技术深度解析
该应用的架构堪称客户端工程的典范，它将浏览器从一个简单的渲染引擎，转变为一个用于敏感操作的安全、强大的计算沙箱。其核心是一个为隐私保护分析而设计的多层技术栈。
核心计算引擎： 该工具利用WebAssembly（WASM）来执行对性能要求苛刻的金融模型。蒙特卡洛模拟需要对不同市场条件下投资组合表现进行数千次随机预测，这些模型由Rust或C++等语言编译为WASM模块在浏览器中运行，从而在沙箱环境中获得接近原生的速度。历史回测使用了自1928年起的美国市场回报率捆绑数据集，并在本地利用JavaScript的Web Workers进行并行处理，防止密集计算时阻塞用户界面。
本地AI集成： 最具突破性的方面是在无需数据外流的情况下集成了Claude的推理能力。这并非直接在浏览器中部署完整的1000亿+参数的Claude 3.5模型（这在浏览器中不可行），而是采用了混合策略：
1. 本地轻量模型： 一个经过提炼的、更小的模型（可能基于微软Phi-3-mini或谷歌Gemma 2B等开源架构）在本地处理初始的数据结构化和问题解读。
2. 安全、无上下文的查询： 对于复杂推理，应用会生成一个*去标识化、剥离上下文*的查询。例如，它不会发送“我的401(k)账户有50万美元，抵押贷款30万美元，想在60岁退休”，而是构建一个符号化查询，如“场景：retirement_age=60, portfolio_value=CATEGORY_5, debt_ratio=CATEGORY_3”。这种抽象表示被发送至Anthropic的API供Claude处理。
3. 本地合成： Claude返回的通用策略建议被传回，由*本地*应用将其与用户实际的私有数据重新整合，生成最终的个性化计划。私有数据从未与AI请求结合。
数据持久化与安全： 所有用户数据均使用浏览器的IndexedDB本地存储，并通过Web Crypto API使用用户提供的密码派生的密钥进行静态加密。如果密码丢失，将没有恢复机制，这强调了用户主权。整个应用在初始加载后可以离线运行，可作为静态网站甚至渐进式Web应用（PWA）分发。
与此相关的开源项目包括：
- TensorFlow.js 和 ONNX Runtime Web：用于在浏览器中部署轻量级机器学习模型。
- Pyodide：一个用于WebAssembly的Python运行时，可以让NumPy和Pandas等复杂库在本地运行以进行财务分析。
- `llama.cpp` GitHub仓库：虽然未在此直接使用，但其在消费级硬件（如智能手机和笔记本电脑）上高效运行大语言模型的能力，证明了本地AI的可行性。该仓库拥有超过6万星标，并专注于量化和硬件加速的积极开发。
| 计算任务 | 传统云端方式 | 本工具的本地方式 | 性能权衡 |
|---|---|---|---|
| 蒙特卡洛模拟（1万次迭代） | 服务器端CPU集群，<2秒 | 客户端WASM，8-12秒 | 较慢但私密；对于非实时规划可接受 |
| 历史回测（95年分析） | 服务器数据库即时查询 | 本地JS/WebWorker，3-5秒 | 对用户差异可忽略 |
| AI驱动的策略分析 | 完整数据发送至GPT-4/Claude API | 抽象查询 + 本地合成，5-8秒 | 为隐私换取额外延迟 |
| 数据存储 | 加密存储在供应商云端 | 加密存储在浏览器IndexedDB | 无供应商泄露风险；有本地数据丢失风险 |
数据要点： 本地处理的性能损失是可测量的，但对于退休规划这种本质上是异步、深思熟虑的活动而言，并非不可接受。该架构接受几秒钟的延迟，以换取绝对的数据主权，这是一个注重隐私的细分市场似乎愿意接受的权衡。
主要参与者与案例研究
该工具进入了一个由两种对立理念主导的领域：以数据为中心的聚合平台和简单的非AI计算器。
现有参与者（数据聚合模型）：
- Empower（前身为Personal Capital）： 其免费的财务仪表板链接用户账户，提供用于营销财富管理服务的整体视图。其商业模式依赖于数据访问。
- Betterment 与 Wealthfront： 这些机器人顾问需要完全关联账户以实现自动化投资。其价值主张是无缝管理，而这与数据收集密不可分。
- Fidelity的退休规划工具 与 Vanguard的退休储蓄计算器： 虽然由受信任的机构提供，但它们仍鼓励将数据输入其系统以获得个性化指导，这些数据最终会用于产品