Agent 与自动化01
Zhonghui-li/sec-filing-agent · Finance-grade tool-calling agent over SEC filings for any US public company: exact XBRL numbers (never LLM arithmetic), every claim cited, abstains instead of fabricating. Validated on FinanceBench (44%→87% coverage, near-zero hallucination) with a 3-layer eval and a domain judge calibrated to human labels (κ=0.76). LangGraph + pgvector.
Vouch 是一个面向美国上市公司 SEC 财报的金融级工具调用 Agent：数值一律来自 XBRL 结构化数据（不让 LLM 做财务算术），叙述性内容通过 pgvector 稠密检索并附 EDGAR 引用，输出护栏会拦截无法追溯到来源的数字，无法回答时以结构化方式弃答而非编造。项目还提供三层评测（确定性 CI 门禁、经人工标注校准的领域评审、FinanceBench 外部基准）、红队测试与可复现的审计回放，并支持上传自有文档以表格单元格级引用作答，同时通过 MCP 暴露同一套工具。
Agent 与自动化02
Mahaveersonii/finsight-crew · Multi-agent CrewAI system for autonomous financial research and algo paper-trading: local Ollama LLM, RAG over SEC 10-K filings, risk engine, Streamlit + Grafana (AAIBA PGDM-BDA group project)
FinSight Crew 是一个基于 CrewAI 的三智能体系统，面向美股与印度股市，从实时行情和公司 SEC 10-K 财报（RAG 检索）出发，进行 DCF 与相对估值分析，并生成带风险管理的模拟交易信号，按调度器持续运行。全部运行在免费层：Groq 大模型、本地 Ollama 嵌入、ChromaDB 向量库、PostgreSQL 状态存储、Streamlit 交易台与 Grafana 监控。项目为课程小组作业（AAIBA PGDM-BDA），仅做模拟交易，不构成投资建议。系统包含市场数据提取、财务分析、投资组合经理三类智能体，v2 新增财报变化分析师，并通过护栏、事实校验与确定性风险引擎约束模型输出，LLM 不负责算术。
知识库与 RAG03
NamTV2712/Enterprise-Document-QA- · FilingScope — evidence-grounded SEC filing research with hybrid RAG, durable Agents, FastAPI, Qdrant, React and Groq.
FilingScope 是一个面向 SEC 10-K 财报文件的研究系统，提供 Quick Research 与 Deep Research 两种模式：前者流式输出带引用的答案，后者由单个有界 AI Agent 以持久化进度、证据、结果与取消机制完成研究目标。其混合 RAG 管线组合 BM25、Qdrant 语义向量检索、RRF 融合、交叉编码器重排与循证生成，技术栈包括 Python、FastAPI/SSE、React/TypeScript、SQLite、Docker 与 Groq。README 给出了受控开发基准、性能记录、校验门禁与已知局限，并声明证据可检视但正确性不作保证。