最近，利用大模型进行财务报表分析正逐渐成为垂直领域的一个热门应用。大模型能够比人类更准确地理解复杂的财务规则，并在基于专业知识的基础上输出合理的分析结果。然而，财务报表信息庞大且复杂，对数据分析的准确性要求极高，通用的RAG和Agent的解决方案往往难以满足这些需求。

以某公司的2022年财务报表为例，传统方法在处理类似“2022年XXX子公司的第三季度的营业净利润是多少？”的查询时，通常通过知识向量相似检索和匹配来召回最相关的文本块进行总结和问答。然而，财务年报中包含多处相关信息，如不同季度的利润表、现金流量表等，这些信息可能会引发误判。如果不能准确召回并理解正确部分，就容易生成错误答案。如果涉及到财务指标的计算，分析过程可能会变得更加复杂。例如，计算毛利率、净利率等指标需要对收入和成本等多方面的数据进行综合分析。

为了克服大模型应用中的这些挑战，我们需要结合财务领域的知识背景，添加专门的外部模块来增强其功能。本文将以DB-GPT的AWEL编排模式为例，借助DB-GPT-Hub的几个关键原子，详细阐述如何利用大模型进行有效的财报数据分析，希望能为在垂直领域的进行数据AI赋能的朋友提供一些思考。

目前我们的实现方式是通过上传公司年报，利用大模型作为知识驱动引擎，调用向量数据库、关系型数据库、OCR服务以及相关模型等组件，通过AWEL(agent流式编排)构建一个财报分析的问答助手，能够直接回答用户这几类问题：

这里的架构设计主要是通过意图分类解决财报分析中可能出现的问题。针对每类意图执行单独的处理链路，每条处理链路基于不同场景精心设计。同时为了保证数据分析的正确性，我们还会通过解析和抽取用户查询中的相关参数，调用工具或执行 SQL 查询，为分析结果提供更准确的数据支持。因此整个架构围绕 3 部分进行实现，金融知识构建，查询意图识别，以及金融知识检索。

在A股上市公司发布的财务报告中，通常会包含一些重要的文本描述、财务表格和其他附注信息。每个财务报表都提供了不同方面的财务数据，用来展示公司的财务状况、经营成果和现金流情况：

这些表格数据结构化程度高，需要提取出完整有用的数据信息进行加工处理。而财报文本部分则包含大量公司简介、业务描述、风险分析和管理层讨论等重要信息。我们希望大模型能够通过深入理解文本内容，提取对投资决策有帮助的信息，如公司未来的战略规划、市场风险和机遇等。

针对财报pdf这样的非结构化数据处理，考虑到针对财报文档的一些特性，表格数据密集，专业术语繁多等情况，需要在信息抽取之前对pdf这样的非结构化数据进行预处理，主要的思路是将非结构化数据 —> 结构化数据，因此首先在数据读取和数据预处理模块，利用pdfplumber按页读取并转换为json格式，并且识别出哪些是需要的文本数据，哪些是表格数据，哪些是不需要的数据，比如页眉，页脚等等。

文本抽取包括知识切片，元数据信息抽取，embedding等一系列子任务组成。

知识切片主要目的是：

1.保持语义相关性，也就是上下文相关性，这直接关乎回复准确率。

2.保持在大模型的上下文限制内，分块保证输入到LLMs的文本不会超过其token limitations。这里有很多种分片策略进行选择：按照文本大小切分，按照页切分，按照标题进行切分。

本次案例为了保持语义的相关性，推荐采取按照页切分和按照标题级别进行切分：

1.按照页切分：

按照 pdf 每一页进行切分，保留每一页的完整性。

2.按照标题级别切分：

这里需要识别财报里面的标题信息，以标题层级构建chunk的树形节点，形成一个多叉树结构，每一层级节点只需要存储文档标题，叶子节点存储具体的文本内容。这样利用树的遍历算法，如果用户问题命中相关非叶子标题节点，就可以将相关的子节点数据进行召回。

●表格抽取：

查询改写