哈喽大家好，我是小叶。

最近在实习，导师丢给我一堆 ESG（环境、社会和公司治理）相关的 PDF，让我总结一下某行业的碳排放趋势。看到那几十份几百页的文档，我当时脑子里只有一个念头：我是来写研报的，不是来练速读的。

于是，作为一个小程序媛，我决定用 RAG（检索增强生成）给自己撸个助手。

1. 为什么 RAG 是投研的“刚需”？

大家都在用 ChatGPT，但直接把研报喂给它，它会告诉你“超出 Token 限制”。
RAG 的逻辑很简单：先把文档切碎、存进向量库，等我提问时，AI 先去库里找相关的片段，再结合这些片段回答我。

我的发现：
在 ESG 领域，数据极其分散。有的在年报里，有的在社会责任报告里，有的在新闻通稿里。RAG 最大的价值，不是生成文字，而是溯源。

2. 🛠️ 避坑指南：AI 的“幻觉”比你想象中更真实

刚跑通 demo 的时候，我问它：“某公司的碳中和目标是什么？”
它信誓旦旦地回答：“2030 年实现净零排放。”
我一查原件，好家伙，原件说的是“2030 年实现运营层面碳中和”。这两者差得可不是一点半点！

我的反思：
AI 的“总结能力”太强，以至于它会把模糊的概念“美化”成确定的结论。
在投研场景下，Prompt 的严谨度决定了结论的生死。我现在会强制要求模型：

  • 必须引用原文页码。
  • 如果原文没提，必须回答“不知道”。
  • 禁止对数字进行四舍五入。

3. 语义搜索的“痛点”：关键词 vs 逻辑

传统的 RAG 依赖向量相似度。如果你搜索“减排”，它能找到“减少排放”。但如果你问“治理结构的变动对环境投入的影响”，它可能就懵了。因为这是一个逻辑链条，而不是简单的关键词匹配。

实战总结：
我现在的改进方案是引入 Knowledge Graph（知识图谱）。
在检索前，先用 AI 提取出文档里的实体关系（比如：CEO 变动 -> 战略调整 -> ESG 投入减少）。把向量检索和知识图谱结合起来，RAG 才能真正听懂人话。

4. 给同行的一点真心话

AI 确实能帮我们从繁重的阅读中解放出来，但它永远无法代替分析师的“洞察”。
研报的价值不在于罗列事实，而在于预测未来。AI 能帮你找到过去的证据，但决定要不要买入的那一刻，依然需要你对行业的深度理解。

碎碎念：
最近在研究如何用 Multi-Agent（多智能体）让不同的 AI 角色（比如一个看财务，一个看环境）打架，最后给我一个综合意见。感觉这种“吵架式”的研报生成，比单模态生成的鲁棒性要高得多。

合规提醒：本文提到的技术仅用于数据处理辅助，不代表任何投资观点。研报撰写需遵循合规要求。