Kepler如何用Claude构建金融可验证AI
译文 AI 逐段翻译
如何用Claude为金融服务构建可验证的AI——Kepler的经验
深入了解一个平台，该平台索引了超过2600万份SEC文件、财报电话会议记录、投资者关系演示、一致预期以及覆盖全球27个市场、14000多家公司的私有数据，以及其背后的团队如何构建AI，验证每个数字到确切的文件、页面和行项目。
- 类别企业AI
- 产品Claude平台
- 日期2026年4月30日
- 阅读时间5分钟
- 分享复制链接https://claude.com/blog/how-kepler-built-verifiable-ai-for-financial-services-with-claude
在我们的系列文章《初创企业如何用Claude构建》中，我们重点介绍了初创企业如何利用AI改变其行业。在本文中，我们分享Kepler如何为金融服务中的AI构建信任和验证层。
| 快速介绍 | |
|---|---|
| 名称 | Kepler |
| 成立时间 | 2025年 |
| 创始人 | Vinoo Ganesh（CEO）和John McRaven（CTO） |
| 技术栈 | AWS、Rust、Python、容器编排 |
| 增长 | 在不到三个月内，索引了超过2600万份SEC文件、5000多万份公开文件、100多万份私有文件，覆盖全球27个市场的14000多家公司。 |
金融公司在高度监管的环境中运营，报告必须可审计、可问责。监管文件、交易提案或研究报告中的每一个数字都需要对照源文件进行验证。
金融行业传统上依赖的工具可以提取数据，但仍需要分析师进行验证过程。分析系统无法解释自由形式的问题、将其分解为步骤，或确定单个指标需要提取特定财政期间的三个不同行项目。AI系统可以进行这种解释，但它们在计算的同时处理，因此产生的数字由模型生成，可能会出错。
Vinoo Ganesh和John McRaven在Palantir工作多年，为国防、能源和金融公司构建数据系统。这项工作塑造了他们对在答案必须可验证的环境中建立信任的思考方式。在创立Kepler之前，他们与147家金融公司进行了交谈，包括私募股权、对冲基金和投资银行，几乎所有公司都听到同样的声音：每个人都想将AI用于研究，但没有人信任输出。正如一位董事总经理告诉他们：“我怎么能相信一个我无法审计的东西？”
这对组合的答案是构建确定性基础设施，作为AI的信任和验证层。该基础设施与Claude作为推理和解释层，共同驱动Kepler Finance：一个面向金融服务业的研究平台，分析师可以用简单英语提问，并立即获得可验证的答案。
处理长链条、多步骤任务并标记歧义
金融分析涉及复杂的多步骤计算、密集数据和过载的术语，且对错误零容忍。考虑到这一点，Kepler需要一个能够保持长时间计划不偏离并标记歧义的模型。
例如，如果分析师询问一家公司过去八个季度的库存周转天数，模型需要弄清楚答案需要什么：正确的公式、正确的财政期间，以及可能影响数字的任何重述。
团队对所有前沿模型进行了基准测试。他们发现，在直接查询上，模型表现相当。但当涉及具有依赖关系的长链条、多步骤计划时，除了Claude之外的所有模型在第四或第五步时开始走捷径或丢失约束。Ganesh说：“在我们的工作负载上，Claude是始终能保持计划完整的模型。其他模型开始时很强势，然后在第五步悄然丢弃一个约束。”
最明显的区别在于每个模型如何处理不确定性并保持人类参与。例如，在一个术语可能有两种不同含义的情况下，大多数模型选择一个含义并继续。Claude停下来让分析师决定。Ganesh说：“这种行为比任何基准分数都重要。在财务分析中，早期的一个错误假设会破坏下游的一切。”
围绕Claude工程化上下文
Kepler团队发现，当给予Claude精确定义的任务，并增强结构化领域知识、定义以及关于解决什么与升级什么的硬边界时，它能产生更好的结果。McRaven说：“在金融领域，模型不能是整个系统。我们将其视为管道中的一个阶段，其工作是提供模型在该阶段成功所需的精确内容。提示工程优化一次调用，而内容工程优化周围的系统。”
团队构建了确定性执行环境，Claude可以在每次需要可证明正确的操作时调用，例如计算比率或解析财政期间。他们开发了一个专有本体，将财务概念映射到精确的定义和公式，可按每次使用进行定制。安全性和访问控制限制在每个步骤强制执行，管理每个用户可以提取哪些数据源。除此之外，他们为管道中最常见的工作流构建了可重复、可定制的技能，例如在复杂资本结构（如处理优先股、可转换债券和少数股东权益）中计算企业价值，以及跨报告期变化的部门收入瀑布调节。这些技能协调确定性和非确定性阶段，并设计为幂等：相同的输入将始终产生相同的输出。
接下来，他们将工作流程分解为多阶段流水线，将不同的Claude模型匹配到不同阶段：Opus 4.7用于复杂推理，如分解意图、解决歧义和生成结构化执行计划，而Sonnet 4.6用于任务更受约束的高吞吐量阶段。他们还训练了自己的专用模型用于召回（有些以Claude为基础，有些是Kepler专有的），在诸如将财务报表标签映射到标准化分类代码等任务上达到了94%的准确率，而其他模型的准确率仅为38-46%。
团队在投入生产之前，会针对数千个案例测试每一次提示更改、模型升级和上下文修改。他们构建了自动化评估流水线，在每个阶段将Claude的输出与已知正确答案进行比较，同时检查结构化计划和最终计算结果。当测试失败时，他们可以追踪问题出在Claude的推理、提供的上下文还是下游执行中。当Anthropic发布新模型版本时，Kepler会在数小时内对其进行基准测试，并确切知道哪些阶段改进、哪些回退、哪些需要调整提示。
使用Claude扩展规模
Kepler Finance已索引了超过2600万份SEC文件，涵盖14,000多家公司、超过5000万份公开文件和覆盖27个全球市场的100多万份私人文件。Claude使如此大量的非结构化数据变得可用，它能够针对整个语料库理解问题，并协调不同公司和时间段之间的术语差异。然后，Kepler的检索层从经过验证的SEC文件中提取数据，计算结果，并将结果组装到交易台的Excel模板中，分析师只需单击一下即可将每个数字追溯到源文档中突出显示的准确行项。
Claude的推理与Kepler的确定性基础设施之间的分离，使得一个小团队能够以这种规模构建。Claude处理解释层，否则这将需要许多特定领域的NLP工程师，而Kepler的基础设施处理其余部分。由于架构是模块化的，原本需要大团队数月才能交付的新功能可以在数周内构建完成：团队在一个阶段改进推理，而无需触及流水线的其余部分。
由于金融机构在合作前要求合规基础设施，Kepler从一开始就构建了完整的审计日志、隔离的客户环境和端到端溯源，并已获得SOC 2 Type II认证，ISO 27001认证正在进行中。
Kepler的平台在设计上是领域无关的。团队刻意从金融领域开始，因为它是人工智能要求最苛刻的环境之一，数据密集、术语繁重、计算复杂，且对错误零容忍。为经受这种审查而构建的架构适用于任何专业人士需要从大型文档集合中获得可验证答案的场景。从医疗保健提供者将临床试验数据与治疗方案进行核对，到法律团队在数十年的判例法中追溯先例，模式都是一样的：Claude对问题进行推理，基础设施保证答案。
“Kepler Finance是我们的第一个产品，”Ganesh说。“它不会是最后一个。”
| 来自Kepler团队的最佳实践 | |
|---|---|
| 给Claude合适的任务 | 检索是查询引擎的工作。计算是公式引擎的工作。让Claude去解释、分解或推理。 |
| 将模型与阶段匹配 | 使用Opus进行复杂推理，使用Sonnet处理受约束、高吞吐量的任务。在单一模型上运行所有内容会在质量或成本上有所损失。 |
| 在提示之前投资于评估 | 构建自动化流水线，在每个阶段将Claude的输出与已知正确答案进行测试。独立测试每个阶段，并端到端测试整个流水线。在金融领域，静默回退是永久失去客户的方式。 |
| 从第一天起就构建溯源 | 专业人士接受过验证一切事物的训练。溯源必须塑造整个系统，而不是在最后添加。 |
在Claude平台上构建你的创业公司。
未找到任何项目。
0/5
电子书
常见问题解答
未找到任何项目。
相关文章
探索更多产品新闻和针对使用Claude构建的团队的最佳实践。
2026年8月11日
合规API覆盖扩展到Claude Cowork和Claude Code
企业AI
合规API覆盖扩展到Claude Cowork和Claude Code
合规API覆盖扩展到Claude Cowork和Claude Code
2026年6月5日
Claude Cowork产品指南
企业AI
2026年5月22日
Anthropic的财务团队如何使用Claude来塑造数字背后的叙述
企业AI
Anthropic的财务团队如何使用Claude来塑造数字背后的叙述
Anthropic的财务团队如何使用Claude来塑造数字背后的叙述
2026年8月7日
Anthropic的业务发展团队如何使用Claude大规模处理入站和出站
企业AI
Anthropic的业务发展团队如何使用Claude大规模处理入站和出站
Anthropic的业务发展团队如何使用Claude大规模处理入站和出站
利用Claude改变组织的运作方式
查看定价
联系销售
订阅开发者新闻通讯
产品更新、操作指南、社区亮点等。每月发送到你的收件箱。
谢谢！您已订阅。
抱歉，您的提交出现问题，请稍后重试。