金融领域大语言模型实战

金融行业想用大模型，难点从来不是"能不能跑通一个 demo"，而是数据敏感、合规要求高、业务口径细。这门课围绕的就是这个落差：把大语言模型落到资产管理、风控、客户服务这些具体环节时，到底要做哪些工程动作。如果你在银行、券商、保险、消金或金融科技公司做技术、数据、产品，或者准备转行到金融 AI 方向，它值得先花时间判断一下是否对得上自己的场景。

它解决的是"从会调 API 到能交付一个金融场景"的问题

市面上讲大模型的资料，多数停在概念和通用问答。这门课的不同在于，它把落点放在金融业务上：客户体验怎么用对话能力改造、资产管理里模型能承担哪部分分析辅助、风控场景下模型输出如何被约束和校验。同时它没有跳过工程细节——本地化部署、知识库检索、微调、性能评估这几块都单独成节，说明它假设你最终要交出一个能在内部环境跑起来的东西，而不是一份演示文稿。

适合什么基础，以及建议的观看顺序

比较合适的起点是：懂 Python 基本语法，知道什么是模型推理和 API 调用，对金融业务有大致概念（哪怕只是做过相关项目的数据处理）。如果完全没写过代码，前面讲基础结构和提示词的部分还能看懂，但到部署和微调环节会比较吃力。反过来，如果你已经做过通用大模型应用，可以快速略过历史与现状那部分，直接从基础结构、本地化部署切入。

建议的路径是先建立整体判断，再动手。第一步看大模型基础结构那一节，把后面的部署、微调、评估串在同一条技术线上；第二步看本地化部署和知识库构建这两块，它们决定了你的数据能不能不出内网，也是金融场景最常被问到的部分；第三步再看微调相关的几节，理解什么情况下需要动模型参数、什么情况下改提示就够了。风控、资产管理、客户体验这几节更适合作为场景参考，边看边对照自己手上的业务。

学完能独立做什么，资料怎么配合练习

按这条线走完，你应该能独立完成几件事：在本地或内网环境把一个开源金融向模型部署起来并跑通推理；用检索增强的方式搭一个能回答内部文档问题的知识库原型；判断一个具体需求该用提示工程、轻量微调还是全量微调来解决；并且能给出一份说得过去的性能评估结论，而不是只凭感觉说"效果还行"。合规与伦理那一节虽然偏讨论，但在金融行业里往往决定方案能不能立项，别跳过。

练习建议是不要只看。部署那节跟着做一遍，换成自己手边的一份公开财报或产品说明书去构建知识库；微调部分先用小样本跑通流程，重点观察数据质量和参数设置对结果的影响，而不是追求指标好看。评估环节可以自己列几个业务上真正会问到的问题，当作测试集反复用，这样你对手上这套方案的能力边界会有比较实在的认识。