How Lucy Built a Source-of-Truth Retrieval Layer for 2.8M+ SEC and DART Filings with Qdrant
Qdrant 博客发布案例研究，介绍 Lucy 如何用 Qdrant 构建面向 280 万份以上 SEC 与 DART 申报文件的检索层。证据称 Lucy 为金融 AI 构建数据基础设施，将 SEC EDGAR 与韩国 DART 披露系统中的大规模监管申报文件转化为结构化数据，供 AI 系统搜索、检索与推理。
Development
- First ReportHow Lucy Built a Source-of-Truth Retrieval Layer for 2.8M+ SEC and DART Filings with QdrantQdrant Blog
- Current Assessment该案例显示金融 AI 的竞争点正从模型能力转向受监管数据的结构化与可检索性：SEC EDGAR 与韩国 DART 分属两个司法辖区，跨市场申报数据的统一检索层本身构成壁垒。判断：这类「事实来源」层更可能成为合规敏感场景的采购入口，但证据未提供任何收入、客户数或采用数据，无法验证商业规模。Agent Pulse · analysis
Qdrant 官方博客发布了一篇客户案例研究，标题为 Lucy 如何用 Qdrant 为 280 万份以上 SEC 与 DART 申报文件构建「事实来源」检索层。据该证据，Lucy 的业务是为金融 AI 提供数据基础设施，把来自美国 SEC EDGAR 系统与韩国 DART 披露系统的大规模监管申报文件转成结构化数据，使 AI 系统能够在其上做搜索、检索与推理。证据仅覆盖这一层描述，未给出架构细节、性能数字、成本数据或客户规模。
从证据可确认的技术方向是：把异构、跨司法辖区的监管申报文件先做结构化，再在其上叠加向量检索层，作为下游推理的「事实来源」。这属于检索增强式数据管线的典型形态，但证据未披露分块策略、嵌入模型、索引规模或召回评测，因此无法判断其检索质量。可验证的下一信号是 Qdrant 或 Lucy 是否公开索引规模、延迟或召回指标。
该案例显示金融 AI 的竞争点正从模型能力转向受监管数据的结构化与可检索性：SEC EDGAR 与韩国 DART 分属两个司法辖区，跨市场申报数据的统一检索层本身构成壁垒。判断：这类「事实来源」层更可能成为合规敏感场景的采购入口，但证据未提供任何收入、客户数或采用数据，无法验证商业规模。
对金融 AI 产品而言，价值在于把分散在多国监管系统中的申报文件统一为可检索、可引用的结构化层，从而降低合规场景下的事实错误与人工核对成本。但证据未给出成本、延迟或准确率数据，因此该价值目前只能视为方向性判断，需等待可量化指标才能评估投入产出。
若该模式成立，后续可观察的信号包括：Lucy 是否扩展到更多司法辖区的披露系统、是否公开检索质量或延迟指标、以及 Qdrant 是否发布同类金融合规案例。若长期没有可量化指标披露，则该案例更接近营销材料而非可核验的工程基准。