AI 智能投研问答系统 | 聂二

这个项目不是公开 SaaS，而是一个面向企业内部研究与投顾场景的投研问答系统。目标很直接：让研究、顾问和相关业务用户用自然语言提问，系统从内部研报、金融新闻和结构化标签里检索证据，再生成可追溯的回答。

我在这里主要关注工程链路，而不是把它包装成一个客户案例。项目的核心价值不在于“接了大模型”，而在于把非结构化投研资料、金融标签、上下文追问和证据引用做成一条可交付、可维护的 RAG 流程。

问题定义

投研问答和通用知识库问答不太一样。用户经常不会把问题说完整，比如“它最近怎么看”“换成美联储口径呢”“有没有相反观点”。如果系统只拿当前这一句话去向量检索，很容易找错主体、错过时间范围，或者把无关新闻拼成一个看似合理的答案。

另一个麻烦是可信度。金融场景里，模型不能凭印象补全数据，也不能把没有检索到的信息说得很确定。因此这套系统的约束是：回答必须基于检索材料，来源要能回点，证据不足时要明确说明。

系统按“理解问题 - 检索证据 - 生成回答 - 追溯来源”的链路拆分。

第一步是问题理解。模型会结合最近若干轮上下文，把口语问题重写成可检索的问题，同时抽取实体、关键词和时间范围。这里不会假设“最近”永远是同一个跨度，而是根据问题类型和上下文转成更明确的检索条件。

第二步是并发检索。系统会根据问题类型选择不同策略：有明确实体和标签时优先走精确过滤；需要扩展观点时再补充 BM25 和向量召回；对时效性强的问题会提升近期材料权重。这样做比单纯依赖向量召回更可解释，也更符合金融资料已有标签体系的特点。

第三步是回答生成。生成模型只接收检索到的片段、用户问题和必要的上下文，前端通过 SSE 展示流式输出。回答完成后，用户可以展开来源，查看引用对应的研报或新闻片段。

投研问答的流式回答界面

我负责把投研问答从“能演示”推进到“能在真实业务里使用”的工程链路，包括：

最容易低估的是“问题理解”。投研用户不会按检索语法提问，他们会沿着上一轮对话继续问。处理方式是先把用户问题转成独立问题，再生成检索参数，而不是直接把原句丢进检索器。

第二个难点是召回策略。金融资料本身有成熟标签体系，如果完全依赖向量检索，结果有时看起来语义相近，但业务标签并不匹配。项目里采用标签优先、关键词和向量补充的方式，在召回覆盖率和可解释性之间取平衡。

第三个难点是回答边界。模型生成能力越强，越容易在证据不足时补话。这里通过提示词约束、证据片段输入限制和前端引用展示，把“能不能回答”变成系统行为的一部分，而不是只靠模型自觉。

回答证据来源展示

项目以企业内网应用形态交付，包含后端问答服务、检索服务对接、前端对话界面、数据接入脚本和基础运维配置。系统接入数万份内部研报与千万级新闻，提问后约 3–5 秒开始流式输出、十余秒给出带来源的完整回答，并支持十余轮连续追问。由于涉及非公开研报、新闻源、业务标签和内部部署环境，没有公开仓库或在线演示。

可公开展示的是脱敏后的交互截图和架构描述。页面中所有业务规模、客户身份、模型细节和内部数据结构都已泛化处理，避免通过组合信息还原具体客户。

如果你正在做企业 RAG、知识库、AI 客服或 Agent 工作流，可以通过页面下方微信二维码或邮件沟通，邮箱：contact@aildnc.com。