\n---\n\n## 🔍 What's Inside?\n\nThis repo is structured into the following key areas:\n\n- **[AI Agents in Finance](#ai-agents-in-finance)** — Use frameworks like AutoGen, LlamaIndex, and CrewAI to create collaborative agents for financial analysis.\n- **[RAG](#rag)** — Learn to retrieve, parse, and analyze financial documents using Retrieval-Augmented Generation techniques.\n- **[Multimodals](#multimodals)** — Test how well models like GPT-4o and Claude Sonnet 3.5 interpret charts in earnings reports.\n- **[Papers in Finance](#papers-in-finance)** — A curated summary of research papers on GenAI in financial applications.\n\nLet’s dive in!\n\n## [AI Agents in Finance](https:\u002F\u002Fgithub.com\u002Fhananedupouy\u002FLLMs-in-Finance\u002Ftree\u002Fmain\u002FAgents)\n\n![Agentic Workflows - Frameworks](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhananedupouy_LLMs-in-Finance_readme_2c30e15de8b3.png)\n\nBelow are some examples included in this repository:\n\n\n### [OpenAI Agents SDK](https:\u002F\u002Fgithub.com\u002Fhananedupouy\u002FLLMs-in-Finance\u002Ftree\u002Fmain\u002FAgents\u002FOpenAI)\n*   Autonomous Strategy Code Review Using AI Agents and LLM-as-a-Judge:\n*   Implement Financial News Bot using Evaluator-Optimizer Multi-Agent System (LLM-as-a-Judge) \n\n\n### [AutoGen](https:\u002F\u002Fgithub.com\u002Fhananedupouy\u002FLLMs-in-Finance\u002Ftree\u002Fmain\u002FAgents\u002FAutoGen)\n\n*   Learn How to Configure an AutoGen Financial AI Agent!\n*Use Case: Fetch and Analyze Data & Develop a Momentum Trading Strategy*\n\n*   How to Leverage the AutoGen Framework for Collaborative Task Management\n*Use Case: Optimizing a Momentum Trading Strategy*\n\n\n### [LlamaIndex](https:\u002F\u002Fgithub.com\u002Fhananedupouy\u002FLLMs-in-Finance\u002Ftree\u002Fmain\u002FAgents\u002FllamaIndex)\n*   How to Get insightful information about a Stock performance in one click with code interpreter agent using LlamaIndex and Anthropic   \n*   Looking for a simple way to integrate AI Agents into your financial analysis?\n*   Introspective_Agent_Worker_LLamaIndex_Financial_Tasks\n*   Learn how to build your own Multi-Agent Fundamental Analysis Workflow with LlamaIndex\n\n\n### [CrewAI](https:\u002F\u002Fgithub.com\u002Fhananedupouy\u002FLLMs-in-Finance\u002Ftree\u002Fmain\u002FAgents\u002FCrewAI)\n\nMulti-Agent collaboration using CrewAI to:\n*   Provide insights of Apple' trend analysis, \n*   Extract sentiment analysis from news article, and \n*   Propose trading strategies based on these insights.\n\n\n### [LangGraph](https:\u002F\u002Fgithub.com\u002Fhananedupouy\u002FLLMs-in-Finance\u002Ftree\u002Fmain\u002FAgents\u002FLangChain)\n\n*   AI-Agent For Trading Strategy Implementation: From Concept to Execution and Reflection\n\n\n### [Anthropic](https:\u002F\u002Fgithub.com\u002Fhananedupouy\u002FLLMs-in-Finance\u002Ftree\u002Fmain\u002FAgents\u002FAnthropic)\n\n*   How Can You Build a Financial Agentic System Using Anthropic, LlamaIndex, and APIs?\n\n\n## [RAG](https:\u002F\u002Fgithub.com\u002Fhananedupouy\u002FLLMs-in-Finance\u002Ftree\u002Fmain\u002FRAG)\n\nIn this part, I provide several examples with various providers\u002Flibraries on how to parse complex financial reports: LlamaIndex, Anthropic, OpenAI, aisuite.\n\nSome interesting notebooks to look at:\n*   [Financial Report Analysis with LlamaParse AutoMode](RAG\u002Fllamaindex\u002FFinancial_Report_Analysis_with_LlamaParse_AutoMode.ipynb)\n*   [Prompt Caching With Anthropic](https:\u002F\u002Fgithub.com\u002Fhananedupouy\u002FLLMs-in-Finance\u002Fblob\u002Fmain\u002FRAG\u002FAnthropic\u002FAnthropic_Prompt_Caching.ipynb)\n\nI've also inlcluded an example on how to **evaluate** your RAG system with DeepEval, GiskarAI.\nhttps:\u002F\u002Fgithub.com\u002Fhananedupouy\u002FLLMs-in-Finance\u002Ftree\u002Fmain\u002FRAG\u002Fevaluation\n\n\n## [Multimodals](https:\u002F\u002Fgithub.com\u002Fhananedupouy\u002FLLMs-in-Finance\u002Ftree\u002Fmain\u002FMultimodal_llms\u002Ffinancial_analysis)\n\nYou'll find in this repo several examples showcasing the use of various multimodal LLMs such Claude sonnet 3.5, GPT-4o and recently released o1 Reasoning model. The goal is to evaluate how effectively they interpret complex charts found in financial reports.\n\n\n## [Papers in Finance](https:\u002F\u002Fgithub.com\u002Fhananedupouy\u002FLLMs-in-Finance\u002Ftree\u002Fmain\u002FPapers)\n\nI provide here a brief description of several papers discussing the application of GenAI in finance.\n\n## Others\nYou can also find other examples related to synthetic data.\n\n# Disclaimer\nThis project is intended solely for educational and research purposes. \n\n* It is not designed for real trading or investment use.\n* No warranties or guarantees are provided.\n* The creator bears no responsibility for any financial losses.\n\nBy using this software, you acknowledge and agree that it is for learning purposes only.","# 🌟 金融领域的大型语言模型\n**探索如何将生成式人工智能应用于现实世界的金融工作流程，借助AI代理、RAG以及多模态大语言模型**\n\n欢迎来到 **LLMs-in-Finance** 仓库！在这里，您将找到一系列动手实践的 **Jupyter 笔记本**，展示如何将最新的生成式人工智能工具——例如 **OpenAI 的 Agents SDK**、**Anthropic 的 Claude**、**AutoGen**、**LlamaIndex** 和 **CrewAI**——应用到实际的金融场景中。\n\n🚀 无论您是想构建一个多智能体系统来分析市场，还是将 RAG 技术应用于财报分析，亦或是测试多模态模型在金融图表上的表现——这个仓库都为您而设！\n\n如果您觉得这些内容对您有所帮助，请务必为该仓库点个 ⭐️，以支持并帮助更多人发现它的价值！\n\n---\n\n## 🔍 仓库内容概览\n\n本仓库按以下主要模块进行组织：\n\n- **[金融领域的 AI 代理](#ai-agents-in-finance)** — 使用 AutoGen、LlamaIndex 和 CrewAI 等框架，打造用于金融分析的协作型代理。\n- **[RAG](#rag)** — 学习如何利用检索增强生成技术，从金融文档中提取、解析并进行分析。\n- **[多模态模型](#multimodals)** — 测试 GPT-4o 和 Claude Sonnet 3.5 等模型在解读财报图表方面的表现。\n- **[金融领域论文](#papers-in-finance)** — 汇总整理了多篇关于生成式人工智能在金融领域应用的研究论文。\n\n让我们一起深入探索吧！\n\n## [金融领域的 AI 代理](https:\u002F\u002Fgithub.com\u002Fhananedupouy\u002FLLMs-in-Finance\u002Ftree\u002Fmain\u002FAgents)\n\n![代理工作流——各类框架](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhananedupouy_LLMs-in-Finance_readme_2c30e15de8b3.png)\n\n以下是本仓库中包含的一些示例：\n\n### [OpenAI Agents SDK](https:\u002F\u002Fgithub.com\u002Fhananedupouy\u002FLLMs-in-Finance\u002Ftree\u002Fmain\u002FAgents\u002FOpenAI)\n*   基于 AI 代理与大语言模型作为裁判的自主策略代码评审：\n*   利用评估器-优化器多智能体系统（大语言模型作为裁判）实现金融新闻机器人\n\n\n### [AutoGen](https:\u002F\u002Fgithub.com\u002Fhananedupouy\u002FLLMs-in-Finance\u002Ftree\u002Fmain\u002FAgents\u002FAutoGen)\n\n*   学习如何配置一个 AutoGen 金融 AI 代理！\n*   应用案例：抓取并分析数据，制定动量交易策略*\n\n*   如何利用 AutoGen 框架实现协作式任务管理\n*   应用案例：优化动量交易策略*\n\n\n### [LlamaIndex](https:\u002F\u002Fgithub.com\u002Fhananedupouy\u002FLLMs-in-Finance\u002Ftree\u002Fmain\u002FAgents\u002FllamaIndex)\n*   如何通过代码解释器代理，借助 LlamaIndex 和 Anthropic，一键获取股票业绩的深度洞察\n*   正在寻找一种简单的方式，将 AI 代理融入您的金融分析流程吗？\n*   Introspective_Agent_Worker_LLamaIndex_Financial_Tasks\n*   学习如何使用 LlamaIndex 构建属于自己的多智能体基本面分析工作流\n\n\n### [CrewAI](https:\u002F\u002Fgithub.com\u002Fhananedupouy\u002FLLMs-in-Finance\u002Ftree\u002Fmain\u002FAgents\u002FCrewAI)\n\n利用 CrewAI 进行多智能体协作，实现以下功能：\n*   提供苹果公司趋势分析的洞见，\n*   从新闻文章中提取情感分析结果，\n*   根据这些洞见提出交易策略。\n\n### [LangGraph](https:\u002F\u002Fgithub.com\u002Fhananedupouy\u002FLLMs-in-Finance\u002Ftree\u002Fmain\u002FAgents\u002FLangChain)\n\n*   用于交易策略实施的 AI 代理：从概念到执行，再到反思\n\n### [Anthropic](https:\u002F\u002Fgithub.com\u002Fhananedupouy\u002FLLMs-in-Finance\u002Ftree\u002Fmain\u002FAgents\u002FAnthropic)\n\n*   如何利用 Anthropic、LlamaIndex 以及各种 API 构建金融代理系统？\n\n---\n\n## [RAG](https:\u002F\u002Fgithub.com\u002Fhananedupouy\u002FLLMs-in-Finance\u002Ftree\u002Fmain\u002FRAG)\n\n在这一部分，我提供了多个示例，涵盖了多种提供商和库，介绍如何解析复杂的金融报告：LlamaIndex、Anthropic、OpenAI、Aisuite。\n\n以下是一些值得一看的有趣笔记本：\n*   [使用 LlamaParse 自动模式进行财务报告分析](RAG\u002Fllamaindex\u002FFinancial_Report_Analysis_with_LlamaParse_AutoMode.ipynb)\n*   [使用 Anthropic 实现提示缓存](https:\u002F\u002Fgithub.com\u002Fhananedupouy\u002FLLMs-in-Finance\u002Fblob\u002Fmain\u002FRAG\u002FAnthropic\u002FAnthropic_Prompt_Caching.ipynb)\n\n此外，我还附上了一个示例，介绍如何使用 DeepEval 和 GiskarAI 对您的 RAG 系统进行 **评估**。\nhttps:\u002F\u002Fgithub.com\u002Fhananedupouy\u002FLLMs-in-Finance\u002Ftree\u002Fmain\u002FRAG\u002Fevaluation\n\n---\n\n## [多模态模型](https:\u002F\u002Fgithub.com\u002Fhananedupouy\u002FLLMs-in-Finance\u002Ftree\u002Fmain\u002FMultimodal_llms\u002Ffinancial_analysis)\n\n在本仓库中，您将看到多个示例，展示了如何运用各类多模态大语言模型，如 Claude Sonnet 3.5、GPT-4o，以及最近发布的 o1 推理模型。我们的目标是评估这些模型在解读金融报告中复杂图表时的表现。\n\n## [金融领域论文](https:\u002F\u002Fgithub.com\u002Fhananedupouy\u002FLLMs-in-Finance\u002Ftree\u002Fmain\u002FPapers)\n\n这里为您呈现了几篇探讨生成式人工智能在金融领域应用的论文的简要介绍。\n\n## 其他资源\n您还可以找到更多与合成数据相关的示例。\n\n# 免责声明\n本项目仅用于教育与研究目的。\n\n* 本项目不适用于真实交易或投资用途。\n* 本项目不提供任何保证或担保。\n* 作者对任何因使用本软件而造成的财务损失不承担任何责任。\n\n使用本软件即表示您确认并同意，其仅用于学习目的。","# LLMs-in-Finance 快速上手指南\n\n本指南旨在帮助中国开发者快速上手 **LLMs-in-Finance** 项目，利用生成式 AI（GenAI）、智能体（Agents）、检索增强生成（RAG）及多模态模型解决金融领域的实际问题。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows (推荐 WSL2)。\n*   **Python 版本**：Python 3.9 或更高版本。\n*   **包管理工具**：pip 或 conda。\n*   **API 密钥**：根据您想使用的模型，需提前准备以下至少一个 API Key：\n    *   OpenAI API Key (用于 GPT-4o, o1, Agents SDK)\n    *   Anthropic API Key (用于 Claude Sonnet 3.5)\n    *   其他相关服务密钥 (如 LlamaIndex Cloud, CrewAI 等，视具体 Notebook 需求而定)\n*   **依赖库**：项目主要依赖 `jupyter`, `openai`, `anthropic`, `autogen`, `llama-index`, `crewai` 等主流 AI 框架。\n\n> **提示**：国内开发者若遇到网络连接问题，建议在运行 pip 安装时配置国内镜像源（如清华源或阿里源）。\n\n## 安装步骤\n\n1.  **克隆仓库**\n    将项目代码下载到本地：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fhananedupouy\u002FLLMs-in-Finance.git\n    cd LLMs-in-Finance\n    ```\n\n2.  **创建虚拟环境**\n    推荐使用 conda 或 venv 隔离环境：\n    ```bash\n    python -m venv venv\n    # Windows\n    venv\\Scripts\\activate\n    # macOS\u002FLinux\n    source venv\u002Fbin\u002Factivate\n    ```\n\n3.  **安装依赖**\n    由于该项目包含多个子模块（Agents, RAG, Multimodal），建议先安装基础通用依赖，再根据具体运行的 Notebook 按需安装特定库。\n    \n    *基础安装：*\n    ```bash\n    pip install jupyterlab pandas matplotlib\n    ```\n\n    *按需安装特定框架（示例）：*\n    ```bash\n    # 若使用 AutoGen\n    pip install pyautogen\n\n    # 若使用 LlamaIndex\n    pip install llama-index llama-index-llms-anthropic llama-index-parsers-llama-parse\n\n    # 若使用 CrewAI\n    pip install crewai crewai-tools\n\n    # 若使用 OpenAI Agents SDK\n    pip install openai-agents\n    ```\n\n    > **加速建议**：国内用户可使用清华镜像源加速安装：\n    > `pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n    > *(注：若根目录无 requirements.txt，请参照上述命令按需安装)*\n\n4.  **配置 API 密钥**\n    在运行任何 Notebook 之前，请在终端设置环境变量或在代码中配置您的 API Key：\n    ```bash\n    export OPENAI_API_KEY=\"your-openai-key\"\n    export ANTHROPIC_API_KEY=\"your-anthropic-key\"\n    ```\n    *(Windows PowerShell 使用 `$env:OPENAI_API_KEY=\"your-key\"`)*\n\n## 基本使用\n\n本项目核心内容由一系列 **Jupyter Notebooks** 组成，覆盖了从智能体协作到财报分析的各种场景。\n\n### 1. 启动 Jupyter Lab\n进入项目根目录并启动服务：\n```bash\njupyter lab\n```\n\n### 2. 选择示例场景\n在浏览器打开的界面中，导航至对应的文件夹运行示例：\n\n*   **构建金融智能体 (AI Agents)**\n    *   路径：`Agents\u002F`\n    *   **示例**：打开 `Agents\u002FAutoGen\u002F` 下的笔记本，体验如何配置 AutoGen 智能体来获取市场数据并制定动量交易策略；或在 `Agents\u002FCrewAI\u002F` 中查看多智能体如何协作分析苹果公司的趋势并提取新闻情感。\n    \n*   **财报文档分析 (RAG)**\n    *   路径：`RAG\u002F`\n    *   **示例**：运行 `RAG\u002Fllamaindex\u002FFinancial_Report_Analysis_with_LlamaParse_AutoMode.ipynb`，学习如何使用 LlamaParse 解析复杂的金融报表并进行检索增强生成分析。\n\n*   **多模态图表解读 (Multimodals)**\n    *   路径：`Multimodal_llms\u002Ffinancial_analysis\u002F`\n    *   **示例**：运行相关笔记本，测试 GPT-4o 或 Claude Sonnet 3.5 如何理解财报中的复杂图表。\n\n### 3. 运行代码\n打开任意 `.ipynb` 文件，按照单元格顺序依次执行。确保已正确设置 API 密钥，代码将自动调用相应的 LLM 服务完成金融分析任务。\n\n---\n**⚠️ 免责声明**：本项目仅供教育和研究用途，**不**适用于真实的交易或投资决策。作者不对任何因使用本软件造成的财务损失承担责任。","某对冲基金量化团队需要快速从海量财报和新闻中提取信号，以构建并优化动量交易策略。\n\n### 没有 LLMs-in-Finance 时\n- **数据孤岛严重**：分析师需手动下载 PDF 财报、清洗 Excel 数据并阅读新闻，耗时数天才能完成一家公司的基本面分析。\n- **策略迭代缓慢**：开发动量策略时，代码编写、回测与逻辑验证由单人串行完成，难以快速响应市场变化。\n- **图表洞察缺失**：传统 NLP 模型无法理解财报中的复杂趋势图，关键视觉信息常被忽略，导致判断片面。\n- **协作成本高昂**：不同角色的专家（如研究员、程序员）缺乏统一的多智能体协作框架，沟通误差大且效率低。\n\n### 使用 LLMs-in-Finance 后\n- **自动化文档解析**：利用内置的 RAG 模块（如 LlamaParse）一键解析复杂财报，自动提取关键财务指标并结构化存储。\n- **多智能体协同作战**：基于 AutoGen 或 CrewAI 搭建协作流，让“数据获取”、“策略编码”与“评估优化”智能体并行工作，将策略开发周期从周缩短至小时。\n- **多模态深度解读**：调用 GPT-4o 或 Claude Sonnet 直接分析财报中的 K 线图和柱状图，精准捕捉视觉层面的市场情绪与趋势。\n- **闭环自我进化**：通过\"LLM-as-a-Judge\"机制自动审查策略代码并反思执行结果，实现从概念到执行的自动化迭代与纠错。\n\nLLMs-in-Finance 将分散的金融分析任务转化为高效的多智能体自动化流水线，显著提升了投资决策的速度与深度。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhananedupouy_LLMs-in-Finance_f54c4e0a.png","hananedupouy","Hanane DUPOUY","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fhananedupouy_b29620ff.png",null,"https:\u002F\u002Fmachinelearning-basics.com\u002F","https:\u002F\u002Fgithub.com\u002Fhananedupouy",[83,87,91],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",99.9,{"name":88,"color":89,"percentage":90},"Python","#3572A5",0.1,{"name":92,"color":93,"percentage":94},"Starlark","#76d275",0,852,227,"2026-04-04T08:38:51","MIT","","未说明",{"notes":102,"python":100,"dependencies":103},"本项目主要由 Jupyter Notebooks 组成，旨在演示如何使用多种 AI 框架（如 AutoGen, CrewAI, LlamaIndex 等）和模型提供商（OpenAI, Anthropic 等）。由于主要依赖云端 API 调用而非本地部署大模型，README 中未明确列出具体的操作系统、GPU、内存或 Python 版本要求。用户需自行配置能够运行 Jupyter Notebook 的环境，并准备相应服务的 API 密钥。项目仅供教育和研究用途，不适用于实际交易。",[104,105,106,107,108,109,110,111,112],"OpenAI Agents SDK","AutoGen","LlamaIndex","CrewAI","LangGraph","Anthropic SDK","LlamaParse","DeepEval","Giskard AI",[26,13,15,54],"2026-03-27T02:49:30.150509","2026-04-06T07:13:56.608323",[],[]]