尧图网站建设 
告别逐条手动记账三步跑通 local-llms-analyse-finance 本地 AI 财务分类【免费下载链接】local-llms-analyse-financeIn this project, I explored how local LLMs can be used to label data and support analyses. Specifically, I used Llama2 model to automatically categorise my bank transaction data.项目地址: https://gitcode.com/gh_mirrors/lo/local-llms-analyse-finance周六晚上你导出一年的银行流水想认真看看钱花哪了。Tls Bv Inz Ov-Chipkaart 是什么钱你划拉了半小时越分越烦最后放弃了。local-llms-analyse-finance 干的就是本地 AI 财务分类这件事把流水交给本地跑的 Llama2它逐条读商家描述自动给每笔交易打上分类标签。换掉手动分类差在哪数据不出本机。云端记账工具要把流水传到对方服务器这里的模型跑在你自己电脑上钱的记录一步都不出门。不用养一套关键词规则。传统自动分类靠关键词匹配换个新商家就得补规则Llama2 直接读描述的意思没见过的店也能归个类。模糊商家名也读得懂。Vishandel Sier 这种本地小店的荷兰语名字关键词规则很难抓到模型却能从上下文推断出它大致是做什么的。搭环境并跑通第一次分类安装 Ollama 并下载 Llama2 模型先给电脑装上本地模型运行时再把 Llama2 模型拉到本机。curl -fsSL https://ollama.ai/install.sh | sh ollama pull llama2拉取完成后运行ollama list能看到 llama2说明模型就绪。Mac 用户也可以用 brew install ollama 代替第一行。克隆项目代码到本地把项目文件放到你的磁盘上。git clone https://gitcode.com/gh_mirrors/lo/local-llms-analyse-finance cd local-llms-analyse-finance进入目录后能看到两个笔记本和一份示例流水 CSV。装好依赖打开分类笔记本装好笔记本用到的几个 Python 库然后启动 Jupyter。pip install langchain_community pandas plotly panel jupyter notebook在浏览器里打开 categorize_expenses.ipynb从上到下逐格运行。第一遍要跑几分钟别提前关页面。 它到底能帮你做什么给整张流水批量打标签解决最耗时的部分这笔钱算哪一类。分类笔记本读取 CSV 后按 30 条一批发给 Llama2再把结果归一化比如各种Food写法统一成 Food and Drinks最后合并回主表输出带 Category 列的 transactions_2022_2023_categorized.csv。输出出错能发现、能重试本地模型偶尔会口误一批格式错了会污染整张表。校验版笔记本 categorize_expenses_with_validation.ipynb 会先检查每行输出格式对不对不合格就自动重试最多 7 次通过了才继续下一批。打开仪表盘看清钱花在哪标签有了还得好看。dashboard.ipynb 把分类好的数据画成交互式图表饼图看各类支出占比月度柱状图看走势2022、2023 用页签切换标题里还直接标出储蓄率。拿一年的流水走一遍看看本地 AI 财务分类的完整链路长什么样。输入仓库自带的 transactions_2022_2023.csv28 条记录四列——日期、商家描述、收支类型、金额。处理笔记本把去重后的商家描述按 30 条一批喂给 Llama2比如这一批Tls Bv Inz Ov-Chipkaart, Birtat Restaurant Amsterdam, Classpass* Monthly。你看到的结果模型逐行返回 Tls Bv Inz Ov-Chipkaart - Travel, Birtat Restaurant Amsterdam - Food and Drinks, Classpass* Monthly - Sport and Fitness。归一化、合并后导出新 CSV再打开仪表盘饼图一眼看出房租占比最大柱状图列出每月花了多少标题给出当年储蓄率。 改一改更贴合你的账本加新类别在提示词里补一句类别包括医疗、教育等模型之后就会用这些新类别。换成你自己的流水按示例文件的四列格式导出银行账单替换 transactions_2022_2023.csv 即可。换一个本地模型把 Ollama(modelllama2) 里的模型名改成你拉取的其他模型对比一下分类效果。省下的不只是记账时间一个本地跑的模型把看流水、打标签、画图三件事串成了一条流水线而数据始终在你手里更多说明可以看 README.md。你不妨现在就打开项目按上面三步跑一遍然后换成自己的流水试一次。【免费下载链接】local-llms-analyse-financeIn this project, I explored how local LLMs can be used to label data and support analyses. Specifically, I used Llama2 model to automatically categorise my bank transaction data.项目地址: https://gitcode.com/gh_mirrors/lo/local-llms-analyse-finance创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 告别逐条手动记账：三步跑通 local-llms-analyse-finance 本地 AI 财务分类
告别逐条手动记账三步跑通 local-llms-analyse-finance 本地 AI 财务分类【免费下载链接】local-llms-analyse-financeIn this project, I explored how local LLMs can be used to label data and support analyses. Specifically, I used Llama2 model to automatically categorise my bank transaction data.项目地址: https://gitcode.com/gh_mirrors/lo/local-llms-analyse-finance周六晚上你导出一年的银行流水想认真看看钱花哪了。Tls Bv Inz Ov-Chipkaart 是什么钱你划拉了半小时越分越烦最后放弃了。local-llms-analyse-finance 干的就是本地 AI 财务分类这件事把流水交给本地跑的 Llama2它逐条读商家描述自动给每笔交易打上分类标签。换掉手动分类差在哪数据不出本机。云端记账工具要把流水传到对方服务器这里的模型跑在你自己电脑上钱的记录一步都不出门。不用养一套关键词规则。传统自动分类靠关键词匹配换个新商家就得补规则Llama2 直接读描述的意思没见过的店也能归个类。模糊商家名也读得懂。Vishandel Sier 这种本地小店的荷兰语名字关键词规则很难抓到模型却能从上下文推断出它大致是做什么的。搭环境并跑通第一次分类安装 Ollama 并下载 Llama2 模型先给电脑装上本地模型运行时再把 Llama2 模型拉到本机。curl -fsSL https://ollama.ai/install.sh | sh ollama pull llama2拉取完成后运行ollama list能看到 llama2说明模型就绪。Mac 用户也可以用 brew install ollama 代替第一行。克隆项目代码到本地把项目文件放到你的磁盘上。git clone https://gitcode.com/gh_mirrors/lo/local-llms-analyse-finance cd local-llms-analyse-finance进入目录后能看到两个笔记本和一份示例流水 CSV。装好依赖打开分类笔记本装好笔记本用到的几个 Python 库然后启动 Jupyter。pip install langchain_community pandas plotly panel jupyter notebook在浏览器里打开 categorize_expenses.ipynb从上到下逐格运行。第一遍要跑几分钟别提前关页面。 它到底能帮你做什么给整张流水批量打标签解决最耗时的部分这笔钱算哪一类。分类笔记本读取 CSV 后按 30 条一批发给 Llama2再把结果归一化比如各种Food写法统一成 Food and Drinks最后合并回主表输出带 Category 列的 transactions_2022_2023_categorized.csv。输出出错能发现、能重试本地模型偶尔会口误一批格式错了会污染整张表。校验版笔记本 categorize_expenses_with_validation.ipynb 会先检查每行输出格式对不对不合格就自动重试最多 7 次通过了才继续下一批。打开仪表盘看清钱花在哪标签有了还得好看。dashboard.ipynb 把分类好的数据画成交互式图表饼图看各类支出占比月度柱状图看走势2022、2023 用页签切换标题里还直接标出储蓄率。拿一年的流水走一遍看看本地 AI 财务分类的完整链路长什么样。输入仓库自带的 transactions_2022_2023.csv28 条记录四列——日期、商家描述、收支类型、金额。处理笔记本把去重后的商家描述按 30 条一批喂给 Llama2比如这一批Tls Bv Inz Ov-Chipkaart, Birtat Restaurant Amsterdam, Classpass* Monthly。你看到的结果模型逐行返回 Tls Bv Inz Ov-Chipkaart - Travel, Birtat Restaurant Amsterdam - Food and Drinks, Classpass* Monthly - Sport and Fitness。归一化、合并后导出新 CSV再打开仪表盘饼图一眼看出房租占比最大柱状图列出每月花了多少标题给出当年储蓄率。 改一改更贴合你的账本加新类别在提示词里补一句类别包括医疗、教育等模型之后就会用这些新类别。换成你自己的流水按示例文件的四列格式导出银行账单替换 transactions_2022_2023.csv 即可。换一个本地模型把 Ollama(modelllama2) 里的模型名改成你拉取的其他模型对比一下分类效果。省下的不只是记账时间一个本地跑的模型把看流水、打标签、画图三件事串成了一条流水线而数据始终在你手里更多说明可以看 README.md。你不妨现在就打开项目按上面三步跑一遍然后换成自己的流水试一次。【免费下载链接】local-llms-analyse-financeIn this project, I explored how local LLMs can be used to label data and support analyses. Specifically, I used Llama2 model to automatically categorise my bank transaction data.项目地址: https://gitcode.com/gh_mirrors/lo/local-llms-analyse-finance创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考