对话吾道科技产品总监：大模型时代，如何重构金融报告生产的AI工作流

2025-05-14

近期，吾道科技产品总监刘波参加了由上海大数据联盟和Datafun联合举办的《DA数智大会·上海站》，并发表主题为“LLM时代的金融报告撰写：如何重构内容生产的AI工作流”的演说。本文基于此次演说内容整理。




在金融行业，报告撰写作为贯穿项目全生命周期的核心基础工作，其重要性随着监管趋严与数字化转型的双重驱动而持续凸显。从项目立项、市场开发，到执行过程和后督管理，每个环节均需产出多份合规、精准且具备决策参考价值的报告。


传统人工撰写模式在应对上述需求时，往往暴露出显著的效能瓶颈：数据获取和整合环节存在大量重复性的dirty work；人工审核难以覆盖所有潜在风险，且人力与时间成本消耗过高等等。这种低效模式与金融机构日均处理大量报告的业务需求背道而驰。

于是在此背景下，AI驱动的智能报告撰写系统正成为行业破局的关键。目前业内主流的AI赋能都专注在了制式报告*上。吾道科技一直来也沿用着“规则定义-模板配置-数据调取-内容填充-报告生成-审核修改-最终发布”的制式报告撰写流程。但随着大模型的出现，吾道科技开启了对于报告撰写的深度智能化的最新探索。


* 制式报告，具有统一格式、严格规范、遵循特定标准的报告，通常由监管机构、行业协会等制定规则，目的是确保信息的可比性和透明度。而非制式报告，没有统一格式或强制规范，内容灵活，通常根据特定需求定制，侧重分析、解释或策略建议。


图片

大模型为制式报告传统实现方案提供的优化点

在持续跟踪大语言模型的发展进程中，吾道科技尝试了部分撰写流程的优化，分别是撰写数据准备的文档解析环节、分析性内容生成和报告内容核查：

  • 在文档解析上，吾道科技开发了基于知识库RAG的公告解析平台，大幅提高公告取数效率，比如公告的解析规则方式需要5天，在知识库解析平台上只需要1天就能完成；
  • 在内容生成上，利用大模型来直接生成如财务分析、行业分析等分析类内容，提高报告初稿的内容填充率；
  • 在报告核查上，除了传统的行文格式、敏感词库等核查形式外，也通过大模型直接核查内容中的数据正确性、分析和推理的合理性等。

* 以上具体的技术尝试方法可见后续“技术·论”文章发布

图片

大模型与主流做法的优化对比表


大模型的出现确实为金融报告的智能生成带来了许多关键性改进，在吾道科技的落地尝试过程中，我们将其分为四类：

  • 分析类文本生成：突破传统“填空”局限，将数据与上下文融合，生成富有洞察的财务分析、经营分析、行业分析等段落；生成内容支持多风格切换（宏观、微观、风险提示等），提升报告专业度。
  • 深度语义分析：LLM通过大规模预训练理解金融语境，能从公告、年报等非结构化文档中提炼关键指标与结论；基于知识库RAG的文档解析，可提升数据结构化的效率。
  • 报告深度解读：大模型能够快速处理海量金融报告，通过智能摘要技术提炼核心观点，显著降低人工阅读成本；大模型可突破传统阅读的局限性，通过结构化分析生成量化指标，帮助用户快速了解内容核心。
  • 报告类型扩展：智能解读用户需求，直接利用知识库生成报告模板与内容，无需人工对模板进行配置，大幅提升报告类型扩展效率。


图片

▲扫码申请吾道撰写产品免费试用

智能刷募集已全面上新


但就目前大模型的能力而言，其也不是万能的。在落地过程中，吾道科技也发现了其在报告撰写应用中存在的问题：

图片

大模型应用的挑战与风险


大语言模型的出现，确实在基于知识库的文档解析、分析性章节内容生成、报告深度阅读等应用方面带来了显著的效率和能力提升。但端到端的制式报告落地依旧充满难点，例如生成内容一致性、幻觉、内容可解释与透明度等问题目前难以解决，而非制式报告的智能撰写就更为困难。

但Deep Research或可成为解决之道。

Deep Research的核心流程分为三步：客户交互进行需求收集、围绕需求进行信息收集、通过收集到的信息进行报告生成。而这三个步骤，也可以细分为多个不同的方式和流程：

图片

Deep Research核心流程


  • 在收集需求时，一般存在两种方式，第一种为用户提出报告标题或者关于报告的一个问题，基于此不断追问达成信息收集；第二种为用户提供需求标题，由AI通过对话跟进，直至确定用户的意图；
  • 收集需求之后，根据当前信息分析出新的问题，从而再转换成新的查询条件，并将查询到的信息保留到已有信息当中，形成一波信息判断、查询、保留的循环。这样即可把最开始的原始需求不断的进行分解，从而获取更全面的信息以满足原始需求；
  • 收集信息完成后，一般也有两种方式来生成报告，第一种为直接根据收集信息生成内容；第二种为根据已有信息制定报告生成计划，并让计划可跟用户进行交互审核，用户可以进行整合反馈，重新制定适宜的生成计划，审核完成后，即可根据计划按章节生成最终的报告。


以上便是Deep Research在金融报告生成上的主要逻辑。那在此基础上，我们还可以在多方面进行优化，以生成更高质量的金融报告：
* Deep Research实现方法可见后续“技术·论”文章发布

  • 增强数据源的可靠性和专业性：集成金融数据API和金融RAG知识库，提供更权威和准确的金融信息；
  • 提升LLM对金融领域知识的理解：使用金融领域微调的LLM或集成金融知识图谱来增强LLM的知识水平和推理能力；
  • 提高生成结果的准确性和可靠性：一是强化引用和溯源机制，确保生成报告中所有关键信息都有明确的引用来源，并且可以追溯到原始数据；二是集成事实核查机制，将LLM生成的内容与可信的金融数据源进行交叉验证，以识别和纠正潜在的不准确或“幻觉”信息；
  • 优化报告的结构和内容：一是定义清晰的报告模板，金融报告通常遵循特定的结构，可预先定义这些模板，并指导Deep Research按照模板生成报告；二是增强数据可视化能力，集成图表等数据可视化工具，使生成的金融报告更易于理解和分析。