上次國產AI模(mo)型(xing)測評后（詳見(jian)《六大(da)國產大(da)模(mo)型(xing)，誰(shui)是最強“金融分析師”？》），大(da)模(mo)型(xing)糟糕的(de)聯(lian)網信(xin)息(xi)搜索能(neng)力令(ling)人耿耿于懷。

看起來很簡單的(de)信(xin)息獲取和(he)四則運算(suan)，AI一本正經給出的(de)答(da)案全是胡編亂造。

“聯網搜索”功能(neng)一開，人工(gong)智(zhi)能(neng)秒(miao)變“人工(gong)智(zhi)障”。

要想讓AI提供(gong)可靠的信(xin)息與結論，就得老老實實地(di)把財報喂給(gei)它(ta)。

但是，財(cai)務分析(xi)，不可能每次(ci)只看(kan)一篇(pian)財(cai)報。

很明顯，AI的(de)“飯量(liang)”是有限的(de)，上(shang)下文窗口的(de)存在(zai)意(yi)味著不可能將一摞財報(bao)全(quan)都(dou)丟給(gei)AI。

何況，即便(bian)是能上傳多篇財(cai)報，也會(hui)導致(zhi)分析(xi)處理過程(cheng)的“消化”時間大大延長(chang)。

“智(zhi)能窘境”當前，我們開(kai)始探索新的路(lu)徑——試圖通過為大模型(xing)外掛“RAG知識庫”的方(fang)式，打開(kai)新世(shi)界(jie)。

一番測(ce)試下(xia)來，你猜怎么著？

01 致命的幻覺

首先需要明確的(de)一(yi)點是(shi)，AI自帶(dai)的(de)知識(shi)儲備是(shi)有時(shi)限的(de)。對于某(mou)一(yi)時(shi)間點以后的(de)數據，AI是(shi)完全(quan)不知情(qing)的(de)。

有些誠實的(de)模型會告訴我們：“對不起，我暫時(shi)無法獲(huo)取到某年某月某日以后的(de)數據。”

圖(tu)：Hunyuan-T1獲(huo)取2025年第1季度財務指標

而(er)有些“機制”的模型則會用(yong)各種方法試圖給我(wo)們創(chuang)造答案，畢(bi)竟，編(bian)造數據和假設數據對(dui)于(yu)AI完全是小菜一碟。這(zhe)就(jiu)是我(wo)們常說(shuo)的AI的“幻覺”。

然后，AI聯網(wang)搜索的(de)信息(xi)來源可謂是五花八門。畢竟，互聯網(wang)上假消息(xi)遠比真消息(xi)多。

點(dian)開模型的(de)深度思考和(he)網(wang)頁搜索界(jie)面就(jiu)可以看到，參(can)與(yu)評測的(de)模型能夠找到比(bi)較靠譜的(de)信息(xi)來源，通常是各大網(wang)站的(de)財(cai)經作者發布的(de)文章，比(bi)如東方財(cai)富網(wang)、雪球、網(wang)易、新浪和(he)騰訊等。

但是(shi)，也有(you)一些模(mo)型的(de)信息來(lai)源看(kan)著就很不靠譜，比如股吧評論。

總之(zhi)，沒(mei)有任何一(yi)(yi)個(ge)模型能夠(gou)獲取最權威的財報原文，這就是聯(lian)網搜索的最大弊端之(zhi)一(yi)(yi)。

最后，上下(xia)文窗(chuang)口的長度(du)是每(mei)個AI大(da)模型(xing)產品在發布(bu)時都會強(qiang)調(diao)的重點(dian)，它代表著AI的短(duan)期(qi)記憶能力。

作為上次評測材料的(de)美團(tuan)季度(du)財報，僅一篇就長達30頁，模型能(neng)夠不出錯實屬不易。

若上傳多篇(pian)財報(bao)，AI的(de)“腦容量”瞬間告急，好比(bi)最后一天才想起寫假期作(zuo)業的(de)學生(sheng)，結果(guo)可想而知，大(da)概只能(neng)靠胡編亂造了。

02 可能的破局之法

解決信息質量差和(he)記(ji)憶力不足的方法其(qi)實不難。

上大學的時候(hou)，每次一(yi)門新課的開(kai)(kai)頭，老師都會(hui)告知學生(sheng)這門課的考試(shi)形式。每次“開(kai)(kai)卷考試(shi)”四個字(zi)一(yi)出，教(jiao)室里總(zong)有一(yi)大群人長出一(yi)口氣。

在開卷考試的(de)情況(kuang)下，如果書上有(you)標準答(da)案，學(xue)生自然不(bu)會(hui)去網上找些不(bu)靠譜的(de)答(da)案，更不(bu)必去死記硬背課本，而AI也可以使用這個辦法來應對“考試”，即——

RAG：Retrieval-Augmented Generation，檢(jian)索增(zeng)強生成。

簡單的來(lai)說，就(jiu)是讓AI先從(cong)知識庫中檢(jian)索(suo)相關(guan)內(nei)容，再(zai)基于內(nei)容生成(cheng)答(da)案。

因此，首先(xian)需(xu)要把所(suo)有的(de)財報PDF上傳到同一(yi)個地方，也就(jiu)是我們的(de)“知識(shi)庫”。當然(ran)，這個知識(shi)庫中(zhong)并不局限(xian)于PDF文件，相(xiang)關的(de)Excel統計表格(ge)、Word文檔也可(ke)以一(yi)并放(fang)入，成為AI存放(fang)了大量教科書的(de)專屬圖書館。

如此，AI在回答時就必須先來(lai)(lai)這個“圖書館”尋找答案。接下來(lai)(lai)，我們分步來(lai)(lai)看(kan)看(kan)RAG的具體工(gong)作流程。

數據準(zhun)備階(jie)段（離(li)線(xian)）：

Step.1 文本切分

在這(zhe)一(yi)步，我(wo)們需要解(jie)決財報篇(pian)幅(fu)過(guo)長的問(wen)題。前面說(shuo)過(guo)，美(mei)團(tuan)的一(yi)篇(pian)財報就足足有(you)30頁，通讀全文(wen)對于AI來說(shuo)實在是強人所難(nan)。

因此，需要“快(kuai)刀斬亂麻”，把財(cai)報的全篇(pian)內容分解成意義明(ming)確的小型段落。

Step.2 文本向量化

事實上，AI并不能直(zhi)接閱讀人類(lei)語(yu)言，因為計算(suan)機能夠看懂的(de)只有數字(zi)。

這時候，就(jiu)需要借助一(yi)個(ge)“嵌入模型(xing)”（Embedding Model）來(lai)把文本轉化成我們(men)熟悉的(de)另一(yi)個(ge)概(gai)念——向量。

圖：

EmbeddingModelLeaderboard -//huggingface.co/spaces/mteb/leaderboard

眾所周知，向量就是(shi)一串(chuan)數字，AI就是(shi)用它來獲取(qu)文本中的語義信息。

一大堆向量(liang)聚(ju)在(zai)一起，就構成(cheng)了向量(liang)空(kong)間。而(er)意(yi)思接(jie)近的文(wen)本(ben)，在(zai)向量(liang)空(kong)間中(zhong)的距(ju)離(li)會更(geng)近。

Step.3 向量(liang)存儲

文本切割為小型段(duan)落后，將會和對(dui)應的(de)向量一起被存儲(chu)于(yu)向量數據(ju)庫。

目的(de)也(ye)很簡單，在經過特(te)殊優化后，向量數據庫(ku)中就可以進行大(da)規模的(de)向量相似度(du)檢(jian)索。

應用階段（在線）：

Step.4 查詢向(xiang)量化

假設用戶提出了問題：“流(liu)動(dong)比率是什么(me)？”

上面已經說過(guo)，AI無法直接(jie)閱讀文字，因此用戶提(ti)出的(de)指令也需要轉化成向(xiang)量。

需(xu)要注意(yi)的(de)(de)是，對(dui)知識庫使(shi)用的(de)(de)嵌入模型與對(dui)用戶指令(ling)使(shi)用的(de)(de)嵌入模型必(bi)須(xu)是同一個。

只有這樣，才(cai)能(neng)保證兩者處于同一(yi)個向量空間中。也只有在同一(yi)個向量空間中，才(cai)能(neng)比較和(he)查詢文本向量的相(xiang)似度。

Step.5 向量(liang)檢索

在獲得用戶(hu)指令對(dui)應(ying)(ying)的(de)向(xiang)量(liang)后，就(jiu)可以去向(xiang)量(liang)數據庫中檢索與之“距離最近”的(de)文本段(duan)落對(dui)應(ying)(ying)的(de)向(xiang)量(liang)，也就(jiu)是計算向(xiang)量(liang)之間的(de)相似度。

相似(si)度的(de)(de)計算(suan)(suan)方法是(shi)使用某個(ge)函(han)數，對用戶指令對應的(de)(de)向量(liang)與向量(liang)數據庫中的(de)(de)向量(liang)進行運算(suan)(suan)，將得出的(de)(de)結果按順(shun)序排列，提取前N個(ge)結果。

而函數的(de)形式是多樣化的(de)，如常用的(de)余弦相似度等方法。

根據提取到的結(jie)果，對應的文本段(duan)落可能是(shi)：

“流動(dong)比率是流動(dong)資產(chan)對(dui)流動(dong)負(fu)債(zhai)的比率。”

“流動比率可(ke)以衡量企業流動資產在短(duan)期債務到期以前可(ke)變為現金用于償還負債的能力。”

“流動比率(lv)越(yue)高，說(shuo)明企業(ye)資產(chan)的變現(xian)能(neng)力越(yue)強(qiang)，短(duan)期償債能(neng)力亦越(yue)強(qiang)。”

Step.6 構建增強提示詞(ci)

在檢索到(dao)相(xiang)(xiang)關(guan)知(zhi)識(shi)（相(xiang)(xiang)似度(du)最高的(de)一些向量對應的(de)文本段落）后，還要(yao)再加上用戶的(de)指令，打包成一個(ge)新的(de)提示(shi)詞（Prompt），發送給大語(yu)言(yan)模(mo)型(xing)，例如：

請(qing)(qing)根據(ju)以下(xia)提(ti)供的(de)上下(xia)文信息，來回答用戶的(de)問題。如果上下(xia)文中沒(mei)有相關信息，請(qing)(qing)直(zhi)接說你不知道。

[上下文信息]:

- 流(liu)動比率(lv)是流(liu)動資產(chan)對(dui)流(liu)動負債的比率(lv)。

- 流動(dong)(dong)比(bi)率可以衡量(liang)企(qi)業(ye)流動(dong)(dong)資產(chan)在短期債務到期以前可變(bian)為現金用于償(chang)還(huan)負債的能(neng)力。

- 流動比率(lv)越(yue)(yue)高，說明企業(ye)資(zi)產的(de)變現能力越(yue)(yue)強，短期償債能力亦越(yue)(yue)強。

[用戶問題]:

流動比率是什么？

Step.7 生成答案

大模型收到(dao)增強的提(ti)示詞，相當于學生在(zai)開(kai)卷考(kao)試中在(zai)書里找到(dao)了答案，可(ke)以根據自己的語言組織(zhi)能(neng)力正式開(kai)始作答。

圖(tu)：RAG工作(zuo)流程示意圖(tu)

03

實占：使用(yong)騰訊元器搭建AI財報分(fen)析助(zhu)手(shou)

理論看起來很完(wan)美，實踐效果(guo)如何(he)？使用騰(teng)訊元器上手試(shi)一(yi)試(shi)。

騰訊(xun)元(yuan)器——混元(yuan)大(da)模型團隊推(tui)出的(de)智能(neng)體開放平臺，可(ke)通過(guo)插件、知識(shi)庫和工作(zuo)流等方式構建低代碼式的(de)智能(neng)體。

第一步，創建知識(shi)庫(ku)。

在(zai)實際測試(shi)中(zhong)，我(wo)們(men)選(xuan)定(ding)6家公(gong)司：美(mei)團、京東、百(bai)度(du)、騰訊、谷歌、阿里(li)。

為每家公司單獨創建一(yi)個知(zhi)識(shi)庫，選擇文本類型，并上傳自2023年第(di)一(yi)季度(du)至(zhi)2025年第(di)一(yi)季度(du)的財(cai)報(bao)。

第二步，創建工作流。

事實上，要(yao)使用騰訊元器的智能體，工作(zuo)流并非必要(yao)。

但是，由于工(gong)作(zuo)(zuo)流是一套預設好的、固定的流程，使用工(gong)作(zuo)(zuo)流構建(jian)智能(neng)體可以更直觀(guan)地展(zhan)現工(gong)作(zuo)(zuo)流程，杜絕聯網搜索的可能(neng)性。

工作(zuo)流的(de)設計采用“路(lu)由(you)(you)分發”模式：先(xian)用一(yi)個大語(yu)言模型節點來識(shi)別用戶指(zhi)令(ling)中(zhong)提(ti)及(ji)的(de)公司實體和(he)分析(xi)任務，然后(hou)根據識(shi)別結果動(dong)態地調用相(xiang)應的(de)知識(shi)庫進行查詢(xun)，最后(hou)再(zai)由(you)(you)一(yi)個匯總節點整合所(suo)有(you)檢(jian)索到的(de)信(xin)息，生成一(yi)個全面、精準的(de)回答(da)。

圖：工作流結構圖

首先，工作(zuo)流的(de)開始節點用(yong)于(yu)接收用(yong)戶輸入(ru)的(de)指(zhi)令，將(jiang)之(zhi)命名為(wei)query。

此后(hou)，以阿(a)里為例，使用一個LLM節(jie)點和條件分(fen)支節(jie)點來判斷用戶的(de)指令中是否包含阿(a)里及其別(bie)稱。

圖：”Ck_Alibaba”節點(dian)的系統提示詞

若包(bao)含，則需要(yao)調用阿里的財(cai)報知識(shi)庫進行查詢。

先使用LLM節(jie)點進行查(cha)詢改寫，該節(jie)點共設置(zhi)兩項任務：

若用戶指令中包含多(duo)家公司(si)，則該節點(dian)只會輸出與阿里相關的查詢任務。

若用(yong)戶指令中(zhong)采取阿(a)里(li)的別稱，統一轉化為“阿(a)里(li)”進行查詢。

圖：”查詢(xun)改寫_Alibaba”節(jie)點的系統(tong)提(ti)示詞

查(cha)詢(xun)改寫節點輸出的(de)就是(shi)直(zhi)接明了(le)的(de)查(cha)詢(xun)任務，直(zhi)接連接知識庫檢索節點即可。

若不包含，表明此時無需調用阿里的財報知識庫(ku)。

由于工作流(liu)不允許條件(jian)分支節點的else分支置空，需要連接一(yi)個空輸出LLM節點。

圖(tu)：”Em_Alibaba”節(jie)點的系(xi)統提示詞

最后，將各公司對(dui)應(ying)的知識庫檢索節點(dian)和空(kong)輸出(chu)LLM節點(dian)統一與(yu)一個LLM節點(dian)連(lian)接，用于(yu)匯總全部信(xin)息，與(yu)輸出(chu)節點(dian)連(lian)接即可。

第(di)三步，創建智能(neng)體(ti)。

在(zai)智能(neng)體(ti)配置(zhi)頁面，需(xu)要通過“切換創(chuang)建方式”，改為(wei)使用工(gong)作流模式，并配置(zhi)上文中創(chuang)建的工(gong)作流。

智能(neng)體每次回(hui)復時(shi)，一定會運行該工(gong)作流。

圖：工作流模式(shi)的(de)財報分析助手智能體(ti)

04 實驗結論：理想還難以照進現實

經過測試，我們很(hen)遺憾地發現(xian)(xian)，無論是騰訊元器、海(hai)外的Coze還(huan)是開源的Dify，當前階段的低代碼(ma)式RAG應(ying)用在(zai)處理(li)復雜(za)的財報分析(xi)任務時，效果均不盡如(ru)人意，與(yu)理(li)論上的完美表現(xian)(xian)存在(zai)差距。

以在騰訊元器上構建的智(zhi)能體為例：

對于查詢一家(jia)公司的一項財務指標時，智能(neng)體大(da)概率能(neng)夠給出(chu)準確的答案；

但是(shi)，有時也會產生一些(xie)錯誤(wu)，例如(ru)詢問季度數據(ju)(ju)卻回(hui)答(da)財(cai)年數據(ju)(ju)：

圖：查詢阿里2025Q1的成(cheng)本

在查詢多家公司的一項(xiang)財務指標(biao)時，回復質量(liang)也已經開始下降：

圖(tu)：查詢多(duo)家公司(si)的一(yi)項財務指標

其中，智能體對于(yu)谷(gu)歌(ge)、美團和(he)京東(dong)的回答(da)均正確，但(dan)對于(yu)阿里卻沒有找到數(shu)據。

此外(wai)，京(jing)東的(de)(de)數據明顯來(lai)自(zi)于文本(ben)段落的(de)(de)敘(xu)述，而非表格中的(de)(de)確切數字。

唯一(yi)令人欣慰的是，由于知識(shi)庫和(he)工作流的存在，智能體(ti)不會像(xiang)一(yi)些大模型一(yi)樣(yang)假設和(he)編造數據，信(xin)誓旦(dan)旦(dan)地給出(chu)錯誤(wu)答案了。

我們推(tui)測，RAG智能體的(de)表現(xian)不佳(jia)可能有如下原因：

（1）檢索失敗

——“開卷考(kao)試(shi)時，課本被撕碎了，而查字典(dian)時近義詞又太(tai)多(duo)。”

一方面，在(zai)文檔(dang)解析(xi)與(yu)分塊這一環節(jie)，RAG存在(zai)先(xian)天不足。

最(zui)簡單也最(zui)常(chang)見的(de)情(qing)況是上(shang)下文的(de)割裂現象。

假設用戶的指(zhi)令要求查詢某一(yi)(yi)季度的財務指(zhi)標，而財報(bao)中有一(yi)(yi)個(ge)文(wen)本(ben)段落專門描述了(le)這一(yi)(yi)指(zhi)標的具體情(qing)況。

財(cai)(cai)報的(de)首頁可能已(yi)經注(zhu)明(ming)這是哪個季度的(de)財(cai)(cai)報，但當(dang)我們拋開(kai)上(shang)下文只專注(zhu)于這一段落(luo)時(shi)，若沒有提(ti)示(shi)，則很(hen)難判斷所處(chu)時(shi)期(qi)。

文本切(qie)分階段，就很容易產(chan)生這(zhe)種(zhong)“無(wu)頭無(wu)尾”的知(zhi)識塊，而系統自(zi)然(ran)也難(nan)以將用戶(hu)的指令(ling)和這(zhe)些知(zhi)識塊進行匹(pi)配。

另一種情況是元數據的丟失。

最(zui)理想的情(qing)況下，我(wo)們希望每個知識塊(kuai)都帶(dai)有“元數(shu)據(ju)”，例(li)如“XX公司-202X年(nian)第X季度財報-XX頁”。

但是，平臺在(zai)解析時，若遇到(dao)大量(liang)的長篇財(cai)報(bao)(bao)，幾乎不(bu)可能對每個知(zhi)識(shi)塊實現精確的標(biao)簽標(biao)注(zhu)，而是只能知(zhi)道(dao)某個知(zhi)識(shi)塊來自(zi)于(yu)哪篇財(cai)報(bao)(bao)。

因此，即使是開(kai)卷考試，“書(shu)本”里也有“答案(an)”，但“學生”也總會(hui)遇到不會(hui)做的(de)“題”。

另一方面，向量檢索存在語義(yi)模(mo)糊性。

前面講解RAG工作原理時提到(dao)過，向量(liang)檢索依(yi)靠的(de)是(shi)“語義相似度”，而(er)非“關鍵詞精確匹配”。

以“2023年第四季度營(ying)收”和(he)“2023年全(quan)年營(ying)收”為例，在(zai)我(wo)們(men)看(kan)來，這兩個指令的(de)含(han)義完(wan)全(quan)不同(tong)，人(ren)類甚至(zhi)會因為注意到句(ju)式相同(tong)而(er)重視其含(han)義不同(tong)。

但在向量空間(jian)中(zhong)，這兩個指(zhi)令對(dui)應的(de)向量可能(neng)距離很近，如果(guo)“第三季度”和“全年”兩個詞的(de)權重(zhong)判斷不(bu)夠高，檢(jian)索時就很容易發(fa)生段落之間(jian)的(de)混(hun)淆(xiao)。

（2）多模(mo)態理(li)解(jie)失敗與檢索(suo)內容優(you)先級

——“學生重文輕理，寧讀文字，不看圖表。”

財務分析中，最常見的數據展示形式就是報表。

但(dan)對于計算機來說，一張存(cun)儲了分散數據的表格(ge)和一段連續的文(wen)本存(cun)在(zai)天壤之別(bie)。

這是(shi)兩(liang)種完全不同(tong)的數據(ju)結構，而后者遠比前者易于處(chu)理，畢竟大部分(fen)RAG流程都是(shi)以(yi)文(wen)本為基(ji)礎而設計的。

因此(ci)，在將文(wen)檔(dang)上傳(chuan)至知識庫，系(xi)統開始(shi)解析PDF時(shi)，我(wo)們會(hui)看到解析結果可(ke)能并非一(yi)(yi)張表格，而是(shi)一(yi)(yi)段(duan)冗長且雜(za)亂(luan)的文(wen)本。

圖(tu)：美團財報解析結果

如圖所(suo)示(shi)，解析后的文本(ben)完全(quan)丟失了表格(ge)所(suo)具有的行列(lie)結構，語義(yi)完全(quan)混亂，不可能將項目(mu)與數(shu)據(ju)一一對(dui)應，這部分文本(ben)很有可能就變成了一個無用(yong)的知識塊(kuai)。

也因此(ci)，與上(shang)面這段“亂碼(ma)”比(bi)起來，RAG系統更(geng)善于處理由完整的文本段落構成的知識塊，這些知識塊在檢索(suo)過(guo)程中也自然而然地獲得了更(geng)高的優(you)先級。

從大語言模型和RAG的(de)工(gong)作原理來看，其本質就是(shi)文本的(de)概率生成。

而(er)部分(fen)大語言模型和(he)簡單(dan)的RAG流程(cheng)并不具備確認事實和(he)數據精(jing)度檢(jian)驗的功能。

因此，在查詢京東(dong)2024Q4的(de)EBITDA時，智能(neng)體優(you)先(xian)選擇(ze)了文(wen)本段(duan)落中(zhong)的(de)“125億元”，而非表格中(zhong)的(de)“12,529百萬人民幣”。

或許在(zai)智能體看來，這兩個(ge)答案之間并不存在(zai)誰比誰更(geng)精確、更(geng)權威的關系，只(zhi)是因為文本段落中的答案更(geng)容(rong)易匹配。

（3）生成環節失控

——“帶的參考書太多，看(kan)花了眼，抄錯了行，好在還有點知(zhi)識儲備？”

由于工(gong)作(zuo)流(liu)中的(de)(de)(de)大語言模型(xing)節點使用的(de)(de)(de)仍然是(shi)國內幾個知名(ming)廠商推(tui)出的(de)(de)(de)AI模型(xing)，而這些(xie)模型(xing)已經經過了預訓練過程，因此，模型(xing)本身(shen)已經存在(zai)記憶，受到無關信息的(de)(de)(de)干擾。

同(tong)時，模(mo)型(xing)內部(bu)的注意力機制導(dao)致其(qi)對不(bu)同(tong)詞匯的權重存在(zai)一定差異，忽略或錯誤理(li)解用(yong)戶指(zhi)令中的某些(xie)細(xi)節也就不(bu)足為奇了。

05 總結與展望

實(shi)測結果表(biao)明(ming)，除了我(wo)們(men)自身(shen)的(de)能力因(yin)素之(zhi)外，目前低代(dai)碼(ma)式(shi)RAG平臺(tai)的(de)功能還存在一定欠缺。

這些平臺最大(da)的優勢(shi)在于便利，允(yun)許用(yong)戶規避編(bian)寫代碼環節來使用(yong)AI產品，大(da)大(da)降低了(le)使用(yong)門檻(jian)。

但平(ping)臺(tai)也隱藏(zang)了大量技(ji)術(shu)細節，用(yong)戶無法根據自身(shen)需求進行(xing)精(jing)細化調整。

例(li)如，騰訊元器中(zhong)僅僅提(ti)供了十個類型的節(jie)點，在(zai)財務分析的應用中(zhong)尚有(you)欠缺(que)，提(ti)取數據(ju)雖然杜(du)絕了編造(zao)數據(ju)的情況，但(dan)也存(cun)在(zai)遺(yi)漏現象。

更不(bu)要提計算和分析等功能，因為(wei)那(nei)已(yi)經超(chao)出(chu)了經典RAG的(de)范疇，將之(zhi)歸(gui)類于“Agentic RAG”或“Tool-Augmented RAG”更加合適。

RAG存在三個核心局限：

一是(shi)難以執(zhi)行精(jing)確(que)的計算(suan)，即(ji)便(bian)給出準確(que)的數據，也可能(neng)回答(da)錯誤(wu)的答(da)案(an)；

二是(shi)缺乏深度(du)推(tui)理和(he)分析(xi)的能(neng)力，類(lei)似于早期的Chatbot模型(xing)，簡單的文(wen)本拼(pin)接(jie)無法構(gou)成(cheng)觀(guan)點；

三是(shi)難以(yi)應對復雜任務，當流程大規模延長并(bing)出現迭(die)代(dai)和循環時，還是(shi)需要(yao)代(dai)碼來進行處理；而(er)隨(sui)著用戶的需求逐漸細化，則需要(yao)使用各種形(xing)式的插件，但這都已(yi)經與“低(di)代(dai)碼”和快捷便利等初衷背道(dao)而(er)馳。

因(yin)此，想要實現更加(jia)智能化的財(cai)務(wu)分析助手，僅僅使(shi)用(yong)RAG是不夠的。

對(dui)于(yu)開發者(zhe)來說(shuo)，仍然需要掌握一定的編程(cheng)能(neng)力，利(li)用(yong)代碼(ma)節(jie)點(dian)和插件節(jie)點(dian)提(ti)升工作流和智能(neng)體(ti)的業務(wu)覆蓋范(fan)圍。

理解RAG的(de)局限，善用RAG的(de)優(you)勢，從(cong)RAG逐步走向(xiang)Agentic RAG，才能(neng)在AI時代成為“馴獸師”，而非被動(dong)的(de)使用者。

本文系(xi)基于公開資料(liao)撰(zhuan)寫，僅(jin)作為信息交流之用，不構(gou)成任何投資建議。