今天分享的是：2025大模型赋能投研：如何结合结构化数据搭建本地智能投研系统？
报告共计：36页
《2025大模型赋能投研：如何结合结构化数据搭建本地智能投研系统？》由国金证券撰写，探讨RAG架构在大模型应用中的作用、痛点，以及RAGFlow开源解决方案在金融投研领域的应用。
1. RAG架构的重要性与痛点：大模型发展促使LLM应用落地，但面临“幻觉”、过时信息和专业知识匮乏问题。RAG架构通过引入知识库，检索补充信息，辅助大模型落地，在智能研报解读、政策法规解读等场景有广泛应用。然而，RAG工作流程存在痛点，“索引入库”时，文本识别分块、信息处理和Embedding模型选择困难；“检索输出”时，内容检索、重排序模型选择和Prompt处理影响结果；向量数据库也需提升效率和支持结构化数据融合。
2. RAGFlow开源解决方案：在多种RAG开源方案中，RAGFlow追求高质量输入输出，深度理解文档，支持复杂格式和结构化数据。在“索引入库”流程，DeepDoc组件解析分块文档，Raptor策略和知识图谱处理信息，还提供多种Embedding模型。“检索输出”时，采用混合搜索和多路召回，优化重排序策略，设计合理Prompt模板，并引入Deep Research提升LLM思考能力。向量数据库当前使用Elasticsearch，未来将接入Infinity，提升检索质量。
3. RAGFlow效果评估与应用：基于RAGAs框架，以15篇金融报告为样本评估RAGFlow，设计问题和答案，设置多指标衡量。结果显示，“General”解析方式结合知识图谱社区摘要功能检索效果好，开启Raptor可减少解析时间；Embedding模型选SFR - Embedding - Mistral、Reranker模型选bce - reranker - base_v1较优；还确定了其他参数的较优范围。在金融投研领域，RAGFlow可进行文本、结构化数据及混合检索，实现Text to SQL功能和周报自动化写作。
RAGFlow为大模型赋能投研提供了有效方案，通过解决RAG架构痛点，优化各组件和参数，在金融领域展现出强大应用潜力，助力提升金融投研效率和智能化水平 。
以下为报告节选内容
报告共计： 36页
中小未来圈，你需要的资料，我这里都有！
