تُشكّل المجال المالي تحديات فريدة في بناء رُسُوم المعرفة (KG) على نطاق واسع، نظرًا لتعقيد الوثائق المالية وطبيعتها التنظيمية. وعلى الرغم من الأهمية الحاسمة للمعرفة المالية المنظمة، فإن المجال يفتقر إلى مجموعات بيانات كبيرة ومفتوحة المصدر تُسجّل العلاقات الدلالية الغنية المستمدة من الإفصاحات الشركاتية. نقدّم مجموعة بيانات مفتوحة المصدر، كبيرة الحجم، لرسم معرفة مالية مبنية على أحدث إقرارات سنوية من نوع SEC 10-K الخاصة بجميع شركات مؤشر S&P 100، وهي موارد شاملة مصممة لدفع عجلة البحث في مجال الذكاء الاصطناعي المالي. ونُقدّم إطارًا متكاملًا وقابلاً للتعميم لبناء رسم المعرفة (KG)، يدمج معالجة ذكية للوثائق، وتقسيم واعٍ للجداول، واستخراج تكراري موجه بالهيكل (Schema-guided)، مع دورة تغذية راجعة مدفوعة بالانعكاس (reflection-driven feedback loop). ويضم نظامنا نموذج تقييم شاملًا، يجمع بين عمليات التحقق القائمة على القواعد، والتحقق الإحصائي، وتقييمات نموذج اللغة الكبير (LLM-as-a-Judge) لقياس شامل لجودة الاستخراج. ونقدّم ثلاث طرق للاستخراج: أحادية المرور، متعددة المرات، واعتمادًا على وكيل الانعكاس (reflection-agent-based)، مما يتيح مرونة في التنازل بين الكفاءة والدقة والموثوقية وفقًا لمتطلبات المستخدم. وتبين التقييمات التجريبية أن الطريقة القائمة على وكيل الانعكاس تحقق دائمًا أفضل توازن، حيث تصل إلى درجة امتثال قدرها 64.8% مقابل جميع سياسات القواعد (CheckRules)، وتتفوّق على الطرق الأساسية (أحادية المرور ومتعددة المرات) في المؤشرات الرئيسية مثل الدقة والشمولية والصلة، وذلك في تقييمات تُوجّهها نماذج اللغة الكبيرة.