mcpField
B
banking-ai-literature-mapper

banking-ai-literature-mapper

github.com/jurgendn生产力1152 次安装6 周前更新
代码仓库

关于 banking-ai-literature-mapper

面向银行与金融科技研发团队的研究技能，可围绕具体问题梳理 AI 方法、案例、数据集、基准和评估实践。它区分证据类型，并评估迁移假设、运营适用性及监管约束。

主要功能

  1. 01分类银行问题与技术类型
  2. 02区分论文、案例、数据集和综述
  3. 03评估证据质量与可复现性
  4. 04梳理迁移假设与约束
  5. 05推荐评估方法与资料

适用场景

  1. 01为银行 AI 方案寻找先例
  2. 02为欺诈或信贷问题选择方法
  3. 03为银行类任务选择基准
  4. 04识别部署与合规风险

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/jurgendn/agent-skills --skill banking-ai-literature-mapper

安装后在 Claude Code 中输入/banking-ai-literature-mapper确认已加载。

附带文件evals/evals.json

详细介绍

银行业 AI 文献图谱

构建一份以来源为依据的银行业和金融科技 AI 方法、成功案例、数据集、基准和评估实践图谱。

目标是帮助行业研发团队借助可信的先例论证解决方案方向，同时如实说明迁移风险、监管限制和数据差异。

何时使用此技能

在用户询问以下内容时使用此技能：

  • 银行业或金融科技领域已有成功的 AI/ML 案例；
  • 支持银行解决方案提案的论文；
  • 信贷、欺诈、反洗钱、客户、文档、合规或运营问题的方法选项；
  • 类银行任务的评估基准或数据集；
  • 有文献支撑的内部研发提案。

如果用户需要的是范围广泛、与银行业无关的研究综述，请使用 literature-triangulation。如果用户需要最终解决方案设计，请先绘制来源图谱，再使用 publication-grounded-solution-design。

工作流

1. 明确银行业问题的形态

同时按领域和技术形态对问题分类。

领域示例：

  • 信用风险；
  • 欺诈/诈骗检测；
  • 反洗钱和可疑活动监控；
  • 催收和追偿；
  • 客户流失和个性化；
  • 联络中心和分支机构运营；
  • 文档理解和 KYC；
  • 合规、风险控制和审计；
  • 员工效率和知识检索。

技术形态：

  • 表格数据预测；
  • 时间序列预测；
  • 排序或分流；
  • 图检测；
  • 异常检测；
  • 因果增量效果；
  • 推荐系统；
  • 信息抽取；
  • 检索和基于依据的生成；
  • 工作流/流程挖掘；
  • 优化。

同时使用两类标签进行搜索。仅使用银行业标签可能会遗漏可迁移的保险、电信、电子商务风险、医疗运营、网络安全或公共部门欺诈方法。

2. 区分来源类型

分别建立以下类别：

  1. 银行业/金融论文：领域匹配度最高。
  2. 相邻领域论文：问题形态相似，但方法或基准更强。
  3. 系统/案例论文：生产环境或接近生产环境的部署。
  4. 数据集/基准：可用于基线或代理任务的公开任务。
  5. 综述：领域概览，而非直接证据。
  6. 监管/可解释性来源：影响采用的约束。

不要把这些类别视为同等证据。

3. 评估证据质量

针对每个来源，评估：

  • 出版场所或可信度；
  • 数据集的真实性；
  • 样本量和时间跨度；
  • 评估方案；
  • 基线；
  • 泄漏控制；
  • 可解释性和公平性处理；
  • 运营相关性；
  • 结果是否可复现，还是仅为声称。

明确标记薄弱证据。

4. 梳理方法迁移到银行业所需的假设

针对每类方法，说明银行必须满足哪些条件：

  • 数据字段存在且可靠；
  • 标签未因旧有政策而产生过多偏差；
  • 决策和结果带有时间戳；
  • 实体能够得到一致关联；
  • 模型输出能够向用户或审计人员解释；
  • 延迟和集成限制可以满足；
  • 合规部门批准相关干预。
5. 提取评估模式

确定文献如何评估类似工作：

  • 按时间划分训练集/测试集；
  • 时间外验证；
  • 在审核容量限制下的 precision@k；
  • 成本敏感指标；
  • 校准；
  • 按细分群体评估公平性；
  • 人在环评估；
  • 回测；
  • 消融实验；
  • 对漂移或对抗性变化的鲁棒性。

建议最符合用户问题的评估方式。

6. 生成阅读与行动图谱

按以下类别为来源排序：

  • 必读；
  • 方法参考；
  • 评估参考；
  • 风险/合规参考；
  • 较弱或仅供背景参考。

然后建议如何利用这些文献：

  • 论证试点；
  • 选择基线；
  • 避免已知失败模式；
  • 明确数据要求；
  • 起草方法章节。

输出格式

# Banking AI literature map: [problem]

## Problem classification
- Banking domain:
- Technical shape:
- Decision/workflow:
- Key constraints:

## Source map
| Source | Type | Problem match | Method | Evidence quality | Evaluation pattern | Transfer assumptions | Caveats |
|---|---|---|---|---|---|---|---|

## Method families
### [Method family]
- Core idea:
- Best supporting sources:
- When it fits:
- When it fails:
- Banking transfer assumptions:
- Evaluation implications:

## Prior successful cases

## Datasets and benchmarks

## Evaluation patterns to reuse

## Gaps and risks in the literature

## Recommended reading order

## How this should feed solution design

质量标准

一份优秀的银行业文献图谱应清楚说明哪些来源足以支撑研发提案，哪些只能提供灵感，以及部署前必须验证哪些假设。

评论

支持 Markdown