极客学院 金融领域大模型实战

金融行业做大模型，和通用场景不是一回事。通用问答可以容忍“差不多”，但一份信贷报告、一段合规审查、一条投研摘要，错一个数字、漏一条监管口径，后果就不只是体验问题。这门课面向的，正是那些已经会用大模型 API、却不知道怎样把它塞进金融业务里的学习者。

先看清缺口在哪

如果你只是调过几次对话接口，写几句“你是一个资深分析师”，那还停留在演示阶段。金融场景真正卡人的地方有三处：一是数据不能随便出域，公开模型的知识里没有你所在机构的内部制度、产品说明书、历史研报；二是答案必须可追溯，客户问“这个结论从哪来”，你得指得出原文条款；三是术语和口径要一致，同一个指标在风控、财务、业务三条线上的叫法可能都不同。

这门课要补的，就是这三处之间的落差。它以 RAG 检索增强生成和 Prompt 提示词工程为主线，把“模型不懂你的业务”这件事拆成可操作的步骤：文档怎么切、向量怎么存、召回结果怎么重排、提示词里如何约束输出格式。不追求把 Transformer 讲透，而是让你能搭出一条跑得通、说得清来源的链路。

配套练习要动手做

光看演示会误以为很简单。建议每学完一块，就用自己手头能拿到的材料做一次最小验证。比如学完文本切分，找一份公开的基金招募说明书，试着按条款和段落两种粒度各切一遍，对比召回效果；学完提示词部分，把同一个问题分别写成开放式提问和带字段约束的提问，看模型输出的稳定性差多少。

配套的章节笔记适合课后复盘，但不要只读不写。更有效的做法是：每完成两三个小节，用自己的话记下“这一步解决了什么、还遗留什么问题”。到综合实战章节时，这些零散记录会拼成一条完整思路。如果时间允许，最后独立复现一遍，从原始文档到可问答的接口，中间哪一步卡住，往往就是你对这块理解最薄弱的地方。

看完应该能回答的问题

• 面对一份几十页的金融制度文件，切分粒度定多大合适，为什么不能一刀切？
• 检索回来的片段和问题相关度不高时，先调检索还是先改提示词？判断依据是什么？
• 怎样让模型在找不到依据时明确说“资料中没有”，而不是编一个看似合理的数字？
• 金融场景对输出格式有哪些硬约束，提示词里怎样把这些约束写清楚？
• 如果要把这套东西交给同事维护，哪些环节最容易出问题，需要提前留好记录？

适合谁、不适合谁

适合已经能跑通大模型基础调用、手上有一定金融文本素材、想往业务落地方向走的人。也适合做数据或产品、需要和算法同事对齐方案边界的人。不适合完全没写过代码、指望靠这门课直接转行算法岗的读者——它讲的是怎么把已有能力用对地方，不是从零训练模型。

学之前先想清楚：你手头有没有一份真实、可用的金融文本？如果没有，先去找一份公开的年报或招募说明书备着。带着材料学，和空手看演示，效果差得很远。