如何打造一款金融推理工具Financial Reasoning Workflow：WebUI+Ollama+Fin-R1+MCP/RAG

在之前的文章中，我探讨了如何使用具身人工智能，让大语言模型智能体来模仿[当今著名对冲基金经理的投资策略]。

在本文中，我将探讨另一种方法，该方法结合了经过金融推理训练的特定大语言模型（LLM），并集成了一系列金融工具，如股票分析、外汇交易等。此外，可以利用LightRAG通过精心整理的金融文档来增强知识，然后将这些知识集成到在本地运行的Open-WebUI / Ollama中。因此，综合起来，解决方案如下图所示。

金融推理工作流程

图：财务推理流程

在深入探讨解决方案之前，我们先退一步，审视一下大语言模型在回答金融问题时的复杂性及存在的问题。好啦，就让探索之旅从这里开始吧。

大语言模型对金融问题的回应计算"一笔10万加元的5年期贷款，年利率6%（等额本息还款）的每月还款额"。

为了说明使用大语言模型（LLMs）进行财务计算的复杂性，我向多个大语言模型系统（谷歌Gemini公开搜索、微软Copilot、计算器以及运行Phi4、Gemma3和Fin - R1各种量化版本的Ollama）提出了精确的问题。这些系统给出的结果略有不同。

测试问题 "计算一笔100,000加元的5年期贷款，年利率为6%（等额本息还款）的每月还款额。"

计算一笔10万加元、期限5年、年利率6%的贷款的每月等额本息还款额。

谷歌Gemini回复

我们先来看谷歌搜索 （基于Gemini），其回复是每月支付1858.92美元。推理过程见下文。

图：谷歌Gemini对贷款问题的回应

微软 copilots 回复

下一个微软副驾驶（Microsoft Copilot）回复，每月还款1933.28美元，推理过程见下文。

图：微软副驾驶对贷款问题的回复计算"5年期10万加元贷款，年利率6%（等额本息还款）的每月还款额"。

金融计算器回复

是时候拿出财务计算器 试一试了。根据付款方式，可能有两种结果：期初每月付款1923.66美元 ，期末每月付款1933.28美元。

图：贷款计算器响应

渊知 R1--1776

让我们在由Perplexity AI托管的更大尺寸的DeepSeek R1模型上再试一次。最终结果是1933.28美元。

图：DeepSeek R1对贷款问题的回应

R1的最终还款额为每月 1933.25美元 ，这与使用期末付款方式时金融计算器计算出的金额（1933.28美元）相同。更多详细信息请参考以下截图。

使用其他大型模型再次测试，困惑度仅提供一个近似值。

图：Sonar Pro对贷款问题的回应

声纳Pro模型的回复约为1935.00美元

Ollama量化模型

现在，让我们也在Ollama中托管的一个小型量化模型上试一试，看看它们在Gemma3、Llama3、Phi4和Fin - R1上的表现如何。请注意，量化版本的功能不如全尺寸模型强大。

尝试1

图表：Gemma3与Fin-R1第一轮对决

杰玛3号回报1937.79美元 ，而金融-R1回报1941美元

尝试2

（删除了关于等额本息还款的表述）

图表：Gemma3与Fin-R1第二轮对决

两种模型都给出了精确的1941加元的支付金额。

微软Phi4模型（140亿参数）

使用量化版的微软Phi4模型（140亿参数），我们取得了令人惊讶的结果：1933.28美元。这一结果与我们的财务计算器和DeepSeek R1（完整版）相符。

图：Phi4贷款答案

现在，你可能会注意到大型语言模型（LLMs）的回复存在一些差距。

所以，先别急着把你的金融计算器收起来。

让我们深入探讨解决方案，研究如何利用这些模型提供的每个组件和功能来增强我们的端到端工作流程。

实验先决条件

如果你想在本地试验此工作流程，你需要在本地计算机环境中设置以下技术堆栈。

Ollama --- 如果您还没有，请在此为您的电脑下载 https://ollama.com/download
Openwebui --- 如果还没有，请在此处下载：https://github.com/open-webui/open-webui
Fin-R1 --- 金融推理模型在此处下载我的量化版本：

https://ollama.com/mychen76/Fin-R1-Q6 或
https://ollama.com/mychen76/Fin-R1-Q5
或者查看来自Huggingface的完整模型：https://huggingface.co/SUFE-AIFLM-Lab/Fin-R1

轻量级检索增强生成（lightRAG） 网页服务器 ---（可选）
网络搜索引擎（你偏好的：DuckDuckGo、Talivy等）
MCP工具 ------ 在此处查看关于MCP工具的GitHub项目：
股票分析师(https://github.com/minyang-chen/AI-powered-Development/tree/main/stockanalyst_mcp_server)
外汇（https://github.com/minyang-chen/AI-powered-Development/tree/main/forex_mcp_server）
轻量级检索增强生成（https://github.com/minyang-chen/AI-powered-Development/tree/main/lightRAG_MCP_Server）
还有更多（https://github.com/modelcontextprotocol/servers）

接下来，让我们仔细研究工作流程的每个组成部分，以及它们对这个解决方案的价值贡献。

Fin-R1模型

金融推理模型Fin-R1是一款新发布的模型------它并非普通的人工智能模型，而是基于DeepSeek-R1训练方法，在Qwen2.5-7B-Instruct上进行了专门的微调，采用了两阶段训练流程。在高质量思维链数据上进行监督微调（SFT）和强化学习（GRPO），这些数据专为金融推理场景定制，为金融应用在理论支持、业务规则、决策逻辑和技术实现方面提供了坚实的基础。

财务代码
财务计算
英文财务计算
金融安全与合规
智能风控
环境、社会和公司治理分析

来源：Fin-R1：通过强化学习驱动的金融推理大模型

如需更多详细信息，请查看github上的自述文件：[https://github.com/SUFE-AIFLM-Lab/Fin-R1/blob/main/README.md\](

https://github.com/SUFE-AIFLM-Lab/Fin-R1/blob/main/README.md

该模型的目标是提高金融推理任务的准确性。

Fin-R1 使用方法：

Fin-R1模型的一个良好应用是进行二级分析，并将其整合到整体分析报告中。

问题1：

prompt 复制代码

fetch NVIDIA financial results for first quarter of 2025 here: https://nvidianews.nvidia.com/news/nvidia-announces-financial-results-for-first-quarter-fiscal-2025 then provide a summary on the pros and cons.

财务报告1第一季度回应：

英伟达2025财年第一季度财务业绩

关键指标：

**营收**：86亿美元（2024财年第一季度为90亿美元，降幅约4%）
**毛利率**：57%（较上一季度的54%有所提升）
**营业收入**：31亿美元（高于2024财年第一季度的28亿美元）
**净收入**：24亿美元（高于2024财年第一季度的20亿美元）
每股收益（GAAP）： 1.35美元（而2024财年Q1为1.67美元）

优点

**毛利率提高**：较高的利润率表明成本控制或定价策略更佳。
数据中心收入稳定：数据中心部门业绩强劲，营收达39亿美元，反映出对人工智能和高性能计算解决方案的持续需求。
游戏业务复苏：游戏业务收入回升至35亿美元，这表明影响消费者需求的供应链问题可能已得到解决。
**运营效率**：尽管收入下降，但营业收入增加，这凸显了运营效率的提高。

劣势

收入下降趋势：收入同比略有下降，这仍是一个令人担忧的问题。
持续的供应链中断：库存管理挑战依然存在，影响交付和生产。
竞争加剧：来自AMD等竞争对手的更激烈竞争给利润率和市场份额带来压力。
每股收益增长较低：每股收益的增长低于预期，这可能会影响投资者情绪。

结论

英伟达2025财年第一季度的业绩反映出优势与挑战并存。毛利率提升和数据中心稳定是积极因素，但营收趋势和运营限制要求采取积极主动的管理措施。长期增长取决于持续的研发投入和战略多元化。

总体而言，回答结果看起来不错。

问题2：

A公司的资本结构为8000万美元债务和2000万美元股权。今年，该公司报告的净收入为1700万美元。A公司的股本回报率是多少？*

117.6%
21.3%
85.0%
28.3%

Fin-R1第二季度回复如果你能够获得3%的利息，并且你最初有100美元，那么3年后你会有多少钱？

图：Fin-R1第二季度回复

问题3：

如果你能获得3%的利息，并且初始本金为100美元，那么3年后你将拥有多少钱？*

Fin-R1第三季度回复问题3： """如果你能获得3%的利息，并且你最初有100美元，3年后你会有多少钱？* 28.3% Fin-R1第二季度回复

图：Fin-R1第三季度回复

Open-WebUI中的MCP工具

在Open-WebUI中，利用MCPO（https://github.com/open-webui/mcpo）将任何MCP工具作为兼容OpenAPI的HTTP服务器公开。它采用MCP服务器命令，并通过标准的RESTful OpenAPI使其可访问，这样你的工具就能与期望使用OpenAPI服务器的大语言模型智能体和应用程序"无缝协作"。

关于如何在WebUI中设置MCPO，请查看我之前发布的链接：MCPO：使用MCP工具为Open-WebUI/Ollama助力：

快速回顾：通过在config.json文件中列出要使用的MCP服务器来启动MCPO服务器。接下来，进入Open WebUI，依次点击"设置">"工具"，并为每个工具添加MCPO服务器端点。

使用获取MCP工具

该工具可帮助在聊天会话中高效下载网页链接内容，且不依赖任何第三方服务。例如，在提示触发时调用抓取工具，下载英伟达最新的财务业绩页面，并将其加载到聊天上下文记忆中。

使用提示：

prompt 复制代码

fetch NVIDIA financial results for first quarter of 2025 here: https://nvidianews.nvidia.com/news/nvidia-announces-financial-results-for-first-quarter-fiscal-2025

股票分析师MCP工具

该工具的目的是对股票进行技术分析并提出交易建议。

使用提示：

prompt 复制代码

tell me your stock analysis of IBM and recommendation

使用工具调用进行响应 :

图：股票分析师MCP工具调用

实际的工具调用日志如下：

图：股票分析师MCP工具通话记录

外汇兑换MCP工具

该工具的目的是帮助将您的货币兑换为目标货币。

使用提示：

prompt 复制代码

can you convert 100 CAD to USD for me please

结果：

prompt 复制代码

Certainly! Based on the latest exchange rate provided, 100 Canadian Dollars (CAD) converts to approximately 70.23 United States Dollars (USD).
According to the study, the proposed method increases efficiency by 20%. So, 100 CAD is equivalent to $70.23 USD. If you need further assistance or have more questions, feel free to ask!

LightRAG服务器

一种通用的快速检索增强生成技术，是维护金融文档知识库的出色工具。

图：轻量级检索增强生成（lightRAG）文档

图：轻量级检索增强生成（LightRAG）知识图谱

将LightRAG与OpenWebUI集成有不同的方法。

你可以启动一个LightRAG服务器。接下来，通过 "连接" 选项卡（在 "管理设置" 选项卡下）将其连接到OpenWebUI。你可以像添加OpenAI模型一样添加你的LightRAG RAG服务器。当你在OpenWebUI中选择此模型时，实际上就是在向使用LightRAG创建的知识库提问。LightRAG服务器文档请见：https://github.com/HKUDS/LightRAG/blob/main/lightrag/api/README.md
将LightRAG连接为MCP工具

(详见此处：https://github.com/minyang-chen/AI-powered-Development/tree/main/lightRAG_MCP_Server)

OpenWebUI是一款出色的用于网页用户界面、聊天及集成的工具。

Ollama是一款工具，可简化在您计算机本地运行开源大语言模型（LLMs）的流程，为管理和与这些模型交互提供了一种用户友好的方式。LightRAG。