“金融图书馆”一站式服务——大语言模型结合RAG范式与MCP接口的运用实践

“金融图书馆”一站式服务 ——大语言模型结合RAG范式与MCP接口的运用实践 要点 作者 核心观点： 分析师：王开执业证书编号：S0930526050001021-52523416wangkai9@ebscn.com 本研究构建了一个面向金融领域的多源异构知识管理与智能分析系统。其核心贡献在于提出并验证了一套将非结构化金融文档转化为可检索、可交叉验证、可追溯的LLM决策支撑体系的工程范式。 系统的核心挑战是金融知识的异质性处理。书籍提供长期的理论框架但缺乏时效性，广义研究报告提供最新观点但置信度参差不齐，数据商提供精确的量化数据但缺乏语义解释。这三种知识形态在格式、时效、确定性三个维度上存在本质差异。本系统的关键设计在于：不是简单地对文档做RAG检索然后丢给LLM，而是为每类信息建立了不同的处理流水线和置信度标注机制。 研报分析的五阶段流水线是该范式的代表性实现。其方法论价值在于它展示了一套可泛化的LLM质量保障机制：观点提取→独立检索→证据匹配→事实核查→非对称置信度评估。其中核查环节将LLM的语义理解与确定性数值比对相结合，为非结构化分析提供了客观锚点。 可追溯性是本系统区别于通用LLM的根本特征。从金融问答到资产配置展望，系统的每一次输出都携带完整的来源映射。LLM生成的每项资产评分都可以回溯到具体的数据点、研报条目或内部知识库片段。 风险提示： 本文仅为AI技术层面的试验观察、不构成任何投资建议。 目录 一、实验框架：LLM资产配置研究体系.................................................................................................3 2.1系统架构介绍.........................................................................................................................................................42.2启动流程.................................................................................................................................................................42.3数据层管理.............................................................................................................................................................42.4服务层介绍.............................................................................................................................................................5 三、Agent与核心工作流.........................................................................................................................6 3.1 Agent体系设计......................................................................................................................................................63.2工作流详解.............................................................................................................................................................73.3 Allocation Agent...................................................................................................................................................7 4.1 API总览与关键API端点......................................................................................................................................84.2前端界面..............................................................................................................................................................8 5.1 MCP调用................................................................................................................................................................95.2部署与运维............................................................................................................................................................9 六、资产配置与回测系统.......................................................................................................................10 6.1多元数据处理.......................................................................................................................................................106.2历史回测引擎.......................................................................................................................................................106.3时点回测................................................................................................................................................................11 一、实验框架：LLM资产配置研究体系 我们所构建的“金融图书馆”是一个本地运行的AI驱动金融知识工作站。系统将PDF书籍、研究报告、市场数据、外部研报平台和海外智库观点整合为统一知识库，由DeepSeek-V3大模型驱动，提供文档入库与检索、研报分析、金融问答、大类资产配置、历史回测和时点回测六大核心能力。其根本设计目标不是替代量化模型或人类分析师，而是为金融从业者构建一个可检索、可交叉验证、可追溯决策链条的AI辅助分析环境。 二、系统架构与基础设施 2.1系统架构介绍 系统采用五层架构：前端层（Jinja2 + Chart.js）→ API层（9个FastAPI路由模块）→服务层（文档处理/资产配置两大集群）→ Agent层（7个LLMAgent）→数据层（SQLite + BM25 + Wind +外部数据源）。每层职责独立，通过HTTP和内部函数调用通信。设计原则是让LLM只出现在Agent层，其余层次保持确定性行为，以此控制系统的可调试性和可审计性。 2.2启动流程 FastAPI lifespan管理启动和关闭两个阶段。启动阶段执行五项初始化：(1)强制设置标准输出为UTF-8（解决Windows环境下GBK编码导致的日志乱码问题）；(2)创建metadata/extracted/chunks/books/reports/等必要目录；(3)初始化SQLite数据库，开启WAL模式和FTS5全文索引；(4)后台异步构建BM25索引，不阻塞HTTP服务启动；(5)将Wind市场CSV数据加载到内存对象（4资产× 270+月度数据点）。关闭阶段取消后台任务并关闭数据库连接池。 2.3数据层管理 系统使用SQLite作为唯一数据库，核心决策是归一化设计：所有文档类型（书籍、研究报告、外部来源）共享同一张documents表，通过doc_type和source字段区分来源，以source_institution字段标注归属机构。归一化设计的代价是部分字段（如书籍的ISBN、研报的分析师署名）对特定类型留空，但收益是统一的查询和检索接口，以及新来源类型零成本扩展。 关键工程决策：(1) WAL模式使读操作永不阻塞写操作，适合高频查询+低频写入的使用模式；(2)外键级联删除（ON DELETE CASCADE）确保删除文档时自动清理关联的chunks、tags和analysis_records；(3)文件哈希去 重 防 止 重 复 导 入 同 一PDF；(4)灵 活 字 段 （authors、keywords、analysis_result）以JSON文本存储，避免频繁ALTER TABLE。 BM25关键词检索链路：SQLite chunks表→ jieba分词（搜索引擎模式）→ BM25Okapi向量化→ pickle序列化至data/bm25_index.pkl。最终评分公式为FinalScore = 0.5 × BM25_norm + 0.5 × TimeDecay ×Confidence，其中TimeDecay = exp(-0.001 × days_elapsed)使新文档获得更高权重，Confidence区分书籍（权威性1.0）和研报（时效性强但置信度0.5-0.85）。持久化策略：启动时比对chunk总数，匹配则加载pickle（秒级恢复），不匹配则全量重建（分钟级）。 选择BM25而非向量嵌入的原因是务实的：中文金融术语（如信用利差久期管理）对语义向量的敏感性较低，而关键词匹配的精确性和可解释性更适合本系统的可追溯设计原则。混合检索（BM25关键词+ FTS5全文）足以覆盖当前使用场景，且无需GPU或外部向量数据库。 WindKnowledgeBase以内存对象形式维护四类资产的完整月度价格时间序列（万得全A /中债综合指数/黄金Au9999 /货币基金指数，覆盖2004-01至2026-07）。核心API包括：get_price