OpenHands：AI 软件代理开放平台及其对财务自动化的意义
OpenHands 是一个采用 MIT 许可证、基于 Docker 沙箱的代理平台，其中 CodeAct 在 SWE-Bench Lite 上达到了 26% 的成绩——这是一个发人深省的基准测试，它确立了 AI 代理如今能够可靠完成的任务范围，以及为什么首批富有成效的财务部署应当是严格限制范围的，而非完全自主的。
#developers
Developers
ShieldAgent：LLM 智能体的可验证安全策略推理
ShieldAgent (ICML 2025) 使用基于马尔可夫逻辑网络构建的概率规则电路取代了基于 LLM 的护栏，在针对智能体攻击的防御中实现了 90.4% 的准确率，同时 API 调用减少了 64.7% —— 以及这对金融 AI 系统中可验证安全的意义。
微调与 RAG：为什么检索在为 LLM 注入新知识方面胜出
对 7B 参数 LLM 进行的 RAG 与无监督微调的实证比较显示，RAG 在知识截止日期后的事实准确率达到了 0.875 以上，而微调则停滞在 0.504 —— 这对 Beancount 智能体设计及任何需要频繁更新知识的系统具有直接意义。
Gorilla：检索感知训练如何将 LLM API 幻觉从 78% 降低到 11%
Gorilla (Patil et al., NeurIPS 2024) 通过对检索到的 API 文档进行检索感知训练（Retriever-Aware Training），对 7B LLaMA 模型进行了微调，将幻觉率从 GPT-4 零样本下的 78% 降低到 11% —— 这对金融 AI 回写代理具有直接意义，因为错误的账户名称或正负号颠倒属于正确性故障，而不仅仅是干扰。
SWE-agent：接口设计如何开启自动化软件工程
SWE-agent (NeurIPS 2024) 引入了代理-计算机接口 (ACI) —— LLM 与软件环境之间专门构建的层 —— 在 SWE-bench 上相比原始 shell 访问提升了 10.7 个百分点，并配合 GPT-4 Turbo 实现了 12.47% 的解决率。接口设计而非模型能力，是自主编码代理的主要瓶颈。
SWE-bench：语言模型能否解决真实的 GitHub 问题？
SWE-bench 通过基于执行的测试，在 12 个 Python 仓库的 2,294 个真实 GitHub 问题上评估语言模型；在发布时，Claude 2 在现实检索设置下仅解决了 1.96% 的问题，这确立了编程智能体的行业基准，并揭示了检索和补丁长度的失败模式，这与 Beancount 回写智能体直接相关。
Toolformer：自监督工具使用及其在金融 AI 中的局限性
深度解读 Toolformer（Meta AI，NeurIPS 2023）：探讨如何通过困惑度过滤的自监督训练，教会一个 6.7B 参数模型调用外部 API，使其在算术基准测试中超越 GPT-3 175B，以及为什么其单步架构无法支持结构化账本操作所需的链式工具调用。