二、公司核心能力速览

公司定位：慧博云科技（注册主体：贵州慧博云科技有限公司）——先进的人工智能和自然语言处理技术公司，致力于为商业信息和金融分析领域提供应用服务，已服务多家知名券商、基金公司及其他金融机构。

核心产品矩阵：

• AI 智能问答：覆盖中文研报、外文研报、新闻资讯、公司公告等多渠道投研数据，支持多模态输出（文本+图表），可溯源（标注研报出处和页数）、图表跳转、信源个性化筛选、连续对话。
• AI SQL Agent：结合 LLM 与工具链的智能代理，支持自然语言→SQL→结构化结果，可自主执行多步操作（数据检索、逻辑推理、错误修正）。
• AI 智能体（Agent）：基于 LLM 的自主研究助手，集成多源 RAG 系统及工具，动态智能决策、自主判断、灵活组合多种工具，实现包含文本生成及可视化图表展示的智能研报撰写。
• HuiWork（企业级 AI 智能工作平台）：面向企业用户的统一 AI 工作入口，是慧博"解析—知识治理—RAG—Agent—Skill"全栈能力的统一执行底座。内置慧博专属 Skill（A 股股价/K 线/资金流向、财务报表、估值、宏观指标 CPI/GDP/PMI、行业指数查询、研报查询、财务分析等），支持配置和组合知识库、Agent、Skill、Tool、Prompt、权限与任务流程，承载企业级 AI 应用、工作流、知识调用、任务协同与持续交互，提供会话/项目/任务级上下文管理；支持接入客户及第三方 MCP/Skill/外部工具，支持本地化部署。典型场景：舆情监控与报告自动撰写（投前/投中/投后报告自动化，行业与子行业划分可随时调整）。

技术栈：多模态 PDF 解析（Layout/OCR/Table/Chart 多 LLM 组合）、混合语义搜索（向量+Elasticsearch）、具备模型微调能力，并会随开源模型发展持续微调，以提升场景效果。

AI 应用开发能力：支持 Skill 定制与 Agent 开发。Skill 定制：将客户研究框架、分析维度、报告模板沉淀为可复用的场景化 Skill（如行业分析、个股对比、政策解读等），按客户场景快速装配专属流程与所需能力；Agent 开发：基于 Agent-Skill-Tool 三层架构开发企业级智能体，支持任务规划、多工具编排、知识库/RAG 调度与持续迭代，慧博 RAG/Agent 能力亦可封装为 MCP/Skill 供客户内部系统调用。

标准产品体系：① AI 智能体（/agent，复杂投研任务工作台）；② 研报问答（/qa-chat，快速、有依据、可溯源）；③ 知识库管理（自有知识资产统一管理）；④ AI 文档解析服务（信息处理底座）；⑤ AI SQL Agent（自然语言查结构化数据）；⑥ 接口服务（API 接入，数据/问答/智能体接口）。

服务形式：① 本地部署（数据不出内网、强合规）；② 云服务（Web/SaaS，快速验证）；③ API 接入（适配自有平台、二次开发）；④ 人力外包（投研系统搭建专业人才）。

三、销售快速查询指南

客户问产品能力 → 看 01 目录

• 客户问"你们能做智能问答吗" → AI 智能问答（多模态）。
• 客户问"和普通 AI 问答有什么区别" → 智能问答模式（实时检索、可溯源、不编造数字）。
• 客户问"能查财务数据吗" → AI SQL Agent。
• 客户问"能自动写研报吗" → AI 智能体（Agent）。
• 客户问"Agent 有哪些工具/能做什么" → AI 智能体工具能力全景（文件操作、代码执行、研报检索、报告生成、图表、任务管理、记忆、扩展工具、20+ 金融数据工具）。
• 客户问"有没有统一的企业 AI 工作平台/办公平台、舆情监控与报告自动撰写" → HuiWork（企业级 AI 智能工作平台）。
• 客户问"你们怎么帮企业把内部知识做成 AI 问答/企业级 AI 知识问答方案" → 企业级 AI 知识问答解决方案（RAG+Agent 融合架构，见 01 目录 六·四）。
• 客户问"有标准产品吗/怎么卖" → 标准产品体系（AI 智能体、研报问答、知识库管理、文档解析、SQL Agent、API 接口）。
• 客户问"能帮我们定制 AI 应用/Skill/Agent 吗" → AI 应用开发能力（Skill 定制、Agent 开发，见首页"二、公司核心能力速览"技术栈）。
• 客户问"能帮我们搭系统/缺研发人力" → 人力外包服务（投研系统搭建专业人才）。
• 客户问"怎么部署" → 本地部署 / 云服务 / API 接入三种模式。

客户问技术细节 → 看 02 目录

• 客户问"PDF 怎么解析" → 多模态 PDF 解析系统。
• 客户问"搜索怎么实现" → 混合语义搜索架构。
• 客户问"用的什么大模型" → 具备模型微调能力，基于开源模型持续微调升级。

客户问硬件投入 → 看 03 目录

• 客户问"需要什么服务器" → 部署的基础设施资源（RAG/Agent 资源配置）。

客户问价格 → 看 04 目录

• 标准报价 → 标准版商务方案及报价单（20260607）。
• 模板报价 → 慧博商务方案及报价单-模板（20260605）。

客户问成功案例 → 看 05 目录

• 券商案例 → 中信证券、中信建投。
• 投研数据 → 中金公司。
• 一级市场投资 → 中金资本。

四、使用说明

• 各主题文档均包含完整内容摘要与关键要点，信息冗余充分，便于销售快速定位和引用。
• 原始文档（PDF/DOCX）保留在 ../标准版/ 对应目录中，本知识库为结构化整理版本。
• 报价类、客户类文档涉及敏感信息，请在授权范围内使用。
• 部分在线文档（Token 价格表、白板、多维表格）因权限限制仅归档链接，具体内容请访问飞书查看。

二、标准产品体系

基于数据与技术底座，打造从基础问答到复杂任务执行的标准化产品矩阵，覆盖投研全场景。

AI 智能体（/agent）

• 定位：复杂投研任务标准化工作台，处理长流程、多步骤、跨材料的深度研究任务。
• 核心能力：理解长任务描述、自动生成执行规划与报告大纲、调度 RAG/Skill/Tool/联网搜索、支持超长报告生成、管理多轮会话与任务状态。
• 典型应用：行业深度报告、多家公司横向对比、个股深度分析、政策解读、产业链图谱生成、企业画像报告、持续市场监测。

研报问答（/qa-chat）

• 定位：高频投研信息查询标准模块，主打快速、有依据、可溯源。
• 核心能力：基于 RAG 检索生成回答、支持多轮对话、时间/发布机构筛选、所有回答附带原文来源与页码引用。
• 典型应用：公告解读、机构观点总结、财报要点提炼、新闻热点梳理。

知识库管理（/qa-chat/person-knowledge-manager）

• 定位：客户自有知识资产的统一管理入口。
• 核心能力：支持 PDF/DOC/PPT/PNG/XLSX 等多格式文件上传（单文件 ≤100MB）、文件夹分类管理、解析状态监控、内部材料知识化转化。
• 核心价值：将内部研报、项目材料等自有资料转化为可检索、可复用、可追溯的知识资产。

AI 文档解析服务

• 定位：平台底层核心基础设施，是所有 AI 应用的"信息处理底座"。
• 核心能力：高精度解析文本、表格、图表、图片，输出结构化数据与语义化文档。
• 核心价值：直接决定问答准确性、报告可信度与溯源精度，为 RAG、Agent、数据查询提供基础支撑。

AI SQL Agent

• 定位：自然语言结构化数据查询工具。
• 核心能力：自然语言转 SQL、自动执行查询、返回表格/图表结果。
• 核心价值：无需专业 SQL 技能，即可快速调取财务、宏观、行情等核心数据。

接口服务（API 接入）

面向客户自有系统提供标准化接口，支持灵活集成与二次开发：

• 数据接口：中文/英文研报、公告、财务数据、财经资讯、快讯接口。
• RAG 智能问答接口：分场景支持中文研报、英文研报、公告财报、新闻流式问答，带来源溯源。
• Agent 智能体接口：支持会话创建、流式执行、历史记录查询、任务监控与停止，适配复杂后台长任务集成。

---

三、服务方式

部署服务模式

• 本地部署：适配金融机构高安全、内网隔离、强合规需求，解析/搜索/大模型全量私有化部署，数据不出内网，支持权限管控与审计留痕。
• 云服务：适合快速验证业务效果，以 Web 前台、嵌入式页面、SaaS 形式提供，支持企业/团队/个人知识库搭建与协作。
• API 接入：适配已有自有平台的客户，灵活接入数据、问答、智能体能力，支持基于接口二次开发。

人力外包服务

为研发资源不足的客户提供投研系统搭建专业人才，参与需求分析、系统设计、前后端开发、AI 工作流定制、项目实施与联调优化。

---

四、AI 优势说明（七大维度）

贵州慧博云科技有限公司在 AI 领域的技术和数据优势，涵盖解析、搜索、模型和数据层面的四大环节，具体细分为七大维度：

数据解析与处理

• 多源数据整合能力：
• 能够从多种数据源（如结构化数据库、非结构化文本、图像、传感器数据等）中高效提取和整合数据，支持大规模数据的实时处理。
• 支持跨平台、跨格式的数据解析，兼容性强。
• 自动化数据清洗与预处理：
• 提供自动化数据清洗工具，能够快速识别并处理数据中的噪声、缺失值和异常值，确保数据质量。
• 支持数据标准化、归一化和特征工程，为后续建模提供高质量输入。
• 实时流数据处理：
• 具备实时数据流处理能力，能够对动态数据进行实时解析和处理，适用于物联网、金融交易等实时性要求高的场景。

智能搜索

• 混合语义搜索（Hybrid Semantic Search）：
• 结合向量数据库的语义搜索与 Elasticsearch 倒排索引全文搜索，覆盖语义理解与精确匹配两类查询，是 RAG 检索的核心算法。
• 通过微调向量化模型将内容转为高维向量，经问题改写模型召回候选文档，再由重排序（Reranker）模型筛选，兼顾相关性、时效性与来源权威性，最终由大语言模型推理回答。
• 精准意图理解：
• 基于自然语言处理（NLP）技术，支持语义搜索与模糊搜索，能够理解用户意图并提供精准的搜索结果；支持多语言搜索。

模型微调与持续演进

• 基于开源基座模型的领域微调：
• 采用业界优秀的开源大模型作为基座，结合慧博积累的投研领域数据（研报、公告、财报等）进行领域微调，构建面向 RAG 与投研问答场景的专用模型，在专项场景中表现超越通用模型。
• 跟随开源社区持续演进：
• 持续跟踪开源社区模型进展，定期评估并选取性能优秀的模型进行微调升级，确保问答与智能体系统始终使用当下最优的模型能力。
• 模型可解释性与输出可控：
• 通过领域微调结合提示词工程保障输出质量，提供模型评估与监控机制，确保金融场景下的输出准确、可控、可解释。

数据存储与管理

• 大规模数据存储能力：基于分布式存储技术，能够高效存储和管理 PB 级数据，支持高并发访问；提供数据分区、索引和压缩功能。
• 数据安全与隐私保护：采用数据加密、访问控制等技术，确保数据在存储和传输过程中的安全性；支持数据脱敏和匿名化处理，保护用户隐私。
• 数据版本管理与追溯：提供数据版本管理功能，支持数据变更的追溯和回滚，确保数据的一致性和可追溯性。

模型部署与监控

• 一键部署与弹性扩展：支持模型的一键部署到云端或边缘设备，简化部署流程；提供弹性扩展能力，动态调整计算资源。
• 实时监控与报警：提供实时监控和报警功能，及时发现并处理模型性能下降或异常情况；支持模型性能指标的实时可视化。
• 模型更新与迭代：支持模型的自动更新和迭代，确保模型始终处于最优状态；提供 A/B 测试功能，帮助用户评估新模型的性能。

行业数据优势

• 丰富的行业信息数据积累：慧博云在研报积累了大量的高质量信息数据，能够为 AI 模型训练提供丰富的样本。尤其在研报、公告、财报领域，一直处于业内领先水平，十几年以来保持着及时性及全面性第一。
• 数据标注与增强：拥有专业的数据标注团队，能够提供高质量的数据标注服务；支持数据增强技术（如文本生成等），提升数据多样性。
• 行业知识库：基于行业数据构建了丰富的知识库，支持行业特定场景的 AI 应用开发。

成交合作案例

• 中信证券、中信建投证券、方正证券、源峰基金、华夏基金等。
• 定制化解决方案：根据客户需求提供定制化的 AI 解决方案，涵盖数据采集、处理、建模、部署等全流程。
• 持续的技术创新：拥有一支高水平的技术研发团队，专注于 AI 前沿技术的研发和应用，保持技术领先性。

---

五、AI 智能问答（多模态问答系统）

覆盖中文研报、外文研报、新闻资讯、公司公告等多渠道投研数据，支持多模态输出，提供实时高效、准确的数据检索与分析支持，是慧博的核心产品之一。

细分问答能力

能力	详细说明
中文研报问答（多模态）	结合文本和图表的多模态输出，精准高效地获取中文研报关键信息，辅助投研决策，帮助用户快速了解行业动态和市场趋势。图文结合、中文研报溯源、信源引用。
外文研报问答（多模态）	支持英文研报问答，引用海外主流机构报告数据，满足国际化研究需求，通过先进的翻译技术和语义理解算法，提供高质量的外文研报答案。模型思考、外文研报溯源。
AI 资讯问答	实时监控分析市场资讯，提供最新市场动态、政策变化和行业要闻信息，帮助用户制定策略。
AI 公告问答	归纳总结财务数据、重大事件、管理层变动等内容，提供及时准确的问答服务。
个人知识库问答	面向客户自有知识资产（内部研报、项目材料等）的问答，将内部资料转化为可检索、可复用、可追溯的知识资产，支持多格式文件入库与自然语言提问。

关键特性

• 多模态输出技术：结合文本和图表，为用户提供更丰富的信息展示方式，帮助用户全面、直观理解答案，提升信息传达效果。
• 研报出处标注：在提供研报信息时，明确标注出处链接和页数，确保用户可以方便地验证和参考原文，增强信息的透明度和可信度。出处信息可追溯。
• 图表跳转：研报中的图表可直接跳转查看，帮助用户快速定位相关数据和分析，更好地理解和应用研报内容。
• 信源个性化筛选：用户可筛选信息来源渠道和时间范围，实现个性化查询；结合外文研报支持和信源筛选功能，满足用户对国际化信息和个性化查询的需求。
• 连续对话：支持结合上下文信息的连续对话，用户可以通过对话方式，进一步了解和互动。

事实/数据检索与深度分析能力

能力	详细说明
事实/数据检索	构建专业金融研究知识库，实现精准资料快速检索，大幅缩短研究准备时间。系统能够智能关联分散在不同来源的研究素材，提供多角度数据验证渠道，帮助研究员建立坚实的事实基础。
产业链深度分析	通过 AI 技术构建完整产业链研究框架，精准梳理上下游关系与价值分布，揭示产业链薄弱环节与研究盲点。系统能够整合海量产业数据，追踪产业链变化趋势。
热点事件解读	实时捕捉市场动态，快速整合事件相关信息，协助研究员第一时间形成专业分析框架。系统能够自动关联历史类似事件研究资料，提供多维度解读参考。
公司财务分析	智能处理企业财报数据，自动识别财务异常点与研究重点，提炼关键财务指标变化。系统可进行跨期、跨行业财务数据对比，生成标准化分析图表。
分析师观点对比	系统化整理市场各方研究观点，智能提取研报核心论点与逻辑，呈现行业研究共识与分歧。系统能够追踪研究观点演变历程，辅助研究团队形成更具洞察力的研究成果。

---

六、智能问答模式的特点

慧博智能问答模式是与普通 AI 问答本质不同的、基于实时检索的投研问答系统。

与普通 AI 问答的本质不同

• 其他 AI 问答：给的是"看起来还行的回答"，依赖模型自身的训练记忆，一次性注入上下文，没有核实与反思步骤。当问题涉及具体市场份额、最新财报数据、政策文件、价格走势时，模型经常会把记忆里的旧数字拼凑成"看似合理"的回答，且无法判断对错。
• 慧博智能问答：不依赖模型自己的记忆。所有数据都从券商研报库实时检索，每一个数字背后都对应一份具体的研报来源，可逐条追溯。

问答的内部流程（多阶段质量控制）

一个问题进来之后，系统并不是简单地"把问题丢给大模型"，而是要经过多个独立阶段，每一步都为最终答案的质量负责：

• 第一步：问题理解-拆解到不同类型：先把问题归到 28 个研究类型之一，再确定时间约束（是问近三年还是问最新一个月）、数据时效要求、用户限定的范围（A 股、国内、特定行业）。
• 第二步：扩展子问题拆解：一个完整的研究问题通常包含多个子问题。系统会把原问题拆解成多个子问题，每个子问题都带着自己的"应该找什么数据"、"应该查哪些资料"。
• 第三步：多次精确检索：按拆解出的子问题，并行去研报库里找最相关的资料。检索不是只看"哪份研报标题最像"，而是用多种方式交叉召回：向量匹配（语义相似）、关键词匹配（实体精确命中）、必要时还会通过搜索引擎补充最新事件性资料。
• 第四步：扩展知识搜索：用户问题如果涉及 A 股上市公司情况，还会尝试召回 A 股公司相关财务摘要等信息，扩充上下文数据。
• 第五步：生成与自检：精排出来的研报，连同问题分类和回答规则一起，送给大模型生成最终回答。模型必须遵守一套上千行的生成规则（从几千条实际评测案例里提炼）。模型在回答前要先在脑子里走一遍："这是测算题还是对比题？哪些数据是上下文里有的、哪些是我不该编的？这张表格的同列数据是不是同一个口径？核心结论前后是不是一致？"最后输出之前，还要做一遍自检，不通过自检的回答会被打回重写。

用流程解决"AI 老毛病"

通过几千条评测案例的反复打磨，系统刻意回避以下常见痛点：

痛点	慧博的解决方式
不编造数字	每一个具体数字（市占率、营收、毛利率、价格、产能）都来自检索到的真实研报。资料里找不到的，宁可定性表述，也不会拼凑出"看起来合理"的假数字。
不把旧数据当现状	研报里 2023 年的市场份额不会被原样搬运成"当前格局"。系统优先用最新的研报数据，并在引用旧数据时明确标注时点。问"现在"，回答的就是现在。
不偷换主题、不偷换时点	用户问"2025 年 Q1"的事，不会用全年数据糊弄；问"俄乌冲突"，不会偷偷换成"中东冲突"做替身分析；问"过去 5 年"，不会硬塞未来的预测进来。
不混用不同口径	按销量算的市占率 / 按收入算的市占率 / 按门店数算的市占率——三种口径在同一份回答里不会被混着用，且会主动提示读者注意口径差异。
不"先有叙事再凑数据"	不会为了讲一个"煤价大涨"的故事，就把研报里的极端瞬时高点当成年度均价；不会为了支撑"国产替代加速"的叙事，就刻意忽略掉相反的数据。叙事必须从数据里来。
不给"两头堵"的模糊结论	不说"既有可能上涨也有可能下跌"这种废话。该给方向就给方向，该给区间就给区间，该承认数据不足就明确承认。
不替投资者做决策	方向性判断、跟踪指标、风险提示都会给，但不会点名"推荐买入 XX 股票、目标价 XX 元"这种合规红线内容。

分析师级别的输出风格

一份合格的研究备忘录应该是什么样子，系统都会自动做到：

• 结论先行：开头两三句就把核心判断点出来，读者不必翻到最后才知道结论。
• 数据 + 边际变化 + 解读三件套：写"销售费率 36.1%（同比 -9.8pct）→ 投放收缩、效率优先"，而不是"销售费用有所下降"。
• 主因 / 次因 / 扰动项：归因不是堆砌原因，而是分清谁是主驱动、谁是次要、谁是噪声。
• 多空均衡：不只讲利好，也讲风险；不只讲共识，也提示分歧。
• 风险与跟踪指标：告诉读者"未来跟踪哪几个数据，结论可能怎么修正"。
• 数据可视化：自动生成对比表、产业链全景图、文本走势图。
• 数据时点声明：每一份回答开头都标明"本回答主要数据时点"，读者一眼知道数据基准。

适合的场景

• 晨会准备：几十秒得到某主题的最新数据加结构化判断。
• 行业速查：快速理解一个陌生行业的竞争格局、价值链、龙头企业。
• 数据交叉验证：多家研报对同一指标的数据是否一致？口径差异在哪？
• 公司基本面速览：营收/毛利率/护城河/财务质量的快速画像。
• 政策解读：政策出台后的传导链条、受益/受损方向、跟踪指标。
• 价格与景气跟踪：行业景气度、价格走势、库存周期位置。
• 历史复盘：类似宏观环境下，历史上各类资产/风格的表现。

与友商系统的对比（300+ 份问答结果）

对比友商系统的最新问答系统胜率，胜率来自超过 300 份问答结果，经过最先进的 AI 模型的自动判断和人工标注判断：

指标	我方系统	友商系统
胜率	61.97%	37.70%
平手	0.33%	—
打分（1-10）	7.63	6.99

---

七、AI SQL Agent

AI SQL Agent 是结合大语言模型（LLM）与自动化工具的智能代理系统（AI Agent），不仅能生成 SQL，还可自主执行多步操作（数据检索、逻辑推理、错误修正），最终返回业务可用的结果。

核心特点

• 输入：自然语言或交互式对话（例如："对比 2022 与 2023 年股票和债券组合的夏普率"）。
• 输出：结构化数据结果（如表格、图表）或执行报告。
• 技术实现：基于 LLM 的推理能力拆解复杂问题；集成工具链（如数据库连接、Python 计算、API 调用）补充模型短板。

技术实现流程

• 用户自然语言输入 → LLM 语义理解：将复杂查询需求转化为结构化意图。
• 向量数据库支持：存储表结构、SQL 示例和字段语义，为查询提供知识基础。
• 智能相似度匹配：精准识别相关表和字段，实现跨表关系自动发现。
• 查询规划与优化：设计最优执行路径，确保复杂查询高效完成。
• LLM 生成 SQL：将规划转化为精确 SQL 语句，处理连接、子查询和聚合操作。

与传统方式对比优势

实现效率：

维度	人工查询	Text-to-SQL	SQL AI Agent
生成速度	低（人工编写）	高（模型直接生成）	中（多步推理）
端到端速度	低（人工全流程）	中（需人工验证）	高（自动闭环）
复杂度支持	高（可处理任意复杂逻辑）	中（依赖模型能力，易出错）	高（多步推理或工具调用）
适用场景	复杂业务逻辑、定制化需求	简单到中等复杂查询	中等复杂到高度动态的查询

准确性 & 可靠性：

维度	人工查询	Text-to-SQL	SQL AI Agent
错误率	中（依赖人工经验）	较高（语义理解偏差、语法错误）	中（自检、反馈机制降低错误）
可控性	高（完全人工控制）	低（黑盒生成）	中（可定义规则约束）
调试难度	中（需逐行检查 SQL）	高（需理解模型逻辑）	中（可追踪 Agent 决策链）

学习成本 & 使用门槛：

维度	人工查询	Text-to-SQL	SQL AI Agent
技术门槛	高（需精通 SQL 和数据库）	低（自然语言输入）	极低（交互式对话）
培训成本	高（长期学习）	低（用户无需学习）	低（依赖 Agent 预训练）
适应性	低（需适配不同数据库方言）	中（需调整模型或模板）	高（Agent 可自动适配多数据库）

典型应用场景：

方式	适用场景	不适用场景
人工查询	核心业务系统、复杂分析、高安全性需求	高频简单查询、非技术用户需求
Text-to-SQL	自助数据分析、BI 工具集成、标准化查询	动态多条件查询、多数据库协同
SQL 智能体	动态交互式分析、跨系统数据整合、自动化报表生成	严格合规场景、低延迟实时查询

实际应用示例：白酒行业公司财务数据查询；白酒行业公司净利润数据查询及可视化展示。

---

八、AI 智能体（Agent）

基于 LLM 的自主研究助手，集成多源 RAG 系统及工具，专为金融研究场景定制，具备任务规划、执行与优化能力的 AI 系统。Agent 以"会组织任务的 AI"为核心定位，理解任务目标、自主规划执行步骤、调用 Skill/Tool/MCP、记忆管理、多源信息融合、多轮任务上下文管理，并支持子代理创建，可完成复杂分析、报告生成等全流程任务。

四大核心能力

• 多源知识融合：无缝整合研报、资讯、公告、个人知识库等专业数据。
• 自主规划能力：根据研究目标智能分解任务步骤。
• 工具调用智能：精准选择最适合的工具组合。
• 逻辑推理能力：构建严谨的分析框架与论证过程。

核心 RAG 工具与辅助工具

核心 RAG 工具：

工具	功能
研报 RAG	历史研究成果智能检索与分析，覆盖行业报告、公司研究、策略分析等专业内容，提取研究方法、分析框架与历史观点。
资讯 RAG	实时市场动态分析与整合，追踪财经媒体、专业平台的最新报道，识别市场情绪与热点事件发展脉络。
公告 RAG	企业信息精准提取与解读，自动分析财报、业绩预告、重大事项公告，捕捉关键数据变化与战略调整信号。
个人知识库 RAG	面向客户自有知识资产（内部研报、项目材料等）的检索与分析，将内部资料转化为可检索、可复用、可追溯的知识资产。

辅助工具集：

工具	功能
数据分析与可视化工具	计量分析（多因子模型、相关性分析、回归分析）、图表绘制（趋势图、对比图、热力图自动生成）。
市场信息工具	股价查询（实时/历史行情获取与分析）、概念股查询（主题相关标的智能筛选）。
金融数据工具（20+）	通过 call_custom_tools 调用：股票搜索、行情、K线、资金流向、排行榜、市场概况、龙虎榜、财务报表、财务指标、估值、分红、股东、宏观指标、市场指数、公司信息、多股对比、行业数据等。
更多其他工具	根据业务需要扩展。

与传统 Workflow 编排对比

特性	Workflow 编排方式	Function Call 方式
决策机制	预定义条件分支	动态智能决策
流程灵活性	固定路径，难以变更	自适应路径，随需调整
系统复杂度	随场景增加呈指数增长	保持线性增长
扩展能力	需重新设计流程	只需添加新功能
维护成本	高（需维护复杂流程）	低（只维护独立功能）

智能写研报 Agent 工作流程

• 用户提出需求：例如"写一份南美锂矿资源分析报告"。
• Agent 核心分析：智能 Agent 分析任务，确定需要哪些能力。
• 动态调用功能：
• 需要行业数据时，调用 search_report() 查询研报库；
• 需要数据分析时，调用 analyze_data() 处理市场数据；
• 需要可视化时，调用 generate_chart() 生成图表；
• 需要撰写内容时，调用 write_content() 生成专业文本。
• 智能整合：Agent 将各部分内容智能整合成完整研报。

写研报的四个步骤：

步骤	内容
第一步	生成大纲
第二步	生成研究查询项
第三步	基于查询项检索知识库，获得相关研报数据资料
第四步	整合已有内容，生成完整报告

专项任务 vs 开放式任务：

类型	说明	示例
专项任务（结构化研究流程）	结构化研究流程	行业深度报告（产业链分析与发展趋势预测）、公司调研报告（财务分析与投资价值评估）、主题研究（新兴技术、政策影响分析）、比较研究（跨地区、跨行业对标分析）、事件影响分析（政策变动、重大事件解读）
开放式任务（灵活探索性研究）	灵活探索性研究	持续市场监测（长期跟踪特定行业动态）、趋势挖掘（识别新兴投资主题与机会）、多维度分析（跨学科视角研究问题）、假设验证（检验投资假说与理论）、长尾问题探索（非常规研究方向突破）

客户价值

• 更智能：不是机械执行预设流程，而是像人类专家一样思考和决策。
• 更灵活：能应对各种复杂、非标准的研报需求。
• 更高效：只调用必要的功能，避免冗余步骤。
• 更个性化：能根据具体需求定制研报内容和风格。

智能体工作流程（Agent 逐章节调度）

• 任务规划与大纲生成：Agent 自主分解用户需求，生成报告大纲，提取研究查询项。
• 大纲校验与优化：调用 generate_report_outline 校验大纲，确保结构完整、逻辑清晰。
• Agent 循环执行（逐章节智能调度）：根据当前章节需要动态选择 Skill 和 Tool 组合：
• 知识检索：通过 Skill"文档检索与深度问答"，调用 search_document_and_report 检索研报/资讯/公告知识库、report_qa 对单篇研报深度精读、fetch_content 获取网页补充信息。
• 数据分析：通过 Skill"行业/个股分析"，调用 stock_search 搜索股票、stock_financial_statements/stock_financial_indicators 获取财务数据、stock_industry_data 查询行业数据。
• 横向对比：通过 Skill"个股横向对比"，调用 stock_valuation 获取估值、stock_money_flow 获取资金流向、stock_stock_price 查询多股票股价。
• 政策解读：通过 Skill"政策分析"，调用 stock_macro_data 查询宏观指标、search_engine 搜索政策动态、fetch_content 获取政策原文。
• 章节内容智能撰写：各 Skill/Tool 数据汇聚，调用 write_report_section 生成章节内容。
• 循环判断：章节未完成则回到循环继续调度；全部完成则进入下一步。
• 图表可视化：调用 draw_chart 智能生成图表，实现数据可视化。
• 报告整合输出：调用 generate_final_report 整合所有章节，生成完整 HTML 报告。

AI 智能体底层 Tool 集：

• 数据查询类：stock_search（搜索股票）、stock_quote（行情）、stock_kline（K线）、stock_financial_statements（财报）、stock_financial_indicators（财务指标）、stock_valuation（估值）、stock_money_flow（资金流向）、stock_shareholders（股东）、stock_dividend_history（分红）、stock_dragon_tiger（龙虎榜）、stock_market_index（市场指数）、stock_market_snapshot（市场概况）、stock_industry_data（行业数据）、stock_macro_data（宏观指标）、stock_stock_price（多股票股价）、stock_top_list（排行榜）、stock_company_profile（公司信息）。
• 内容生成与报告类：search_engine（搜索引擎）、draw_chart（绘制 Mermaid 图表）、write_report_section（研报章节写作）、generate_report_outline（生成大纲）、generate_final_report（生成 HTML 报告）、search_document_and_report（搜索文档数据库）、report_qa（报告深度问答）、fetch_content（获取网页）、create_file/read_file（文件操作）、attempt_completion（完成任务）、ask_followup_question（追问）、call_mcp_tool（调用 MCP 服务器工具）、call_custom_tools（调用自定义工具网关）。

AI 智能体 Skills：

Skill	功能
个股横向对比	多维度对比个股基本面、估值与市场表现
行业情况分析	深度剖析行业景气度、竞争格局与趋势
政策分析	解读政策动向，评估对行业与标的的影响
指数分析	跟踪市场指数走势，分析成分与资金流向
并购交易追踪	监控并购动态，梳理交易逻辑与估值
数据可视化	将投研数据转化为直观图表与可视化报告

AI 智能体工具能力全景

Agent 内置完整的工具体系，按功能分类覆盖文件操作、代码执行、信息检索、报告生成、图表可视化、任务管理、记忆交互与扩展工具，支撑从资料检索到复杂报告输出的全流程自动化。

（1）文件操作

工具	功能
read / write / edit	读取、写入、精确编辑工作区文本文件
create_file_to_url / read_file_from_url	创建文件并返回可访问 URL / 从 URL 读取文本内容
find / ls / grep	按 glob 查找文件、列出目录、正则搜索文件内容

（2）代码执行

工具	功能
python	在沙箱环境中执行 Python 3 代码
bash	执行 bash 命令（支持 git、curl、wget 等常用命令）

（3）信息检索与研报问答

工具	功能
search_document_and_report	搜索文档和研报（主要研究工具）
report_qa	对研报进行深度问答
fetch_content	从 URL 获取内容并总结
session_search	搜索历史对话记录

（4）报告生成

工具	功能
generate_report_outline	生成研究报告大纲
write_report_section	撰写报告的单个章节
generate_final_report	生成最终的 HTML 报告

（5）图表与可视化

工具	功能
draw_chart	将 Mermaid 代码转换为图表图片

（6）任务管理

工具	功能
update_task_progress	更新任务进度清单
delegate_task	委派子代理处理独立任务
cronjob	管理定时任务

（7）记忆与交互

工具	功能
memory	保存持久化记忆（跨会话）
ask_followup_question	向用户提问获取更多信息
attempt_completion	提交最终结果

（8）扩展工具

工具	功能
call_mcp_tool	调用 MCP 服务器上的工具
call_custom_tools	调用自定义 HTTP 工具
load_skill	加载特定技能的详细指导

（9）股票金融工具（通过 call_custom_tools 调用）

Agent 内置 20+ 个专业金融数据工具，覆盖选股、行情、财务、估值、宏观、行业等维度：

工具	功能
stock__search	按名称或代码搜索 A 股股票
stock__quote	最新交易日价格、涨跌幅、成交量、市值、PE/PB
stock__kline	历史 K 线（OHLCV），日/周/月/分钟级，前/后复权
stock__money_flow	主力、大单、中单、小单净流入金额
stock__top_list	按涨跌幅、成交额、换手率排序的全市场排行榜
stock__market_snapshot	主要指数行情、涨跌统计、涨停跌停、北向资金
stock__dragon_tiger	龙虎榜上榜股票的买卖营业部明细
stock__financial_statements	利润表、资产负债表、现金流量表（年报/单季）
stock__financial_indicators	ROE、ROA、毛利率、净利率、营收增速等财务指标
stock__valuation	PE/PB/PS/PEG/市值/股息率，支持历史分位
stock__dividend_history	每年每股分红、除权日、派息日
stock__shareholders	十大股东、十大流通股东、股东人数变化
stock__macro_data	CPI、PPI、GDP、PMI、M2、社融等宏观时间序列
stock__market_index	A 股主要指数、申万行业指数走势与估值
stock__company_profile	主营业务、股权结构、管理层、产品收入构成
stock__stock_price	多股票历史行情与估值，支持对比分析
stock__industry_data	申万行业指数行情与成分股列表

（10）Agent 的 Skill-Tool 协作机制

• Skill（场景化工作流）：面向投研场景封装的策略与方法模板，定义"怎么做"，例如个股横向对比、行业情况分析、政策分析、指数分析、并购交易追踪、数据可视化等。
• Tool（执行能力单元）：具体执行动作的能力单元，负责"落地操作"，分为数据查询类、内容检索类、报告生成类、可视化类、文件与外部能力类。
• 关系说明：Agent 判断任务类型 → 选择对应 Skill → Skill 调度多个 Tool 完成执行 → RAG 作为核心 Tool 提供材料支撑。

---

九、智能产业关系图谱动态构建系统

项目背景与痛点

在产业研究、投资分析和政策制定等场景中，产业关系图谱是基础且关键的分析工具。传统产业图谱构建存在痛点：数据滞后（依赖人工预设静态数据库，新兴领域无覆盖）、构建成本高（需大量专家人力，单张图谱编制周期以周/月计）、灵活性差（无法自定义分析粒度）、覆盖不全面（无法覆盖交叉领域和新兴产业链）。

本系统方案：基于大语言模型（LLM）与检索增强生成（RAG）的产业关系图谱动态构建系统，采用 "LLM 驱动的裂变式动态抽取"范式——LLM 贯穿图谱生成的每一环节，无需预设任何产业关系数据库，以用户自然语言输入为起点，自动生成结构化、层次化、交互式的产业关系图谱。

核心能力

• 理解用户意图：LLM 理解用户关注产业链的维度、粒度、范围，将模糊需求转化为结构化分析指令。
• 从知识库获取真实信息：连接覆盖研报、公告、新闻、个人知识库的产业知识库，确保分析建立在真实、时效信息基础上。
• LLM 自动规划产业层级：先由 LLM 规划产业链层级结构（Layers），如商业航天自动规划"基础材料 → 航天器研发制造 → 发射服务 → 卫星运营 → 终端应用"5 层结构。
• LLM 驱动的裂变式节点发现（核心创新）：先提取核心节点构成骨架，对每个节点通过知识库检索 + LLM 推理发现新节点和四类关系（包含、供应、竞争、协同），逐轮扩张，并发处理多节点同步裂变。
• LLM 智能去重与合并：语义级别去重，识别别名、缩写、中英文混用等复杂情况。
• 图谱精炼与连通性保障：筛选最具代表性节点，通过连通性校验确保输出完整"网"（无孤立节点）。
• 多形态可视化输出：静态图谱（PNG）+ 交互式图谱（HTML，支持缩放/平移/点击详情/搜索）+ 结构化 JSON。

实际输出示例

示例	输入	输出	特色
商业航天全景图	"商业航天的产业链是什么样的"	5 层产业链交互式图谱	从 98 个探索节点精炼为 25 个节点 + 40 条关系，1 轮裂变覆盖全产业链
小米 SU7 动力电池供应链	"小米SU7系列的电池品牌、供应商和技术路线"	4 层供应链图谱	从 70 个探索节点精炼为 21 个节点 + 33 条关系，2 轮裂变穿透 4 层供应链

应用场景

• 投资研究与行业分析：快速理解陌生行业、追踪新兴产业链（固态电池、低空经济、量子计算、人形机器人等）、供应链穿透分析、多维度关系发现、存量图谱快速更新。
• 政策研究与产业规划：产业链短板识别、技术路线对比、区域产业集群分析、产业政策效果评估。
• 企业战略与竞争情报：供应商风险管理、竞争格局动态监控、跨界机会识别、并购标的筛选。
• 金融机构投研赋能：行业快速覆盖、信用风险评估、行业轮动分析。
• 企业内部知识管理：知识资产结构化、新人快速上手。

---

十、HuiWork（企业级 AI 智能工作平台）

产品定位

HuiWork 是慧博推出的企业级 AI 智能工作平台（企业级 AI 办公平台），面向企业用户提供统一的 AI 工作入口和任务协同能力，覆盖企业级 Agent 平台的通用能力。它是慧博"解析—知识治理—RAG—Agent—Skill"全栈能力的统一执行底座：RAG 负责从研报、公告、新闻等资料中检索依据，Agent 负责理解研究任务、拆解步骤、组织结果，HuiWork 负责承载企业内部的工作流、权限和持续使用。

平台以 Web 端为核心，可扩展移动端及其他客户端入口；支持本地化部署（数据安全、隐私保护、满足合规）。

核心能力

• 统一工作底座：承载企业级 AI 应用、工作流、知识调用、任务协同、场景配置、权限管理和持续交互，提供会话、项目和任务级的上下文管理与协同能力。
• 内置慧博专属 Skill：覆盖 A 股股价、K 线、资金流向、财务报表、估值、宏观指标（CPI/GDP/PMI）、行业指数查询、研报查询和财务分析等场景，并支持其他结构化数据的接入配置与定制。
• 灵活配置组合：支持配置和组合知识库、Agent、Skill、Tool、Prompt、权限和任务流程；客户可提供行业研究框架、分析维度、报告模板和输出要求，由慧博基于 Skill 或 HuiWork 完成场景配置，特定行业的复杂指标分析和内部数据调用可纳入定制服务。
• 开放生态：支持接入客户及第三方提供的 MCP、Skill 和其他外部工具；慧博 RAG/Agent 能力也可封装为 MCP/Skill 供客户内部系统调用，扩展智能体能力边界。
• 越用越懂业务：以 AI 能力替代重复性人工劳动，释放人力聚焦高价值判断；通过 Skills 沉淀、专家模板与记忆系统，将一次性实践经验转化为可复用的企业能力资产，使平台越用越懂业务。

在慧博能力体系中的位置

慧博以金融研究内容为基础，形成了以文档解析、知识治理、RAG、Agent、Skill 和 HuiWork 为核心的 AI 投研能力体系。差异化在于"研报数据资源 + RAG + Agent + HuiWork"的协同：

• RAG：从全面的研究报告、公告和新闻资料中检索依据，聚焦文本类资料；
• Agent：理解研究任务、拆解步骤和组织结果，可调用 RAG 作为检索工具；
• HuiWork：承载企业级 AI 应用、工作流、知识调用、任务协同、权限管理和持续交互，作为上述能力的统一执行底座。

典型应用场景

• 舆情监控与报告自动撰写：对监控对象设置追踪清单，自动监控工商变更、融资动态、IPO 进展、中标公告、人事变动、舆情事件；提供赛道层面的政策与行业关键事件分析。基于 Skill 可对行业定义与子行业划分灵活调整，随时调整监测主题，比传统代码式舆情监控更便捷。
• 投资舆情智能监测与报告服务：信息接入 → AI 识别与判断 → 日常监控/每日舆情报告 → API 对接/HuiWork 交付 → 反馈优化。
• 企业级 AI 应用承载：结合知识库问答、智能研报撰写、数据查询与任务协同，将 RAG、Agent 能力落地为员工日常可用的统一工作入口。

---

十一、企业级 AI 知识问答解决方案（RAG + Agent 融合架构）

本节为普适的企业级解决方案，适用于任何已具备私有化大模型底座、又沉淀了大量内部知识资产（业务文档、集团文件、研究成果等）的企业——无论是金融机构还是其他行业，均可按此方案将分散的内部知识转化为统一、可检索、可溯源、可复用的 AI 问答能力。

典型痛点（通用场景）

企业普遍面临以下知识管理与 AI 应用层面的不足：

• 已具备 AI 算力但未用起来：企业已完成私有化大模型部署，具备基础 AI 算力与模型能力，但缺乏上层应用，算力价值未释放。
• 内部知识沉淀但分散：积累了业务文档、集团文件、研究成果等大量核心知识资产，但资料分散、缺乏梳理，未形成统一、标准、可复用的知识结构体系。
• 知识未向量化、不可检索：内部知识未进行向量化处理与入库，缺少高质量、可检索的向量化知识库。
• 无统一员工入口：缺少面向员工的统一入口，无法通过 AI 问答方式便捷、高效地调用内部知识。

解决方案目标

聚焦业务数字化转型需求，依托企业私有化大模型底座，融合 RAG 检索增强生成 与 智能 Agent 智能体 两大核心技术方案，打造高精准、可迭代的企业级 AI 问答系统，打通内部知识壁垒、释放 AI 算力价值，实现 "知识可管、问答可信、操作可控、场景可用" 的全域 AI 服务能力。

具体建设目标：

• 知识规范化治理、建立标准化：建立标准化知识治理流程，对存量文件进行清洗、分类、标引，完成全量合规素材的向量化加工与结构化入库。
• 高效问答与效率提升：解决人工检索低效、信息筛选困难、知识复用率低等痛点，基于私有化大模型与 RAG 技术搭建专属问答引擎。
• 问答全流程溯源可控：所有问答结果均搭载溯源功能，可精准定位答案对应的来源文档。
• 系统架构可扩展迭代：构建可灵活扩展的系统架构，支持知识库持续扩容、问答模型持续优化、场景能力持续升级。

内部数据治理体系（七步处理链路）

从"文件梳理—元数据管理—文件解析—数据清洗—知识切片—向量化处理并入库"的全流程处理链路，将分散资料转化为可检索的知识资产：

步骤	内容
第一步：文件梳理	资产梳理
第二步：元数据管理	建立统一元数据管理系统，应用于权限控制、版本管理、知识溯源三大场景
第三步：文件解析	解析引擎输出 json、markdown 等多种格式，识别标题层级、表格内容、条款编号、附录
第四步：数据清洗	清理重复内容、清除无效字符、处理图片乱码
第五步：知识切片	结构感知、语义、元素类型、层级索引四位一体的切分策略
第六步：向量化处理并入库	向量化转换，存入向量数据库（如 Milvus 等）
第七步：持续更新机制	监听文件夹变更、API 对接系统、定期扫描数据库

外部知识库接入

对于第三方数据库接口，对不涉及治理的数据，采用实时 API 调用方式进行外部知识查询。在知识融合策略层面，可采用知识库可视化点选式配置模式，支持用户按需选取单一数据库或多源数据库组合调用。

技术方案（Agent 为核心、RAG 为知识支撑）

采用 Agent 智能体为核心、RAG 检索增强为知识支撑 的融合技术架构，打破单一问答模式局限，实现业务场景下的自主决策、任务拆解、知识检索、答案生成与闭环执行。整体架构分为三大核心模块：RAG 问答模块、Agent 智能体模块、权限管理模块。

（1）问答模块（RAG）

RAG 作为 Agent 智能体的专属知识引擎，负责精准获取业务权威知识、过滤无效信息、提供可追溯参考依据，彻底解决大模型幻觉问题。全工作流程：

• 用户问题输入与理解：系统理解业务专业语境，自动判断应检索的数据维度（研报、新闻还是公告等）。
• 用户问题改写与扩展：将自然语言问题转化为更适合搜索的形式。
• 搜索策略选择：向量化搜索与关键词搜索相结合的混合检索架构。
• 文档检索与召回：从各数据源检索，确保全面覆盖。
• 文档重排：使用 Reranker 评估相关性（文本相似度、文档质量、信息新鲜度）。
• 相关文档选择与片段提取：引入多样性保证机制 + 智能片段提取。
• Prompt 构建：系统角色设定为业务专家助手，强调答案准确专业、标注来源。
• 大语言模型生成：严格基于检索资料生成，不编造臆测，所有关键信息标注来源。
• 多模态输出：结构化文本答案、数据表格输出、引用信息。

（2）Agent 智能体

Agent 智能体作为整个系统的"大脑"，统筹全流程任务执行，具备自主思考、任务拆解、工具调用、逻辑推演、结果整合能力，可处理复杂链式任务。全工作流程：

• 任务感知与意图深度解析：不仅理解表层问题，更深度挖掘背后业务目的。
• 任务拆解与规划制定：按"总-分-合"逻辑自主拆解为可执行子任务。
• 工具调度：自主调度 RAG 问答、数据查询分析、报告生成、文件操作、可视化、扩展工具等。
• 自主决策与异常处理：实时校验子任务结果，信息缺失/数据冲突/查询模糊时自动触发修正机制。
• 结果整合：按照业务报告规范进行逻辑整合、深度分析、结论提炼。
• 反馈迭代与能力优化：接收用户反馈，反哺 RAG 检索策略、Prompt 模板与 Agent 决策逻辑。

（3）权限管理模块（安全与合规）

• 权限控制：基于角色的访问控制（RBAC）+ 文档级权限。
• 数据隔离：内外部知识严格隔离，分别存储于不同知识库，设置不同访问权限和检索规则。

慧博优势

• 成熟的技术框架：低耦合、高可用、易扩展的 RAG+Agent 成熟融合框架。深度协同无壁垒（Agent 决策层与 RAG 知识层无缝联动）、工程化落地成熟（解决检索延迟、上下文溢出、模型幻觉、任务卡死等行业痛点）、模块化灵活配置、全链路优化迭代。
• 全流程一站式落地服务：需求环节（深度对接业务团队）、开发环节（自研成熟框架快速开发）、部署环节（本地化部署方案）、运维环节（持续运维、技术支持、版本迭代、问题排查）。
• 丰富本地化项目经验与模型适配能力：慧博拥有大量金融行业本地化落地项目经验，针对不同大模型动态优化 RAG 检索参数、调整 Agent 决策逻辑、定制化打磨系统 Prompt。
• 定制化专属功能开发：支持根据客户指定的报告模板、撰写规范、数据维度，一键生成尽调报告、行业分析报告、合规风控报告、估值测算报告等标准化文档；可拓展数据对比分析、政策预警推送、项目进度跟踪、同业竞品监测等专项功能。

---

十二、来源文档索引

文档	飞书链接
慧博quick问答模式的特点.pdf	飞书文件
技术介绍_20241010.docx	飞书文件
智能写研报Agent工作流程解释 - 打印版(2).pdf	飞书文件
慧博云科技AI优势说明	飞书文档

二、解析系统——券商应用场景专项报告

产品概述：本公司自研多模态组合解析系统，采用分层拆解、专项解析的复合型技术架构，区别于通用单一大型模型解析模式，精准适配金融复杂非标文档解析需求。系统首先依托 Layout 布局模型完成页面智能分块，精准区分文档内文本段落、数据表格、图表图形、水印批注、页眉页脚等不同版式模块；随后将分块后的语料数据智能分流至文字解析模型、表格解析模型、图形解析模型三大专项模型，实现分类精准解析。多模型协同联动，有效规避通用模型解析混乱、错行漏字、表格错乱、图表识别失真等行业痛点。

系统可兼容 PDF、扫描件、图片、Word 等全格式金融文档，支持财报、公告、申报材料、合同、研报、交易单据等各类券商业务文件解析，能够精准提取结构化数据、非结构化文本、可视化图表信息。

行业痛点与产品优势

券商行业现存痛点：

• 文档格式复杂：财报、申报材料等混杂文字、复杂嵌套表格、趋势图表、批注附注，通用模型解析易格式错乱、数据丢失。
• 人工成本偏高：投研、投行、风控等业务依赖人工翻阅文档、摘抄数据，流程繁琐耗时。
• 数据误差较大：人工摘录易疏漏，通用 AI 模型识别金融专业术语、非标表格准确率低。
• 合规溯源困难：金融业务对数据真实性、来源可追溯性要求严苛。

核心产品优势：

• 分层解析，准确率高：Layout 模型前置分块，三大专项模型分工解析，准确率远超通用大模型。
• 多格式兼容，适配性强：支持扫描件、PDF、图片等各类金融非标文件。
• 数据结构化输出：非结构化文档自动转化为标准化字段、可视化数据、可编辑文本。
• 轻量化部署，运维简便：可适配券商本地化部署，保障金融数据安全。

券商核心业务应用场景

业务板块	应用场景	价值
证券研究所	上市公司财报智能解析	Layout 拆分财报模块，表格模型抓取资产负债表/利润表/现金流量表等嵌套财务表格，图形模型识别营收趋势图；人工处理一份年报需 3-5 小时，本系统压缩至 5 分钟内完成
证券研究所	辅助研报快速撰写	批量解析参考资料，智能抽取核心观点、关键数据，保留原文溯源链接，辅助生成研报大纲、数据摘要、对比分析模块
证券研究所	舆情与公告智能监测	实时批量解析临时公告、监管问询函、政策文件，抓取重大资产重组、股权变动等关键舆情信号并标签化分类
投行业务	申报材料智能编撰	解析企业基础资料、财务审计报告、法律意见书等，自动抽取工商信息、股权结构、财务数据，按监管格式规整填充模板
投行业务	项目尽职调查智能核验	识别图片、扫描件格式凭证资料，提取合同签约金额、付款条款，还原银行流水交易明细，自动关联比对多份文件识别数据矛盾点
投行业务	申报材料合规校对	自动校验财务数据一致性、专业术语规范度、格式排版统一性，生成合规校对报告
合规风控部	业务文件合规审核	智能识别违规表述、夸大宣传、敏感话术，对标监管条例风险标注，留存解析溯源记录
合规风控部	海量档案智能归档检索	对存量文档多模态解析，提取关键词、核心要素、业务标签，转化为结构化电子档案库
资产管理业务	资管合同要素提取	精准解析合同条款，自动提取费率结构、申购赎回规则、封闭期、风险等级等 100+ 核心关键字段
资产管理业务	持仓资产动态监控	批量解析公告、财务报告、评级报告，实时抓取经营风险、财务恶化、股权质押等负面信息
经纪与财富管理	金融资料智能拆解	将专业晦涩金融文档拆解为通俗化摘要、核心数据卡片、风险提示清单
经纪与财富管理	客户资料智能录入	自动解析身份证、营业执照、风险测评问卷，提取客户信息自动录入 CRM 系统

系统落地应用价值

• 降本增效，压缩人力成本：财报解析、研报初稿生成、合同要素提取等流程效率提升 80% 以上，单人业务处理时长缩短 60%-90%。
• 精准控险，强化合规管理：全程留存解析痕迹、原文溯源记录，智能排查合规风险、数据矛盾、逻辑漏洞。
• 数据沉淀，搭建企业知识库：将非结构化金融文档转化为结构化数据，持续沉淀行业财报、研报、合同、申报材料等优质数据。
• 业务赋能，提升行业竞争力：助力研究所提升研报产出、投行缩短申报周期、风控强化合规管控、资管优化产品管理。

行业适配与优化方向：内置金融专业术语词库、财务报表识别模板、投行申报材料格式规范，相较于通用 AI 模型，金融文档解析准确率高出 15%-25%。后续迭代方向包括：行业定制优化（IPO 申报底稿、可转债材料、基金备案文件专属解析模板）、数据联动升级（对接券商内部数据库/交易系统/CRM）、智能研判增强（财务异常预警、行业估值测算、风险等级评级）、私有化安全部署。

---

三、对外接口服务

慧博提供完善的对外接口服务，支持二次开发与系统集成。主要包括：

• 数据接口：提供中文研报、英文研报、公告数据接口，以及财务数据、财经资讯、快讯数据接口，覆盖多渠道投研数据获取。
• 中文研报数据接口：海量中文研究报告数据的检索与获取，支持按机构、行业、标的、时间等多维度查询。
• 英文研报数据接口：海外主流机构英文研究报告数据的检索与获取，满足国际化研究需求。
• 公告数据接口：上市公司公告数据的检索与获取，支持按公司、类型、时间等维度查询。
• 多模态 R1 问答接口：覆盖中文问答、外文问答、公告财报问答、新闻问答等，支持图文结合的多模态输出、研报出处标注、信源个性化筛选、连续对话。
• PDF 解析服务接口（V2.0）：提供文档解析能力，支持同步解析、异步批量解析与流式解析，可输出 Markdown / JSON / HTML 等多种格式，支持图表 OCR / VLM、跨页合并、页眉页脚处理等（详见"四、解析 V2.0 结果示例"）。
• AI Agent 智能体接口：支持会话管理（生成会话 ID）、流式问答、历史记录查询、任务监控与主动停止等能力。
• 财经资讯 / 快讯接口：提供财经资讯与快讯数据的查询获取能力。

以上接口均提供标准 API 文档，具体调用方式、参数说明及鉴权信息可联系我司获取。

---

四、解析 V2.0 结果示例

解析 V2.0（多模态智能解析）输出格式支持 Markdown / JSON / HTML。

JSON 输出示例

format=json 时返回 JSON，顶层为 total_page + pages（按 p001/p002 索引页码），每页含按阅读顺序排列的 blocks 布局块：

{
  "total_page": 2,
  "pages": {
    "p001": {
      "page_index": 1,
      "blocks": {
        "b001": {
          "label": "title",
          "bbox": [120, 80, 880, 160],
          "order": 1,
          "content": "# 2024年度报告",
          "level": 1,
          "id": "12080080",
          "xywh": [12, 8, 88, 16]
        },
        "b002": {
          "label": "table",
          "bbox": [80, 200, 920, 600],
          "order": 2,
          "content": "<table>...</table>",
          "table_markdown": "| 项目 | 金额 |\n|---|---|\n| 营收 | 100 |",
          "table_html": "<table><tr><th>项目</th>...</table>",
          "caption": "表1 营收明细",
          "source": "资料来源：公司公告",
          "image_path": "tasks_data/<task_id>/blocks/p001/p001_002_table_*.png",
          "id": "80200920",
          "xywh": [8, 20, 92, 60]
        }
      }
    },
    "p002": { "page_index": 2, "blocks": { ... } }
  }
}

块字段说明：label 为块类型（text/title/section-header/table/picture/caption/footnote/formula/list-item/page-header/page-footer）；bbox 为像素边界框，xywh 为百分比坐标；表格/图片块在开启对应 VLM 开关时含 caption（标题）、source（数据来源）与 analysis（VLM 分析结果）。

Markdown 输出示例

format=markdown（默认）时返回渲染好的 Markdown 文本，保留文档原有标题层级、表格、图片引用及页眉页脚。以下为调用真实解析接口（解析 V2.0 服务，输入《测量仪器行业深度报告》PDF 第 2-3 页）返回的实际 Markdown 结果片段：

## 1. 行业概述：测量仪器，制造业的"基础工具包"

## 1.1 行业定义与分类：电子测量仪器的发展历程与分类

仪器仪表是国民经济的基础性、战略性关键产业，测量仪器作为其中的核心门类，是用于检测、测量、观测、计算各种物理量、物质成分、物性参数等的器具或设备。根据国民经济行业分类（GB/T 4754—2017），仪器仪表制造业可分为通用仪器仪表、专用仪器仪表、钟表与计时仪器、光学仪器等六大类。其中专用仪器仪表包括电子测量仪器制造等9类（来自研报：《国泰君安-电子测量仪器行业更新报告》）。

电子测量仪器发展至今，大致上可以分为四代：模拟仪器、数字化仪器、智能仪器和虚拟仪器（来自研报：《东北证券-电子测量仪器行业深度报告》）。在发展历程中，电子测量仪器经历了电子管、晶体管、集成电路等几代发展，呈现出以下明显趋势：

<analysis>{"data_subject":"电子测量仪器","description":"基于《东北证券》研报的电子测量仪器行业发展历程及四大趋势对比，涵盖硬件软件化、模拟产品数字化等功能模块化的具体措施与优势。","language":"zh-Hans"}</analysis>

<table><tr><th>发展趋势</th><th>趋势说明</th><th>具体措施</th><th>优势</th></tr><tr><td>硬件软件化</td><td>电子测量仪器经历了电子管、晶体管、集成电路等几代发展，目前微处理器、数字信号处理器、可编程逻辑阵列等可编辑器件日益融入电子测量仪器，帮助电子测量仪器的硬件体积进一步缩小，结构不断精简。</td><td>常规的仪器包含了信号采集、信号分析、信号存储等组成部分。随着对电子测量的理解不断加深，在精简仪器的过程中提出了虚拟仪器的概念。在虚拟仪器中，硬件仅完成信号的采集和存储，由软件完成信号分析及结果显示，并决定信号的分析功能以及操作界面</td><td>✓加快测量系统的构建✓解决由硬件条件受制约的测量难题</td></tr><tr><td>模拟产品数字化</td><td>数字化测量较模拟量拥有巨大优势。</td><td>常见的信号获取主要由模拟量与数字测量两种。模拟量是指直接读取真实信号后进行测量和分析。数字需要仿真采集信号并进行测量后额外进行A/D转换，并以特定的编码规则将模拟量转化为数字量。</td><td>✓能捕捉单次信号✓多种触发功能且精度高✓获取的数字化信息你可以后续进行复杂处理和分析✓提高测量仪器操作便捷度以及精度</td></tr><tr><td>功能模块化、系统平台化</td><td>随着下游客户的需求不断提升，单一测量很难满足客户的基本测量要求，更多的客户要求将多个测量功能分模块封装，并根据需求进行模块化调用。</td><td>模块化结构通过贡献元器件、高速总线和客户自定义的开放式软件，将整个系统打造为的功能平台。</td><td>✓大大缩短开发周期✓提高使用效率✓增强技术复用性✓满足多功能自动化的测量要求</td></tr><tr><td>技术智能化</td><td>人工智能和大数据技术简化操作流程，优化用户体验，将成为另一技术发展趋势。智能可编程电子测量仪器将逐渐成为行业发展新主流。</td><td>为示波器、分析仪等设备加入机器学习模块，使设备对待测信号特征和使用需求加以记忆。智能可编程电子测量仪器为客户提供智能化编程接口，改进测量流程，可实现自动化转化量程、调节、校准、记录等多项自动化运行功能。</td><td>✓提升机器分析速度✓提升产品功能扩展性✓满足更多测量需求</td></tr></table>

1. 硬件软件化：现代电子测量仪器中，微处理器、数字信号处理器、可编程逻辑阵列等可编程器件日益融入，使得硬件体积进一步缩小，结构不断精简。在虚拟仪器中，硬件仅完成信号的采集和存储，由软件完成信号分析及结果显示，这加快了测量系统的构建，解决了由硬件条件受制约的测量难题。

2. 模拟产品数字化：数字化测量较模拟测量拥有巨大优势，如能捕捉单次信号、提供多种触发功能且精度高、获取的数字化信号信息可以后续进行复杂处理和分析，并提高测量仪器操作便捷度以及精度。

3. 功能模块化、系统平台化：随着下游客户需求提升，单一测量难以满足基本测量要求，越来越多的客户要求将多个测量功能分模块封装，并根据需求进行模块化调用。这种模块化结构大大缩短了开发周期，提高了使用效率，增强了技术复用性，满足了多功能自动化的测量要求。

4. 技术智能化：人工智能和大数据技术简化操作流程，优化用户体验，智能可编程电子测量仪器逐渐成为行业发展新主流，提升了机器分析速度和产品功能扩展性，满足了更多测量需求。

<pagebreak page="3"/>

说明：以上为真实接口返回结果。可见 Markdown 输出保留了标题层级、段落文本与表格（HTML 表格形式），并在开启 enable_table_vlm 时注入 <analysis> 标签（VLM 分析结果）与 <pagebreak> 分页标记。

---

五、搜索技术架构

数据类型与规模

数据类型	文档日期	文档数量	数据条数（chunk）	向量维度
研报	2023.1.1 至今	70 万+	2100 万+	1536
公告	2023.1.1 至今	180 万+	5500 万+	1536
新闻	2023.1.1 至今	120 万+	450 万+	1536

混合语义搜索（Hybrid Semantic Search）

• 结合基于向量数据库的向量相似搜索与基于倒排索引的 Elasticsearch 搜索数据库进行搜索。
• 通过微调的向量化模型，将段落（chunk）信息转换为 1536 维向量保存到向量数据库。
• 经过问题改写模型后，从两个数据库初次搜索 1000 份文档，经重排序模型（rerank model）筛选，保留约 2 万字（约 12k-15k tokens）上下文，由大语言模型推理回答。

搜索速度（A10*2 节点）：约 3 秒 = 问题改写 0.5 秒 + 数据库召回 1 秒 + 重排序 1.5 秒。

搜索策略对比

策略	原理	适用场景
语义搜索（向量搜索）	基于深度学习，理解文本语义含义，将问题和研报内容转化为高维向量计算相似度	复杂问题、需要理解上下文和深层语义
关键词搜索（Elasticsearch）	基于倒排索引的全文搜索引擎，支持模糊匹配、短语匹配、范围查询	精确匹配查询、具体财务指标

文档检索与重排序

• 检索考虑文档相关性、时效性、来源权威性。
• 重排序（Reranker）使用更复杂模型评估相关性，考虑文本相似度、文档质量、信息新鲜度。
• 相关文档选择引入多样性保证机制：识别并过滤重复或高度相似内容，平衡不同角度和维度的信息。
• 智能片段提取：由于大模型上下文窗口有限，从每篇文档中提取与问题最相关的片段。

---

六、知识库问答系统架构

技术架构图（推荐配置）

style="max-width:100%;height:auto;border-radius:8px;box-shadow:0 2px 12px rgba(0,0,0,.12);margin:12px 0;" />

知识库问答系统架构：外部 HTTP/HTTPS 请求 → 接入层 → 分发至 Report Agent、PDF Extraction、LLM 管理等服务 → 各服务再分发至具体组件（Elasticsearch、Minio、Postgres 等数据库，以及 vLLM 等模型服务）。各服务间通过 HTTP/HTTPS、MQ 等协议交互。

回答问题逻辑中的 28 个分类

研报/报告检索与下载、宏观经济数据解读与预测、政策解读与影响分析、市场策略与大类资产配置、行业市场规模测算、竞争格局与市场份额、产业链与价值量分析、技术路线与产品原理、公司深度分析、财务分析与业绩点评、估值分析与投资建议、公司对比分析、价格走势与供需分析、一级市场融资与并购、投资方法论与研究框架、出海与全球化、国产替代与自主可控、主题投资与热点追踪、数据可视化与图表输出、系统功能与非金融问题、资金流向与机构行为、行业景气度与高频跟踪、债券与固定收益分析、外汇与汇率分析、ESG与可持续发展、量化策略与因子分析、区域经济与城市群分析、供应链与物流分析。

部署配置

• 大模型和问答服务：16 核，64G，200GB，4 × H20。
• 前端、解析、数据库服务：16 核，64G，200GB，1 × H20。

---

七、场景化 Skill 架构

痛点与定位

• 行业痛点：通用 AI 在投研场景中易出现分析维度不完整、输出口径不稳定；IT 开发周期长、投入高，难以快速响应业务变化；业务方法论难沉淀，团队经验复用效率低。
• 解决方案（FDE）：由慧博负责 AI 架构设计与工程落地，将客户研究框架沉淀为可复用的场景化 Skill，通过标准化编排实现快速接入、持续迭代与长期复用。

核心价值

价值	说明
快（交付更快）	成熟工程与架构沉淀，缩短需求到上线链路；同一架构并行支撑多场景升级。
专（输出更稳）	投研方法论流程化，减少同题不同解；分析框架、数据口径、输出结构统一；关键结论可复核、可追溯。
活（扩展更强）	新场景模块化扩展，既有能力直接复用；业务变化聚焦配置与编排层；能力长期沉淀为组织资产。

Agent-Skill-Tool 三层架构

层级	名称	职责
第一层	Agent（调度层）	任务理解与执行调度、维护对话上下文、协调策略模块加载与切换、管理能力模块调用执行、处理用户输入与输出生成、状态管理
第二层	Skill（策略层）	场景策略与流程编排、封装领域专业知识、定义任务工作流、编排能力调用顺序、规范输出格式、决策逻辑
第三层	Tool（能力层）	数据与计算执行、执行具体操作、与外部系统交互、获取实时数据、执行计算处理、返回结构化结果

核心设计模式（双通道）

通道	适用问题	执行方式	价值
快速通道	概念解释、名词定义	直接调用通用问答能力	响应快，覆盖高频问答
专家通道	复杂分析、深度研究	按分类工作流执行	结论更稳，过程可复核

已上线 14 类专业工作流

能力域	已上线工作流分类（14 类）
宏观与策略（3 类）	宏观经济数据解读、政策影响分析、市场策略与资产配置
行业研究（4 类）	行业规模与竞争格局、产业链全景、出海与国产化、技术趋势
公司研究（3 类）	公司基本面分析、公司估值分析、公司对比分析
专题与方法（4 类）	投资方法论、并购与交易追踪、产业政策与研报追踪、数据可视化

工作流示例：CPI 数据分析

场景识别（宏观经济数据解读）→ 2. 数据获取（宏观数据接口）→ 3. 观点补充（研报与资讯检索）→ 4. 市场联动（市场指数数据）→ 5. 结构化输出（形成可复核的宏观分析结论）。

客户落地路径

对齐客户研究框架与优先场景 → 以通用 Skill 引擎快速装配专属流程与所需能力 → 通过迭代优化持续提升准确性、稳定性和业务适配度。面向客户的定制化交付能力，在 FDE 合作模式下可按客户场景快速定制场景化 Skill。

---

八、来源文档索引

文档	飞书链接
多模态PDF解析系统技术文档.pdf	飞书文件
多模态PDF解析系统使用和配置.md	飞书文件
cpe-慧博多模态R1中外文问答测试接口-图片get-批量获取id-v2.4	飞书文档
场景化 Skill，让 AI 真正懂投研.pdf	飞书文件
技术架构图、推荐配置	飞书文档
部署配置	飞书文档

二、来源文档索引

文档	飞书链接
部署的基础设施资源	飞书表格
技术架构图、推荐配置	飞书文档

二、慧博商务方案及报价单-模板（20260605）

报价日期 2026-06-05，有效期至 2026-07-05。单位：元。

产品名称	功能明细	范围限制	含税价
OCR 文档解析（1.0 版本）	专业 PDF 智能解析引擎，多语言处理、表格解析、图片提取；可独立部署保障数据安全；含本地化部署、调试等技术服务	本模块不涉及 OCR 模型的微调	首年 500,000 元，第二年开始 125,000 元/年
多模态文档解析（2.0 版本）	多模态智能解析架构，统一调度模型分块分发，大幅提升复杂文档解析准确率与内容完整性	仅针对约定文档类型/格式/业务场景，超范围特殊格式另评估	首年 1,000,000 元，第二年开始 250,000 元/年
RAG 智能问答	本地部署 RAG 问答系统，解决大模型幻觉问题，提供可追溯参考依据	① 不含个性化定制；② 不负责数据源头采集；③ 不含业务应用开发；④ 不提供 RAG 算法定制化微调	首年 300,000 元，第二年开始 75,000 元/年
内部知识库建设	非结构化文档转化为 AI 知识资产，支持临时文件上传、结构化索引与向量库	根据要求实现访问控制与用户权限管理	首年 300,000 元，第二年开始 75,000 元/年
通用报告 Agent	信息整合与自动报告生成，支持宏观分析、行业趋势、政策解读等；数据检索、财务分析、图表生成、语言整合	支持接入 Skill、MCP 等工具	首年 600,000 元，第二年开始 150,000 元/年

---

三、来源文档索引

文档	飞书链接
【标准版】慧博商务方案及报价单-20260607	飞书表格
慧博商务方案及报价单-xxxx-20260605	飞书表格

二、按应用场景归类的客户案例

从应用场景维度归类的典型客户案例与沟通要点如下：

知识库建设与智能问答

• 适用情况：客户积累大量研报、公告、内部报告、项目材料，但检索、复用、追溯效率低。
• 典型需求：统一管理分散在网盘、云文档、邮件、群聊、本地电脑的资料；员工用自然语言提问，系统从资料中找依据、给出带来源的答案。
• 主要使用者：研究员、投研助理、基金经理、投顾、销售支持、项目成员。
• 核心能力：支持内外资料入库；自然语言问答；覆盖中/英文研报、公告财报、新闻；答案可展示来源与页码，方便复核。
• 参考案例：上汽金控中文研报问答机器人、国泰基金内外知识库问答、华夏基金知识库建设、中信证券超级研究员知识库、中金资本企业知识库管理。
• 沟通提示：聚焦"资料可管理、找得到、答案说得清、来源查得到、团队能复用"。

报告生成与研究自动化

• 适用情况：客户需将研报、公告、财报、财务指标、行业数据，按内部模板自动生成研究报告、点评报告、一页纸材料。
• 典型需求：把找资料、整理信息、搭框架、写初稿等重复工作自动化，先由系统生成初稿，人工审核修改。
• 主要使用者：研究员、分析师、投研助理、基金经理、投资经理、战略研究人员。
• 核心能力：按模板生成大纲与初稿；自动整合资料与数据；支持引用溯源；可辅助生成图表表格。
• 参考案例：中金公司脱水财报与业绩报告生成、中金资本报告助手、中信证券深度投研与专项分析。
• 沟通提示：强调"系统先完成标准化流程与可用初稿，专业人员再审核完善"。

产业链图谱与可视化分析

• 适用情况：客户需快速梳理行业结构、上下游关系、核心企业、价值分布与投资逻辑。
• 典型需求：快速看清行业上下游、关键公司、业务位置与投资机会。
• 主要使用者：行业研究员、策略研究员、投资经理、产业研究人员、招商/战略部门。
• 核心能力：将文本资料转化为产业链图谱、关系图、公司清单、图表化报告，先看全貌再看细节。
• 参考案例：固态电池产业链全景图、人形机器人产业链拆解、商业航天产业图谱、智能产业图谱、半导体多维度分析、消费电子国产化与海外布局分析。
• 沟通提示：突出"文字资料转图谱图表，快速理解行业关系"。

审核合规与风险控制

• 适用情况：客户在合同、法规、直播、营销材料、投研内容、募集说明书等场景，人工审核压力大、标准不统一、留痕困难。
• 典型需求：AI 辅助检查不合规表述、敏感内容、版本差异，降低人工漏审风险。
• 主要使用者：合规、风控、法务、质控、内审。
• 核心能力：读取文档与音频转写内容；按规则筛查风险点；标注可疑内容并说明原因；输出审核结果留痕。
• 参考案例：直播实时审核、营销材料 AI 审核、长信基金法规比对与直播审核、平安证券募集说明书自动刷表。
• 沟通提示：强调"系统先筛一遍，人再看重点"。

数据解析、标注提取与结构化查询

• 适用情况：客户需从 PDF、图片、表格、财报、公告、业务文件中自动提取字段、指标与结构化数据。
• 典型需求：减少人工复制录入，自动抽取公司名称、财务指标、时间、金额、表格与图表信息。
• 主要使用者：数据运营、研究助理、财务分析、业务审核、系统集成人员。
• 核心能力：高精度识别文本/表格/图片/图表；输出结构化结果；支撑后续查询、问答、报告生成。
• 参考案例：数据标注提取、多模态解析、中金公司多模态解析系统、华夏基金文档解析、银行授信与尽调材料解析。
• 沟通提示：聚焦"解析准确高效，信息自动变可用数据"。

营销与内容生产

• 适用情况：客户需高频生成营销内容、投顾内容、直播底稿、播客脚本、客户触达材料，同时满足合规要求。
• 典型需求：快速产出内容，保证准确合规，适配不同渠道分发。
• 主要使用者：投顾、财富管理、市场营销、内容运营、销售支持、合规审核。
• 核心能力：基于研报、新闻、行情生成内容初稿；多渠道适配改写；对接合规审核流程。
• 参考案例：国信证券员工侧 AIGC 内容平台、国信证券 AI 播客、营销材料 AI 审核、中金资本移动端报告写作、外资药企关键信息简报。
• 沟通提示：强调"素材整理—内容生成—合规审核—分发一体化"。

企业级 AI 平台与模型接入

• 适用情况：客户希望统一管理公司各部门 AI 能力，实现统一入口、统一账号、统一权限、统一统计。
• 典型需求：一站式 AI 入口；权限可控；使用可查可统计；支持投研、合规、运营、营销等场景扩展。
• 主要使用者：管理层、IT 部门、投研、合规、风控、运营、业务管理员。
• 核心能力：集中多模型与 AI 应用；按部门/团队/人员授权；记录用量与费用；操作留痕；场景可扩展。
• 参考案例：万家基金统一 AI 平台、Chino AI 模型平台（内部 AI 平台）。
• 沟通提示：突出"统一入口、统一管理、权限可控、费用可看、场景可扩展"。

人力资源与运营自动化

• 适用情况：客户存在大量重复性运营流程，希望用 AI 完成材料读取、条件判断、排序打分、结果看板。
• 典型需求：自动化处理简历收取、附件读取、信息提取、岗位初筛、结果整理。
• 主要使用者：人力资源、运营部门、业务/招聘负责人、流程管理人员。
• 核心能力：读取多格式文件；按规则初筛排序；说明通过/不通过原因；人工最终确认。
• 参考案例：AI 简历筛选系统。
• 沟通提示：说明 AI 不只服务投研，也可覆盖人力、运营、行政等重复流程。

---

三、来源文档索引

文档	飞书链接
慧博金融机构客户案例介绍_20260714	飞书文档
【解决方案】国信证券-AI播客20260610_V1.3.2	飞书文档
国信App播客智能推送方案	飞书文档
小信助手 API 接口文档（xiaoxin-run）	飞书文档

二、智能写研报 Agent 工作流程

Function Call 方式 vs Workflow 编排方式

特性	Workflow 编排方式	Function Call 方式
决策机制	预定义条件分支	动态智能决策
流程灵活性	固定路径，难以变更	自适应路径，随需调整
系统复杂度	随场景增加呈指数增长	保持线性增长
扩展能力	需重新设计流程	只需添加新功能
维护成本	高（需维护复杂流程）	低（只维护独立功能）

具体工作流程

• 用户提出需求（如"写一份新能源汽车行业研报"）。
• Agent 核心分析：智能分析任务，确定需要哪些能力。
• 动态调用功能：search_report() 查询研报库 / analyze_data() 处理市场数据 / generate_chart() 生成图表 / write_content() 生成专业文本。
• 智能整合：将各部分内容智能整合成完整研报。

客户价值

更智能（像人类专家一样思考和决策）、更灵活（应对各种复杂非标准研报需求）、更高效（只调用必要功能）、更个性化（定制研报内容和风格）。

---

三、场景化 Skill，让 AI 真正懂投研

痛点与定位

• 通用 AI 在投研场景中易出现分析维度不完整、输出口径不稳定；IT 开发周期长、投入高；业务方法论难沉淀。
• 解决方案（FDE）：由慧博负责 AI 架构设计与工程落地，将客户研究框架沉淀为可复用的场景化 Skill。

核心价值

• 快（交付更快）：成熟工程与架构沉淀，缩短需求到上线链路，交付节奏更快。
• 专（输出更稳）：投研方法论流程化，分析框架、数据口径、输出结构统一，关键结论可复核、可追溯。
• 活（扩展更强）：新场景模块化扩展，既有能力直接复用，业务变化聚焦配置与编排层，能力长期沉淀为组织资产。

Agent-Skill-Tool 三层架构

层级	名称	职责
第一层	Agent（调度层）	任务理解与执行调度、维护对话上下文、协调策略模块、状态管理
第二层	Skill（策略层）	场景策略与流程编排、封装领域专业知识、定义任务工作流、规范输出格式
第三层	Tool（能力层）	数据与计算执行、与外部系统交互、获取实时数据、返回结构化结果

核心设计模式（双通道）

• 快速通道：概念解释、名词定义 → 直接调用通用问答能力 → 响应快，覆盖高频问答。
• 专家通道：复杂分析、深度研究 → 按分类工作流执行 → 结论更稳，过程可复核。

已上线 14 类专业工作流

能力域	工作流分类
宏观与策略（3 类）	宏观经济数据解读、政策影响分析、市场策略与资产配置
行业研究（4 类）	行业规模与竞争格局、产业链全景、出海与国产化、技术趋势
公司研究（3 类）	公司基本面分析、公司估值分析、公司对比分析
专题与方法（4 类）	投资方法论、并购与交易追踪、产业政策与研报追踪、数据可视化

工作流示例：CPI 数据分析

场景识别（宏观经济数据解读）→ 2. 数据获取（宏观数据接口）→ 3. 观点补充（研报与资讯检索）→ 4. 市场联动（市场指数数据）→ 5. 结构化输出（形成可复核的宏观分析结论）。

客户落地路径

对齐客户研究框架与优先场景 → 以通用 Skill 引擎快速装配专属流程与所需能力 → 通过迭代优化持续提升准确性、稳定性和业务适配度。

---

四、慧博投研 · 慧新维 AI 技术能力介绍材料（20260422）

公司简介：慧博投研是国内领先的智能投研金融科技公司，自 2010 年创立，深耕行业超 15 年。慧新维科技公司作为慧博投研的一级子公司，以 AI、大数据、云计算技术融合专业投资逻辑，构建一站式投研工作平台。拥有全市场第一研报知识库：整合券商 130+ 家、期货 140+ 家、研究机构 420+ 家，累计收录研报及公告 1800 万份。

产品体系：以 AI 智能体为核心，融合大语言模型、工具调用与自主规划能力，形成覆盖"非结构化知识 + 结构化数据 + 自主研究"的完整闭环。

板块	产品	定位	核心能力
AI 产品	AI 智能问答	多源投研数据智能问答	覆盖中文/外文研报、新闻资讯、公司公告等多渠道投研数据，支持多模态输出
AI 产品	AI 文档解析服务	非结构化文档智能解析	支持 PDF/图片等多格式高精度解析，文本、表格、图片语义化识别与结构化输出
AI 产品	AI SQL Agent	结构化数据智能查询	基于 LLM 与自动化工具，自然语言到 SQL 的自动生成与执行闭环
AI 产品	AI 智能体	自主研究助手	具备记忆管理、工具调用与自主规划能力，实现智能研报撰写
数据产品	研报数据库	海量研报深度结构化	整合海量多行业多来源研究报告并深度结构化，支持中英文研报深度搜索
数据产品	资讯与公告数据库	实时动态信息整合	实时抓取整合市场新闻、公司公告等动态信息
数据产品	财务与宏观经济数据库	结构化金融数据	提供结构化财务数据与宏观指标，支持 AI SQL 数据库查询与分析

AI 智能问答（多模态投研知识引擎）：

• 研报问答（多模态）：图文结合、研报溯源、信源引用、图表跳转、信源个性化筛选、连续对话、实时翻译。
• 其他 AI 问答：AI 资讯问答、AI 公告问答、AI 财报问答、个人知识库问答。
• 投研应用场景：事实/数据检索、产业链深度分析、热点事件解读、公司财务分析、分析师观点对比、宏观/行业战略分析。

AI 文档解析服务（多模态文档智能解析）：

• 核心价值：将非结构化文档一键转化为可检索、可分析、可引用的结构化知识资产。
• 多 LLM 组合结构：Layout LLM（文档布局识别）、Text LLM（文字识别）、Table LLM（表格识别）、Chart LLM（图表信息抽取），四类专用模型协同工作，每类针对任务类型专项优化。优势：训练与迭代效率高、处理性能（单文档延迟降低 40%-60%）、运维监控精细。
• 质量保障体系：Layout 质量检测、OCR 质量检测、表格质量检测、图表质量检测。
• 产品功能：智能版面识别（自动区域划分、阅读顺序恢复、多分辨率兼容）、文本提取与语义化（高精度文字识别、段落合并与结构恢复、金融术语理解）、表格结构化输出（智能表格识别、财务报表专项优化、Markdown/JSON 多格式导出）、图表数据抽取（专项图形识别、结构化数据提取、图文关联存储）、多格式导出。
• 文档处理专项能力：跨页内容处理、页面旋转校正、分级标题识别、页眉页脚剥离、多级质量检测。
• 应用场景：研报入库、财务报表提取、历史文档数字化、多模态知识库构建。

AI SQL Agent（结构化数据智能查询）：用户无需掌握复杂 SQL 语法，通过交互式对话输入查询需求，自动生成并执行 SQL 语句，返回结构化数据结果或可视化图表。技术路线对比详见 01 公司产品与解决方案。

AI 智能体（智能投研助手）：基于大语言模型，具备记忆管理、工具调用与自主规划能力。核心能力：多源知识融合、自主规划能力、工具调用智能、逻辑推理能力。智能体 vs 传统 Workflow 编排优势详见 01 目录。Skills 与 Tool 集详见 01 目录"6.6 智能体工作流程"。

业务实践案例：

• 标准产品应用：产业链生成（AI 自主绘制产业链全景图）、画像报告生成（一键生成企业深度画像）、报告撰写（自动化完成研报章节撰写）。
• 定制化应用：产业链生成定制、画像报告定制、报告定制（定制化财报深度解读、个股业绩报告、投行申报材料等）。

市场定位与客户群体：券商（研究部门）、公募基金（投研团队）、私募基金（量化对冲策略）、保险机构（保险资管投研）、银行理财（财富管理业务）、信托（投研）、QFII、上市公司（战略研究部）、个人投资者（高净值人群）。

服务体系：

• 本地部署：提供解析、搜索及大语言模型全套部署方案，代码全开放，支持自主迭代升级，严格保障数据安全与隐私合规。
• API 服务：接口服务灵活、成本效益优化、二次开发便捷。
• 专业人才输出：输出具备金融投研系统搭建经验的专业人才，人才全程嵌入项目，灵活调配人力。

---

五、来源文档索引

文档	飞书链接
智能写研报Agent工作流程解释 - 打印版(2).pdf	飞书文件
技术介绍_20241010.docx	飞书文件
场景化 Skill，让 AI 真正懂投研.pdf	飞书文件
慧博云科技AI优势说明	飞书文档

二、Agent 记忆管理方案

方案概述

Agent 在企业场景中不仅需要完成单次任务，还需在项目执行、团队协作和长期使用中连贯理解上下文。做好记忆管理，能让 Agent 规范调用既定规则、历史数据与通用流程，免去用户反复说明背景的麻烦，同时推动团队经验沉淀为标准化资产。

框架总览

Agent 记忆可从两个层面理解：

• 从载体看：记忆主要通过 Memory 和 Skill 两类文件承载——Memory 保存文字性信息，Skill 固化可执行流程。
• 从用途看：记忆分为固定记忆、对话记忆和 Skill 记忆三种类型。

固定记忆、对话记忆属于 Memory 文件体系，Skill 记忆属于 Skill 体系，均支持在企业、团队、项目各层级使用。

三类记忆

记忆类型	核心定位	解决的问题	典型内容
固定记忆	稳定规则与长期约定	让 Agent 持续遵守企业、团队或项目中的稳定要求	术语口径、输出格式、客户偏好、项目规则
对话记忆	历史上下文与阶段信息	让 Agent 延续历史对话和阶段性结论	历史问题、阶段结论、项目背景、已确认上下文
Skill 记忆	可执行流程与方法复用	让 Agent 按稳定流程完成复杂任务	SOP、脚本、模板、工具调用流程、检查规则

记忆的选择与注入流程

无论采用哪种记忆方式，执行链路的基本逻辑：检索文件→筛选文件→读取内容→注入上下文。

记忆文件按"企业、团队、项目"维度分成三层：

• 企业层：企业级或公司级范围，面向所有有权限的用户。
• 团队层：面向团队成员。
• 项目层：具体项目或工作目录（可多人项目或个人项目）。

文件选择规则：

记忆类型	展示给用户的文件	选择方式
固定记忆	Memory 文件	勾选或取消勾选具体 Memory 文件
对话记忆	Memory 文件	勾选或取消勾选具体 Memory 文件
Skill 记忆	Skill 文件	勾选或取消勾选具体 Skill 文件

方式A：固定记忆

• 方案定位：保存已明确下来的规则、偏好和约定，适合变化频率较低、需要反复生效的内容（统一术语、输出格式、项目口径、客户偏好、团队约定）。
• 记忆来源：企业层（合规口径、品牌表达、通用工作规范）、团队层（团队术语、部门模板、业务口径）、项目层（客户偏好、项目格式、交付标准、阶段共识）、个人项目（个人输出偏好）。
• 存储方式：以 Memory 文件形式，按全局、团队和项目分层组织。
• 更新方式：企业层、团队层由人工更新（影响范围大）；项目层采用人工更新 + Agent 自动更新。

方式B：对话记忆

• 方案定位：解决项目连续性问题，用户切换对话后 Agent 仍可基于当前项目引用历史信息。
• 记忆来源：企业层（通用问答结论、跨团队经验总结）、团队层（团队常见问题、团队项目经验）、项目层（阶段结论、客户反馈、项目背景、任务进展）、个人项目（个人项目历史、工作习惯）。
• 存储方式：纳入 Memory 结构管理，按全局、团队和项目分层组织（项目层含 AUTO_MEMORY.md）。
• 更新方式：同固定记忆，企业/团队层人工更新，项目层人工 + Agent 自动更新。

方式C：Skill 记忆

• 方案定位：承载可复用、可执行的流程型知识，告诉 Agent"遇到某类任务时应该怎么做"。
• 记忆来源：企业层（通用检查流程、通用报告流程、基础工具调用方法）、团队层（团队 SOP、团队模板、业务处理流程）、项目层（客户交付流程、项目检查清单、项目专用脚本）、个人项目（个人常用流程、检查清单、模板）。
• 存储方式：每个层级下可有多个 Skill 目录，每个 Skill 目录包含 SKILL.md 及其脚本、模板等文件。
• 更新方式：企业/团队层人工更新，项目层人工 + Agent 自动更新。

---

三、来源文档索引

文档	飞书链接
公司内部知识库建设方案	飞书文档
agent记忆管理-解决方案20260605	飞书文档
Agent 记忆管理-解决方案20260608	飞书文档