Tacit judgment
隐性判断
专家知道先看什么、何时追问、怎样取舍。这些过程往往不在最终答案里，却决定工作质量。
万级金融 Agent Session + Research Agent Session
10+投研工作流
10+研究领域
WHY DATA MATTERS
Agent 的能力，
取决于数据如何描述世界。
通用模型可以生成看似合理的答案，但真实工作还需要隐性判断、长上下文、工具协作和可复核的结果。数据决定这些能力能否被看见、被训练、被比较。
Long-horizon work
长链路工作
真实任务跨越文档、工具和多个决策节点，只有保留过程，Agent 才能学习如何持续推进。
Verifiable failure
可复核失败
证据锚定和结构化评测让每一次错误都有位置、有原因，也让改进不再依赖感觉。
01 / DATA DOMAINS
两类 Agent，
同一套严谨的数据方法。
我们从真实工作流出发，关注的不只是答案是否像人，更关注模型如何阅读、调用工具、组织证据，以及能否在长链路任务中保持可复核。
EXPANDING
RESEARCH AGENT
跨学科知识工作
让 Agent 进入不同学科的资料、工具与判断框架，完成从问题定义到证据组织的完整研究链路。
物理化学社会学人类学计算机
从专科问题出发，扩展可执行的研究任务空间
ESTABLISHED
FINANCIAL AGENT
真实投研与金融办公
围绕专业二级市场投研和长流程财务工作，保留真实上下文、工具协作和需要多步验证的判断过程。
个股基本面与估值事件催化与消息解读交易计划与仓位执行宏观政策与资金情绪报告整理与数据核查盘中监控与技术走势组合复盘与风险控制行业主题与产业链研究财报业绩与预期差选股筛选与横向比较
从专家 Trace 到可训练的长链路能力
02 / DATA SYSTEM
把一次交互，变成一套
可以持续变好的系统。
数据不是静态的标注结果，而是从观察、执行到验证的连续链路。每一层都留下能够回看、比较和修正的结构化信号。
01
Expert traces
从真实专家与 Agent 的长轮次交互中，提取问题、工具、上下文和回答之间的关系。
capture / de-identify / structure02
Executable environments
用文档输入、工具调用、证据锚定和结构化输出，把知识工作变成可以运行的任务。
document / evidence / action03
Verifiable evaluation
用规则、Rubric 和模型对比识别真实短板，让奖励和评测信号可以回到数据生产。
score / compare / improveSFT / TRACE DATABASE
长链路，不是拼接出来的。
我们拥有 Pro C 金融 Agent 专属的对话 Trace 数据库，数据来自专业二级市场投资专家使用金融 Agent 开展投研工作的真实长轮次交互记录。
数据覆盖个股研究、事件解读、交易执行、宏观与资金、报告核查、组合风控、行业研究、财报预期差和选股比较等工作流，规模达万级 Session，并持续扩展到更多研究领域。
10K+Session scale10+研究领域turn-levelquality & provenance
RL / VERIFIABLE ENVIRONMENTS
让模型的结论，回到原文。
我们正在搭建面向真实金融办公任务的通用强化学习环境，以文档输入、证据锚定、结构化输出和可验证奖励为统一底座。
财务报表审计 财务 QA 与勾稽 披露核验与风险判断
当前重点验证财务报表审计：模型需要跨年度阅读长篇财报，完成跨表校验，识别问题并基于原文证据输出可复核结论。
03 / THE NEXT LAYER
Agent 的下一步，
是更接近真实世界地完成工作。
我们希望数据基础设施不止服务一次训练，而是持续连接研究、执行和反馈，让新的能力可以在不同领域被复用。
From answers to actions
从答案到行动
Agent 不只解释世界，也能在清晰边界内推进任务、调用工具、交付结果。
From examples to environments
从样本到环境
把专家流程变成可运行的工作空间，让模型在接近真实的约束中学习。
From averages to real failures
从平均分到真实失败
保留长尾案例和失败路径，才知道能力是否真的能在关键时刻成立。
指标口径、任务版本和测试结果在内部评测环境中留存；公开页面只展示聚合事实，不展示原始样本或敏感内容。
DATA COLLABORATION
告诉我们，
哪类真实任务值得被建模。
如果你有领域数据、专家流程或评测需求，可以留下基本信息。我们会在后台查看，讨论数据范围、交付方式和合作边界。
KNEVO.AI / DATA SYSTEMS