Finer OS — KOL 投资观点结构化与回测系统

中文 · English

把财经 KOL 的内容，变成可回测、可审计的投资事件。

Finer OS 沿 F0–F8 流水线，将任意平台的 KOL 社交媒体内容——聊天记录、图片策略、飞书文档、PDF、音视频转录——统一清洗为标准化内容块，抽取可追溯证据的投资意图，映射为可复核的交易动作，并以完全跟单者视角回测，验证「跟随这个 KOL」的真实收益、风险与稳定性。

🌐 在线演示 · 快速开始 · 核心能力 · 回测证据 · 架构设计 · API 文档

KOL 研究视图 — 评分、累计收益曲线、证据链溯源 · 🌐 在线体验（演示数据）

---

🌐 在线演示

无需注册、不连后端——打开浏览器即可走一遍完整流程，界面与真实产品一致，所有数据均为演示数据。

👉 finer.t800.click

• F0 → F8 流水线走查 — 点任一阶段，看一条内容如何逐层变成可溯源的交易动作
• KOL 研究视图 — 切换 5 个示例 KOL，看评分、累计收益曲线与观点列表
• 证据链溯源 — 点一条 TradeAction，高亮回溯到原文证据片段与四时钟执行时间
• 回测曲线 — 累计收益、夏普、最大回撤、胜率，红涨绿跌
• RLHF 复核 — 模拟人工裁决，生成 RLHFFeedback（演示，不落库）

在线演示工作台 — 纯前端模拟，演示数据，不连接真实后端

---

为什么是 Finer

财经创作者把高信号的投资推理，藏在嘈杂的时间轴里：冗长的聊天记录、图片形式的策略帖、飞书文档、PDF、直播转录、碎片化的盘面点评。一个简单的情绪分类器回答不了真正的问题：

如果有人长期跟随这个 KOL，组合的真实结果会是什么？

Finer OS 就是围绕这个问题构建的。它把非结构化的 KOL 内容转成证据链可追溯的投资意图，把意图映射为可复核的交易动作，再接入时间线分析与回测——每一个结论都能反查到原始出处。

---

一条内容，走完 F0 → F8

每一阶段都有冻结的输入/输出契约。原始内容进来，结构化判断出去，中间产物逐层落盘可供人工复核——不是黑箱。

flowchart LR
    S0[Raw Sources] --> F0[F0 Intake / ContentRecord]
    F0 --> F1[F1 Standardize / ContentEnvelope]
    F1 --> F15[F1.5 Topic Assembly / TopicBlock]
    F15 --> F2[F2 Anchor / Quality + TemporalAnchor + EvidenceSpan]
    F2 --> F3[F3 Intent / NormalizedInvestmentIntent]
    F3 --> F4[F4 Policy / PolicyMappingResult]
    F4 --> F5[F5 Execute / TradeAction]
    F5 --> F6[F6 Review / Human + RLHF]
    F6 --> F7[F7 Timeline / ViewpointState]
    F7 --> F8[F8 Backtest / KOL Evaluation]
    F8 -.-> FT[F+ Training Loop / SFT + DPO]

Loading

---

回测证据：收益曲线背后是完整证据链

累计收益曲线 + 右栏证据链溯源 — 每条 TradeAction 可反查 F3 意图 / F4 策略 / F2 证据（演示数据）

每条进入回测的 TradeAction 都满足 canonical 契约：可反查到 F3 投资意图、F4 策略映射、F2 证据片段，以及四个明确区分的执行时钟。

• 累计收益、年化、夏普、最大回撤、胜率全部可审计
• 次开盘成交模型 + 显式费用 / 滑点假设
• intent_id / policy_id / evidence_span_ids 全程贯穿
• 每个数字都可回溯到原始 KOL 内容

---

四个核心能力

阶段	能力	说明
F0 · F1	采集与归一化	飞书、微信公众号、B站等多源 KOL 内容统一接入，标准化为 ContentEnvelope + ContentBlock，保留来源锚点与原始归档。
F2	锚定证据链	实体解析、时间锚定、证据片段（EvidenceSpan）抽取。每个判断都能反查到原文的字符区间与来源时间。
F3 · F4 · F5	意图 → 策略 → 执行	投资意图提取 → Policy 映射 → 生成 TradeAction。每条交易动作携带 intent_id / policy_id / evidence_span_ids 与四时钟执行时间。
F8	回测与评分	把语言观点映射到市场结果，模拟完全跟单者的收益曲线，输出夏普、回撤、胜率等可审计绩效指标。

---

AI · 人在环

AI 在每个阶段做具体可验证的事；每一条 AI 输出在进入回测前都必须经过 F6 复核台被人类裁决；裁决以结构化字段记录，导出为 DPO 训练数据——这是 Finer 对「黑箱 AI」最具体的反话术。

🤖 AI 做什么	🧑‍⚖️ 人在哪儿介入	🔄 反馈如何沉淀
F1 视觉/OCR：MiMo-V2.5 处理图片、PDF、截图 F1.5 主题组装：constrained LLM 提议 + 确定性 validator 兜底 F3 投资意图：LLM 从证据片段提取 stance / conviction F5 TradeAction：LLM + 规则共同构造 canonical 动作	F6 RLHF 复核台。每条进入回测的 TradeAction 都必须经过： 整体 1–5 星评分 + is_correct 判断 字段级修正：direction / ticker / action chain 自由文本备注 + 快捷标签 reviewer_id / reviewed_at 全程可审计	持久化为 RLHFFeedback 记录 GET /api/rlhf/export 导出为 DPO 训练数据 训练循环为 contract-only：DPO 数据格式与导出 API 已就绪，下一步规划见 Roadmap

AI 抽取            人工裁决           结构化记录          导出训练数据
F1–F5 LLM    →    F6 RLHF Panel  →   RLHFFeedback   →   DPO JSONL pairs
                  POST /api/rlhf/submit  →  GET /api/rlhf/export

F6 RLHF 复核台 — 待审队列与人工裁决入口

---

训练闭环 Roadmap

我们把训练闭环的已建成与规划中都摆出来——不夸大。

	能力	状态
✅	RLHFFeedback 记录 — 人工裁决结构化落库	已实现
✅	DPO 数据导出 — GET /api/rlhf/export 导出 JSONL pairs	已实现
🔜	Prompt 工程 — 持续优化各阶段提示词与约束解码	规划中
🔜	插件 / 工具调用 — 接入外部金融数据源与工具链	规划中
🔜	模型微调 — 基于 RLHFFeedback 的 DPO 微调	规划中

DPO 数据格式与导出 API 已实现；Prompt 工程、插件调用、模型微调均为规划中、尚未实现。

---

各阶段状态

我们更愿意把已建成与未建成都说清楚。

Stage	名称	核心 Schema	状态
F0	Intake	ContentRecord	✅ implemented
F1	Standardize	ContentEnvelope / ContentBlock / BlockQuality / BlockProvenance	🟡 alpha（契约重置中）
F1.5	Topic Assembly	TopicBlock / TopicAssemblyResult	🟡 alpha
F2	Anchor	QualityCard / TemporalAnchor / EntityAnchor / EvidenceSpan	🟠 partial
F3	Intent	NormalizedInvestmentIntent	🟠 partial
F4	Policy	PolicyMappingResult / PolicyMappedIntent	🟠 partial
F5	Execute	TradeAction / ExecutionTiming	🟠 partial
F6	Review	RLHFFeedback	✅ implemented
F7	Timeline	KOLTimeline / ViewpointState	🟠 partial
F8	Backtest	BacktestResult	🟠 partial
F+	Training	—	⚪ contract-only

---

工作台即产品

F0–F8 工作台 — 工作流导航、资产网格与证据溯源面板

---

技术栈

层级	技术选型	用途
核心语言	Python 3.11+ / TypeScript	后端逻辑 + 前端交互
Web 框架	FastAPI + Pydantic V2	API 服务 + 数据校验
前端框架	Next.js 16 + React 19 + TailwindCSS 4	Dashboard 工作台
大模型	MiMo-V2.5 / GLM-5.1 / Qwen	视觉解析（F1 OCR）+ 富化 + 结构化提取
结构约束	Instructor	Contract-first 强类型输出
数据处理	Data-Juicer / Polars	数据清洗 + 回测引擎
可视化	ECharts	收益曲线 + 绩效图表
RLHF 平台	自研 Dashboard	人工标注 + 偏好收集

---

快速开始

环境要求

• Python 3.11+
• Node.js 18+
• Redis（可选，用于缓存）

安装

# 1. 克隆项目
git clone https://github.com/kelipovanatalja453-bot/finer.git
cd finer

# 2. 安装 Python 依赖
pip install -e .

# 3. 安装前端依赖
cd src/finer_dashboard
npm install

配置

# 复制配置模板
cp configs/feishu.yaml.example configs/feishu.yaml

# 设置环境变量
export OPENAI_API_KEY="your-key"
export MIMO_API_KEY="your-key"          # MiMo-V2.5，F1 图片/PDF OCR
export MIMO_BASE_URL="https://token-plan-cn.xiaomimimo.com/v1"  # 仅 tp-* Token Plan key 需要
export DASHSCOPE_API_KEY="your-key"     # 通义千问
export FINANCE_SKILLS_API_KEY="your-key"  # 可选

运行

# 启动后端 API（终端 1）
cd src
uvicorn finer.api.server:app --port 8000 --reload

# 启动前端 Dashboard（终端 2）
cd src/finer_dashboard
npm run dev

访问 http://localhost:3000 打开 Dashboard。

可选：微信视频号 F0 半成品依赖

POST /api/wechat/channels/import 依赖 scripts/wx_channels_download 的本地 API 或 CLI 获取视频号 profile 和下载视频。该目录随本仓库作为 F0 半成品交接源码保留；运行时产物、DB、日志、私钥与本地构建出的 binary 不应进入版本控制。接手者需先确认该外部项目的授权、构建方式与安全边界。

---

架构设计

数据流

原始 KOL 内容
    ↓
F0 Intake — 多源内容接入（飞书/B站/微信/PDF），统一写入 ContentRecord
    ↓
F1 Standardize — 内容块标准化（ContentEnvelope / ContentBlock + standardization quality + provenance）
    ↓
F1.5 Topic Assembly — 长聊天/长文档语义主题组装（TopicBlock / TopicAssemblyResult）
    ↓
F2 Anchor — 质量评估 + 时间锚 + 证据跨度（QualityCard / TemporalAnchor / EvidenceSpan）
    ↓
F3 Intent — 投资意图抽取（direction / actionability / position_delta_hint / conviction）
    ↓
F4 Policy — 策略映射 hint（GlobalBase → StyleArchetype → KOLPersona）
    ↓
F5 Execute — 可追溯 TradeAction + ExecutionTiming（intent_id + policy_id + evidence_span_ids）
    ↓
F6 Review + F7 Timeline — 人工复核、观点状态机、时间线分析
    ↓
F8 Backtest — 跟随交易模拟与 KOL 收益评估
    ↓
F+ Training Loop — SFT / DPO / RLHF 模型改进（跨阶段闭环，contract-only）

核心模块

F-Stage	模块	职责	关键文件
F0	接入层	多源数据导入	ingestion/feishu_poller.py
F1	标准化层	内容容器、质量卡、证据链	schemas/content_envelope.py, schemas/quality.py
F1.5	主题组装层	长聊天/长文档拆分为 TopicBlock	schemas/topic_block.py, parsing/topic_assembler.py
F2	锚定层	TemporalAnchor 时间解析、EvidenceSpan 锚定	schemas/temporal.py
F3	意图层	投资意图抽取（四轴输出）	schemas/investment_intent.py, extraction/intent_extractor.py
F4	策略层	Policy 映射（hint，不生成 TradeAction）	policy/policy_mapper.py, schemas/policy.py
F5	执行层	Canonical TradeAction + ExecutionTiming 生成	extraction/trade_action_extractor.py
F6	复核层	人工校准、RLHF	api/routes/rlhf.py
F7	时间线层	ViewpointState、KOL 观点演化	timeline/
F8	回测层	跟随交易模拟与 KOL 评估	backtest/

完整架构见 docs/ARCHITECTURE.md。

---

API 文档

详细参考见 docs/API_REFERENCE.md。

端点	方法	用途
/api/files	GET	获取资产列表
/api/enrichment/split	POST	话题分割/锚定（legacy API name，对应 F1.5/F2）
/api/enrichment/extract	POST	实体抽取
/api/review/save	POST	保存复核结果
/api/rlhf/submit	POST	提交 RLHF 反馈
/api/rlhf/export	GET	导出 DPO 训练数据

---

开发指南

项目结构

src/finer/
├── api/              # FastAPI 路由
│   ├── routes/       # 各模块端点
│   └── server.py     # 应用入口
├── enrichment/       # F2 锚定层
├── extraction/       # F3/F5 抽取层
├── ingestion/        # F0 数据接入
├── parsing/          # F1 标准化 + F1.5 主题组装
├── policy/           # F4 策略映射
├── backtest/         # F8 回测引擎
├── timeline/         # F7 时间线引擎
├── schemas/          # Pydantic 模型（唯一真相源）
└── services/         # 外部服务

src/finer_dashboard/  # Next.js 16 Dashboard

常用命令

# 运行测试
pytest tests/ -v

# 前端构建 / 类型检查
cd src/finer_dashboard && npm run build
cd src/finer_dashboard && npx tsc --noEmit

---

贡献指南

欢迎贡献代码、报告问题或提出建议。

1. Fork 本仓库
2. 创建特性分支（git checkout -b feature/amazing-feature）
3. 提交更改（git commit -m 'feat: add amazing feature'）
4. 推送并创建 Pull Request

请确保：代码通过 pytest、遵循 black 格式规范、新功能有对应测试。

---

许可证

本项目采用 MIT License 开源协议。

致谢

本项目受以下开源项目启发： Instructor（结构化输出）· Data-Juicer（数据清洗）· Argilla（RLHF 标注）· MinerU（文档解析）

---

⚠️ 免责声明：Finer OS 是内部研究系统原型。数据与回测结果（含本页截图中的收益数字）均为示例，仅供研究，不构成任何投资建议。