量化

2.34% 写成 23.4%：金融 AI 最危险的幻觉，往往不是编出来的

2026年7月10日·1 分钟阅读·QVeris Team

工具没错，数据源也没错。真正危险的，是一个正确数据在写进报告时，被模型悄悄写错了一位。

这张图展现了金融科技相关的工作场景，一位身着正装的男士正注视着面前的虚拟屏幕，屏幕上呈现着金融数据处理的流程，左侧屏幕展示带有百分号的原始数据（百分比数据），数据经中间环节流转后，右侧屏幕上的同类型百分比数据出现了变化，该场景对应文档中提及的金融AI出现数据错误的情况，形象地呈现了金融工具在输出数据时可能产生的偏差，直观反映了金融AI数据处理环节存在风险的主题，和上下文里金融AI写错数据的内容相呼应。

一个看起来很小的数字错误，可能会一路进入晨会、客户简报和公众号草稿。

工具返回 2.34%，模型写成 23.4%。这不是数据源坏了，而是工具结果进入自然语言输出时出了错。

一个早上的小事故

周一早上，研究员小林让 AI 帮忙写一段异动快报。

工具返回的数据很正常：某只股票当前涨幅是 2.34%，成交量比前一日放大，盘中有一条公告被市场关注。几秒后，AI 草稿出来了，文字很顺：公司股价大涨 23.4%，资金明显追捧，短期情绪迅速升温。

小林第一眼觉得顺，第二眼就冒冷汗。

2.34% 被写成了 23.4%。工具没错，数据源没错，错在模型把数据抄进报告的那一刻。更麻烦的是，如果这段话没有被人工发现，它可能继续进入晨会纪要、客户简报、公众号草稿，最后变成一个看起来“有来源”的错误。

更常见的幻觉，不是编造，而是写错

很多人理解的 AI 幻觉，是模型凭空编了一个事实。但在金融场景里，更常见也更难发现的是另一类幻觉：数据是真的，最后写出来的东西却错了。

比如，工具返回万元，报告写成亿元；美元和人民币混在一起；同比、环比被算反；季度口径和年度口径放在一张表里；“可能受事件影响”被写成“确定上涨原因”。这些错误不像胡说八道，它们往往藏在一段很专业、很流畅的文字里。

这也是金融 AI 比普通问答更难做的地方：你不仅要回答得像样，还要让每个关键数字、每个结论都能回到证据上。

为什么只靠 prompt 不够

你当然可以在 prompt 里写：不要编造、请仔细核对、所有数据必须有来源。

问题是，模型本质上还是在生成文字。让它一边写、一边记住所有字段口径、一边做精确计算、一边判断合规边界，这不现实。金融报告里的关键事实，不能只靠模型“认真一点”。

QVeris Data Harness 的思路很简单：别让模型一个人背锅，也别让模型一个人做账。

QVeris Data Harness 怎么拦住这个错误

当 Agent 调用工具后，Data Harness 会先把工具结果封成一个 Evidence Packet。它不只是保存一个数字，还会记录这个数字来自哪个工具、哪个 provider、哪个字段，是什么时间返回的，单位是什么，是否有延迟，调用花了多少 credits。

接着，LLM 可以负责写草稿。但草稿不能直接交付。Data Harness 会把草稿里的关键 claim 抽出来，尤其是数字、日期、实体、计算结果和带判断色彩的结论。Claim Checker 再拿这些 claim 去对照 Evidence Packet、字段定义和公式模板。

刚才那个例子里，草稿写“涨幅 23.4%”，证据包里是“change_pct = 2.34”。Claim Checker 不需要猜，它只要核对：这个数字和证据是否一致？不一致，但可以修正，于是状态就是 corrected，修正文本是“涨幅 2.34%”。

图片展示了QVeris Data Harness如何拦住一个错误数字的流程。首先，工具返回数据，如行情、公告、财报等工具先返回结构化数据；接着冻结成证据包，记录来源、字段、单位、时间戳和调用成本；然后LLM写草稿，模型负责组织语言，但不直接“自证正确”；再逐条核验Claim，抽取数字、日期、结论，对照证据和公式；最后输出可信报告，给出已核对、已修正、待确认或阻断。关键变化在于工具返回2.34%，草稿写成23.4%，Claim Checker不靠猜，而是把草稿里的数字和证据包里的字段逐项对账，能修就修，不能证实就标记，风险过高就阻断。

QVeris Data Harness 的核心思路：先固化证据，再让模型写作，最后逐条核验。

四个状态，比一句“AI 已核验”更有用

QVeris 不会把所有结果都包装成“已确认”。它会把关键输出拆成四类状态。

verified 表示证据一致，可以正常输出；corrected 表示发现抄写、单位或计算错误，但能自动修正；uncertain 表示数据不足或口径冲突，需要提示用户待确认；blocked 表示关键数据缺失或风险太高，系统宁愿不输出，也不把错误包装成确定结论。

这四个词看起来很技术，但本质上就是一句人话：能确认的确认，能修的修，不能确定的说清楚，风险太高的别硬写。

图片展示了金融报告中四种核验状态的含义。其中，“verified”表示核对一致，数据、公式、口径都能对上，正常输出；“corrected”表示发现错误并修正，如23.4%被改回2.34%，Trace里留下修正记录；“uncertain”表示证据不足，来源冲突、口径不清或数据不够，提醒用户待确认；“blocked”表示阻断输出，关键数据缺失或风险太高，宁愿不写，也不装确定。这些状态让用户了解各部分数据的可信度，对应上下文对金融AI核验状态的解释。

四类核验状态让用户知道：哪里可信，哪里被修正，哪里还需要确认。

这不是纠错插件，而是金融 Agent 的事实保真层

Data Harness 的价值不只是“纠错”。它让金融 AI 的输出变得可解释：一份报告里哪些是事实，哪些是推断，哪些经过公式复算，哪些需要人工确认，用户可以看得见。

对开发者来说，这意味着不用在每个 Agent 里重复写一堆脆弱的校验逻辑。对投研和内容团队来说，这意味着报告可以更快生成，但关键数字不会裸奔。对机构客户来说，这意味着 PoC、审计和复盘时能看到完整 Trace Ledger，而不是只拿到一段漂亮文字。

所以，QVeris 想解决的不是“让 AI 更自信”，而是“让 AI 的自信有证据”。

图片展示了QVeris核验样例，说明工具JSON、LLM草稿、Claim Checker输出如何形成核验闭环。首先，工具JSON返回结构化数据，如change_pct为2.34%等；接着，LLM草稿出现错误数字，如当前涨幅为23.4%；最后，Claim Checker给出修正结果，status为“corrected”，纠正文本为“当前涨幅为2.34%”，并指出草稿数字与Evidence Packet不一致。图片与上下文紧密相关，直观呈现核验流程，强调不是让LLM心算，而是让系统对账。

代码示意：工具 JSON、LLM 草稿和 Claim Checker 输出如何形成一个核验闭环。

让 AI 的自信有证据

金融场景里，最贵的错误往往不是模型完全编了一个东西，而是它把一个正确数据写错了一位，把一个普通波动写成强烈信号，把一个待确认信息写成确定判断。

Data Harness 做的，就是在这些关键缝隙里加一道门：工具给数据，模型写文字，QVeris 负责把两边对起来。

一个真正值得信任的金融 Agent，不应该只会给答案。它应该告诉你：答案从哪来，哪里被核验过，哪里被修正过，哪里还不确定。

这也是 QVeris Data Harness 的价值：让 AI Agent 接上真实世界的数据，也让每一次输出都经得起回看。

如果你正在做金融 Agent、投研助手、数据工具调用或企业级 AI 工作流，QVeris Data Harness 可以作为底座：让 Agent 找得到真实能力、调得动真实工具，也让最终输出留下证据。

图片展示了QVeris Data Harness给金融Agent补上的四件事。1. 接入真实能力，通过API等接入数据；2. 固化证据包，记录关键数据来源等；3. 核验关键输出，对账、修正自动完成；4. 治理与复盘，留下Trace Ledger，支持审计和人工确认。核心是让每一次输出都有证据链，从“能回答”走向“可信、可查、可复盘”。该图与上下文紧密相关，直观呈现了QVeris Data Harness在金融Agent方面的功能优势。

QVeris Data Harness：让金融 Agent 的每一次输出都有证据链。

#量化#金融

上一篇QVeris 接入摩熵数科：下一个爆款药，到底卡在发现、临床还是注册？

返回所有文章