Moshi 推大宗商品交易 AI 推荐引擎：4 秒处理 300 条市场信息，自建 VLM 守护客户数据
-
产品定位：Moshi CEO Anekha Sokhal 在 Latent Space 播客中将其描述为“Bloomberg、Claude 与 Netflix 的结合”——市场数据、对话式界面与个性化推荐的三层组合，面向大宗商品与能源交易员。Sokhal 此前在摩根大通从事能源衍生品交易，创业动机是“造一个自己当年想用的工具”。
-
数据处理量：Sokhal 称，人说完一句话约需 4 秒，Moshi 在这段时间内处理约 300 条新信息。数据源覆盖期货时间序列、技术指标、基本面供需数据、新闻、X/Twitter、播客音频，以及客户自有的分析师订阅与内部数据。处理流程包括数据清洗、统计与机器学习打标、本体构建，最终汇入 Moshi 的 n 维图谱。
-
推荐系统设计：Moshi 内置推荐系统，不仅回应用户查询，更主动推送二阶与三阶衍生信息。例如某能源公司出现动态时，系统判断其对石油的间接影响并即时提醒交易员——Sokhal 认为这无法靠新闻流解决，需要连接图与推荐系统共同完成。她指出，推荐系统是 AI 中被工程师严重低估的方向，RecSys 引擎往往比模型本身更决定产品可用性。
-
自建 VLM 处理私有数据：对于客户上传的杂乱 PDF，Moshi 选择自建视觉语言模型处理而非调用第三方服务。Sokhal 解释，客户数据不流向第三方是建立信任的前提；团队多数成员有 NASA 工作背景，具备自建模型的能力。对于必须连接客户内部系统的数据，则通过另外的协议与集成方式处理。
-
UI 与推荐系统协同：Sokhal 认为 UI 与推荐系统是同一问题的两面——用户自己搭建的 Claude 仪表盘往往只有本人能用，要让新用户融入工作流，必须解决交互界面问题。Moshi 借鉴 Netflix 等消费产品的推荐逻辑，通过界面主动推送数据，让用户持续获得价值而非被动等待查询。