登录社区云，与社区用户共同成长
邀请您加入社区
2025年，随着鸿蒙生态在金融领域的渗透率持续提升，用户对移动支付的安全性需求已从"基础保障"升级为"极致防护"。作为某股份制银行移动金融部的开发负责人，我带领团队完成了核心APP的鸿蒙6.0适配升级，重点基于重构支付安全模块，解决了传统支付场景中"环境可信难验证""敏感数据易泄露""交易链路有断点"三大痛点。本次升级后，APP支付安全投诉率下降72%，交易验证速度提升35%，相关技术方案已被纳入
鸿蒙的分布式能力还帮助通达信、大智慧、广发易淘金、同花顺、东方财富等应用实现了“一次开发，多端适配”，确保了在手机、平板、电脑等不同设备上体验高度一致，有效提升办公与交易效率；目前，中国工商银行，中国银行，中国建设银行，中国农业银行，交通银行，邮储银行、东方财富、大智慧、京东金融等大量专业金融应用已全面适配鸿蒙平板；当前，各领域金融应用正加速推进鸿蒙生态下的全场景布局，围绕电脑、折叠屏、平板、穿戴
面对鸿蒙生态企业高速发展中的资金“断点”，浦发银行深圳分行迅速行动，针对鸿蒙系统适配研发周期、盈利模式和资产特点进行“量体裁衣”，仅耗时两月便完成了市场调研、方案设计到产品定型，最终推出了“智研贷”，该产品金额不设上限，利率可灵活设置，期限最长15年，为鸿蒙生态800万开发者提供了从研发攻坚到产业化落地的全周期资金保障。为帮助更多企业适配Harmony OS，助力鸿蒙生态加速壮大，提供金融活水支撑
展望端智能的未来发展，随着芯片算力的指数级增长、模型压缩技术的突破性进展以及边缘计算架构的日趋成熟，端侧设备将从单纯的数据采集终端演进为具备强大推理能力的智能计算节点，通过实现多模态AI融合、实时个性化学习、隐私保护计算和跨设备协同等核心能力，将大语言模型、计算机视觉、语音识别等AI技术深度集成到移动设备中，构建起无需联网即可提供智能服务的自主计算生态，推动人机交互从被动响应向主动感知、预测和服务
GraphRAG是将知识图谱融入RAG系统的新方法，通过显式语义关系和图结构优势，有效解决传统RAG在关系理解、上下文完整性、检索噪音和推理能力等方面的局限。提供更精确上下文和更强推理能力，特别是在多跳和事实性要求高的场景表现出色，尽管面临知识图谱构建维护、性能和成本等挑战，仍是AI检索增强技术的重要发展方向。
本文详解如何使用LangGraph框架构建高级RAG工作流，结合检索与生成模型提升AI回答质量。文章介绍了LangGraph在流程编排、状态管理、工具集成方面的优势，提供了完整架构设计、实践案例和系统实现方法。通过模块化设计和条件分支机制，开发者可构建智能决策、高可维护性的RAG系统，适用于智能客服、内容创作等多种场景，大幅提升AI应用开发效率与质量。
央行数字货币（CBDC）离线交易安全测试实践 央行数字货币（CBDC）的离线交易功能在提升支付便利性的同时，也带来重放攻击、数据篡改、隐私泄露等安全风险。本文从测试视角出发，系统分析离线交易的安全挑战，并提出分层测试策略，包括黑盒测试、白盒测试、渗透测试等，结合2026年前沿技术（如抗量子加密）提供可落地的测试用例与工具建议（如BurpSuite、MobSF）。文章强调自动化测试与持续集成（CI）
现今神州信息已经成为国内首屈一指的金融科技引领者,旗下分布式银行核心业务系统、企业级微服务总线等系列产品及解决方案广受金融客户青睐。经过数年来的持续发展,神州鲲泰也已成长为金融行业智算基础设施领域的代表性品牌,为交通银行、民生银行、太平洋保险、国泰君安等一系列国有银行、股份制银行、城商行及保险、证券等金融机构客户持续提供稳定、可靠的算力底座。,具有全栈自主创新、软硬一体、免适配、免调优等特点,专门
2026年金融科技项目管理面临数字化转型关键节点。传统模式下的核心系统升级项目暴露出三大痛点：需求交叉冲突率达30%、开发延期率40%、跨部门协同效率低下。与此同时，采用智能化管理平台的银行实现了需求编制效率提升50%、成本偏差率压缩至±4.8%的突破性进展。行业专家指出，金融科技项目管理正从"经验驱动"向"数智化"转型，通过AI赋能的智能需求管理、资源调度
数据一致性检验是指检查数据在逻辑上、统计上以及不同来源之间是否保持一致。单一数据源内部的数据是否符合逻辑规则。例如，日K线中和必须成立。交易量不能为负。不同数据源对同一金融产品在同一时间点的报告是否相符。这是我们本讲的重点。数据是否按预期的频率连续，是否存在大的跳变或缺失。数据是否偏离其历史统计分布，是否存在异常值（outliers）。置信度是一个量化Agent最能体现其智能水平的指标之一。它反映
文章讲述了金融行业RAG系统的安全与权限体系构建，提出"检索前过滤"的核心心法和"五维动态策略"（环境、角色、意图、知识、约束）。通过Spring AI与Spring Security结合，实现数据隐身、意图识别、动态脱敏等功能，并建立全链路审计机制。强调在金融领域，安全比AI的"聪明"更重要，这套架构能有效防止敏感信息泄露，确保系统合规稳定运行。
理论与实证联袂、科技前沿落地实践应用，金融与最新科技的融合，带来“金融+科技”人才的诉求，初出校园的学子的训练还是职场人士的淬火都需要在高校和业界搭建一个桥梁；软件计算的高性能往往带来数倍的性能提升，而数据存贮和访 问的高性能方案，往往为应用带来数量级的性能提升。在信息爆炸的今天，算力成为一个永恒的话题，计算领先步步领先，大数据计算超级计算机是否可以为金融计算所用?摒弃单一的数据存贮引擎，采用融合
大模型的新一轮军备竞赛要开始了。通俗地讲，Scalinglaw就是通过更大规模的数据量和更高的算力，再加上更大参数的模型，让大模型能够处理更复杂的任务。最终，各家基础大模型公司的竞争方向就是砸钱堆算力。但这似乎是个无底洞，一些公司选择了更正确的方式，开始通过积极寻求大模型商业化来应对这场持久战，并以实际应用的反馈来提升大模型的能力，百度便是其中之一。最新发布的2023年Q4和全年财报显示，2023
总之，《行动计划》的发布和实施，将为经济社会发展注入新的动力。通过借鉴“系统工程”方法论的精髓，中电金信通过逐层解耦，实现了最大程度的开放和兼容，也实现了数字底座的垂直打穿，可提供从芯片，到整机、外设、操作系统、数据库、云平台、安全、技术中台、业务中台，以及行业应用的全栈技术验证、适配、调优服务。中电金信拥有自己的研究院，旨在以科技创新为引领，打造全栈、全域数字化的产品和解决方案，着力解决金融科技
技术不是目的，而是解决业务问题的工具。金融AI的核心，不是“用AI替代人类”，而是“用AI辅助人类”——让基金经理从“处理海量数据”中解放出来，专注于“战略决策”；让投资者从“信息差”中解放出来，获得更公平的收益。从需求到上线，每一步都要“贴着业务走”：需求分析要读懂用户的“隐性需求”，架构设计要平衡“先进”与“可用”，测试验证要覆盖“金融特性”，运维监控要“提前发现问题”。只有这样，才能打造出“
在金融科技飞速发展的今天，人工智能技术正深刻改变着传统财务分析模式。本文作为AI应用架构师实战指南，系统阐述了金融企业智能财务分析AI平台的完整架构设计与落地实施过程。从业务需求分析到技术架构选型，从数据治理体系构建到机器学习模型部署，再到系统安全与合规设计，全方位解析了构建企业级智能财务分析平台的关键技术与最佳实践。通过真实案例展示，本文详细介绍了如何将AI技术与财务业务深度融合，解决传统财务分
本文介绍了在鸿蒙6.0系统上重构金融支付安全模块的实践过程。针对公共场合窥屏、数据安全、权限滥用等痛点，作者团队落地了AI防窥功能、星盾安全架构、超级隐私模式和方舟引擎优化四大核心特性。通过硬件级加密、动态权限隔离和性能优化，实现了支付页面启动速度提升28%、内存占用降低17%的显著效果。文章详细拆解了技术实现方案，包括AI防窥的智能模糊处理、星盾架构的零信任加密传输，以及超级隐私模式的临时权限管
本文基于三大权威平台数据，盘点2025年AI大模型格局。谷歌Gemini 3在文本对话和多模态领域登顶，OpenAI GPT-5表现不及预期，Anthropic Claude Opus 4.5在代码和智能体任务上称王。国产大模型表现亮眼，在多个领域进入全球前列，尤其在智能体能力方面与顶尖差距缩小。文章为2026年不同场景的模型选择提供了参考指南。
《全国AI算力发展数据报告（2000-2024）》摘要 数据皮皮侠团队基于中国海关数据库显卡HS编码数据，整理发布了2000-2024年全国各省市AI算力年度统计报告。该数据集涵盖省级和地级市层面指标，但2015-2016年数据因海关未发布而缺失。报告包含各省市AI算力发展情况及主题分布，完整数据可通过数据皮皮侠官网获取。该数据经人工整理验证，确保真实有效，为AI算力研究提供重要参考。
金融衍生品作为金融市场的重要组成部分，其价格波动大、风险复杂，给风险管理带来了巨大挑战。传统的风险管理方法在处理复杂的金融衍生品市场时存在一定的局限性。本研究的目的在于探索AI技术在金融衍生品风险管理中的应用，分析其优势和潜力，为金融机构和投资者提供更有效的风险管理策略。研究范围涵盖了常见的金融衍生品，如期货、期权、互换等，以及主要的AI技术，包括机器学习、深度学习等。本文首先介绍了相关背景知识，
本文基于行为安全理论与人因工程视角，系统分析年轻员工在钓鱼识别中的认知偏差、行为诱因及组织培训盲区，并结合实证数据与模拟实验，提出面向Z世代与千禧一代的定制化防御框架。更严重的是，培训往往强调“绝对不要点击任何可疑链接”，却未教授如何在模糊情境中进行风险评估（如“该链接虽来自未知域名，但内容与当前项目高度相关”），导致员工在面对高仿真攻击时陷入决策瘫痪。其根本原因在于，传统安全架构以“边界防护”和
AI已成为银行业绩新引擎，直接收入达几十亿数量级，总计算规模突破61.3EFLOPS。银行通过AI赋能对公业务智能化、零售业务体验升级和内部管理效率提升，实现外汇交易决策效率提升80%、债券交易执行效率翻3倍等显著成果。文章提供从提示词工程到模型训练的大模型学习路径，帮助读者掌握AI技能，抓住47万岗位缺口机遇，实现职业竞争力提升。
【摘要】金融行业正加速应用AI测试预言机技术，通过预测性测试实现效率跃迁。2025年该技术已成为金融测试标配，能自动预测风险、生成测试用例，使测试周期缩短40%-60%。核心技术采用三层智能引擎（感知层、预测层、决策层），实现从脚本驱动到意图驱动的转变。国内头部机构已取得显著成效：邮储银行测试用例生成率28%，民生银行UI自动化效率提升300%。面对金融业特有的可解释性、隐私保护和合规要求，业界通
案例：某在线扑克平台测试中，RNG在1000万手牌模拟下，通过卡方测试（p值=0.15），但序列测试失败（p值=0.005）。未来趋势：随着AI博彩兴起，测试需融合机器学习模型验证（如对抗性测试），确保RNG不被预测。：使用NIST STS（Statistical Test Suite）运行15项测试，包括频率测试（Monobit）、序列测试（Runs）和块内频次测试。挑战应对：在移动博彩App中
本文探讨软件测试中缺陷根因分析(RCA)的系统化方法与应用。文章指出重复缺陷占测试问题的30%，导致开发周期延长20%以上，强调RCA能提升效率、质量和团队协作。详细解析RCA实施步骤：缺陷识别、5Whys法/鱼骨图分析、根因验证及预防措施制定，并介绍JIRA、ELKStack等辅助工具。同时指出数据碎片化、时间压力等挑战，提出AI辅助和标准化框架解决方案。文章旨在推动测试从"灭火式&q
摘要：2026年软件测试领域面临战略抉择，本文通过对比外包测试与内建测试在成本、质量、响应及技术方面的差异，提出三维决策模型。研究发现混合模式（内建核心+外包众测）能显著提升效率，并给出分阶段实施路线图。随着AI等技术发展，建议将外包作为"弹性云"，内建构筑"核心引擎"，实现资源最优配置。文末强调需建立风险控制机制，超越二元对立思维，在动态平衡中实现质量工程
AI技术正在加速金融行业岗位替代，高盛已自动化50%投行分析师任务，90%银行咨询实现AI化，智能投顾系统提供个性化服务，65%银行柜员岗位将被智能终端取代，70%财务工作实现自动化。同时，AI催收系统效率是人工的3倍。AI技术也将创造1亿个新岗位，如AI工程师、数据科学家等，要求掌握编程、机器学习等技能。为应对这一趋势，文章提供了AI大模型学习路线图、100套商业方案、视频教程等资源，帮助从业者
摘要： 低代码测试市场快速增长（年复合增长率28.6%），主流平台如Katalon、mabl等通过AI元素定位、自愈脚本等技术显著提升效率（用例创建速度+65%，维护成本-40%）。选型需结合团队成熟度、技术栈适配和成本效益，实施建议分阶段迁移，未来将向智能编排、全链路可观测方向发展。核心结论：2026年低代码测试进入智能新阶段，需平衡效率与深度，重点关注AI修复等新兴能力。
本文探讨金融科技测试的三大核心策略：合规性测试需应对动态法规，通过审计驱动和场景化测试确保系统合规；安全性测试应构建"零信任"防线，采用威胁建模和渗透测试防御新型威胁；高可用性测试通过负载测试和混沌工程保障系统稳定运行。未来趋势显示，AI和自动化将重塑测试流程，测试团队需整合"铁三角"策略，成为金融系统韧性的核心引擎。
摘要：2025年智慧农业中的精准灌溉系统依赖自动化功能测试确保可靠性。测试涵盖三大模块：传感器数据验证（误差率<0.5%）、AI决策引擎测试（节水效率提升20%）和UI远程控制测试（响应时间<2秒）。面对农业场景特殊性，需采用数字孪生、CI/CD流水线等创新方案。测试不仅避免年均10亿美元损失，更是实现农业可持续发展的关键。未来趋势将结合AI与IoT技术，通过智能测试推动精准灌溉发展。
本文详细解析了AI产品经理必备的10大核心技术，包括提示词、AI Agent、RAG等，强调AI PM需具备扎实的技术认知和数据敏感度。文章指出AI PM核心价值在于"让AI技术有用、好用"，工作围绕"需求拆解-技术选型-数据落地-体验优化"展开。AI PM应明确技术边界、聚焦场景适配、强化数据思维，通过掌握这些核心技术实现AI产品的有效落地。
生成式AI是一种能创造原创内容的人工智能，不同于传统分析型AI，它可直接生成文本、图像、音乐等内容。核心技术包括Transformer架构和大语言模型，通过学习海量数据理解模式规律。广泛应用于写作、图像创作等领域，但存在"幻觉"等局限性。生成式AI正融入各类工具平台，成为数字生活的基础能力，适合作为创意助手拓展人类创造力边界。
这是一款集成股票市场数据展示、技术指标深度分析、多算法机器学习预测、量化投资策略回测及 AI 智能分析的综合性金融数据分析平台。平台以 "数据输入→数据处理→模型分析→结果展示" 为核心逻辑链条，构建从原始金融数据到实战级投资洞察的完整流水线，兼顾数据处理的高效性、模型预测的准确性及界面操作的易用性，适用于金融实训教学、量化策略研究及市场数据分析等多场景。
金融行业受到严格的法规监管，确保金融机构的业务活动符合相关法规要求至关重要。传统的金融法规遵从性检查主要依赖人工审查，这种方式效率低下、成本高昂，且容易出现疏漏。开发基于大模型的金融法规遵从性检查系统的目的在于利用大模型的自然语言理解和处理能力，实现自动化的法规遵从性检查，提高检查效率和准确性，降低合规成本。本系统的范围涵盖了常见的金融业务场景，如信贷业务、投资业务、支付业务等，以及与之相关的各类
金融行业面临着数据孤岛与隐私保护的双重挑战。一方面，金融机构需要利用大数据提升AI模型性能；另一方面，严格的监管要求（如GDPR、CCPA等）限制了数据共享。联邦学习作为一种分布式机器学习范式，能够在保护数据隐私的前提下实现多方协作建模。联邦学习在金融领域的适用性分析隐私保护机制的设计与实现系统架构与关键组件性能优化与安全增强策略背景介绍：阐述问题背景和研究意义核心概念：解析联邦学习和隐私保护技术
GitHub仓库提供17种基于LangChain和LangGraph的大模型智能体架构实现，通过Jupyter笔记本提供端到端代码。从基础到高级涵盖反思、工具调用、ReAct、规划、多智能体系统等，配有评估指标和实际应用场景，是开发者系统学习智能体构建的实用资源。
特指HarmonyOS与OpenHarmony，前者是商业鸿蒙，是华为公司使用和维护的系统。后者是HW开源给开放原子基金协会的系统，任何人遵守开源协议，都可以使用和改造的系统。HarmonyOS虽然基座是OpenHarmony，但是上层功能和使用差异也还是有的。两者虽然近似，但是并非一个东西。两者区别详情参见：OpenHarmony和HarmonyOS区别与共性。
虽然大规模的无监督语言模型（LMs）学习广泛的世界知识和一些推理技能，但由于其训练的完全无监督性质，实现对其行为的精确控制是困难的。模型必须经过进一步调优才能在通用领域应用程序中可用，通常是通过指令调优和偏好对齐等过程。
本文介绍了一个高效的亚太股市数据API，支持日本、韩国、新加坡和印尼市场的实时行情查询。该API提供实时价格、K线数据、历史查询、逐笔成交等功能，适合量化交易开发者使用。通过Python代码示例演示了实时tick数据获取、批量历史K线查询和WebSocket实时行情推送三大核心功能。API具有低延迟、多市场覆盖和易集成等优势，为亚太股市数据分析提供了可靠支持。
创新性融合自然语言处理（NLP）的情感分析结果与金融数值数据，基于生成对抗网络（GAN）构建时序预测模型，解决“文本与数值特征有效结合”及“稀疏/低相关金融数据学习”两大核心挑战。ST-GAN在所有预测时间维度（1天、15天、30天）的RMSE与NRMSE均显著低于对比模型，平均NRMSE较现有最优深度学习模型降低32.2%。图5：我们的GAN模型的LSTM生成器网络和CNN鉴别器网络的模型架构。
金融
——金融
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
HarmonyOS开发者社区
2048 AI社区
九章云极普惠算力
火山引擎开发者社区
