AI赋能金融研报自动化生成：智能体系统架构与实现

项目概述

这是一个基于人工智能技术构建的智能体系统，专注于自动化生成高质量的金融研究报告。该项目通过多智能体协作、RAG检索增强和数据可视化等技术，实现了从用户需求解析到研报内容生成、美化、聚合的全流程自动化。

效果图：

系统架构设计

项目采用了模块化、分层设计的系统架构，整体流程如下图所示：

核心组件

1. 用户交互层

   • 基于Dify平台构建的Web交互界面
     

   • 支持用户输入研报需求，如"请撰写一篇宁德时代(300750)的研报"

   • 提供研报下载功能

2. 任务解析与调度层

   • 意图识别：理解用户需求
   • 任务拆分：将复杂任务分解为可独立执行的子任务
   • 任务调度：协调各子任务的执行顺序和资源分配

3. 智能体执行层

   • 子任务执行Agent：负责具体数据查询和分析
   • 内容润色Agent：美化分析结果，添加图表和可视化

4. 数据服务层

   • 集成多种金融数据API（Akshare、东方财富等）
   • 向量数据库支持知识检索
   • 数据处理和转换工具

5. 报告生成层

   • 研报内容聚合
   • 模板填充
   • HTML/Markdown/PDF格式转换

核心功能模块详解

1. FastAPI服务接口

项目通过FastAPI框架提供了完整的REST API接口，作为系统的核心入口：

# 创建FastAPI应用
app = FastAPI(title="金融研报自动化服务", version="1.0.0")

# 研报生成接口
def _gen_report(req: ExecSubTaskRequest):
    # 解析序号
    seq_no = req.sub_task_work_dir.split('-')[-1]
    # 处理模板数据
    temp_ret = handleTemplate.handle(req,seq_no)
    # 执行子任务
    sub_task_results = exec_sub_task(req)
    # 聚合研报
    agg_req = AggFinReportRequest(stock_code=req.stock_code, stock_name=req.stock_name, seq_no=seq_no)
    agg_result = agg_fin_report(agg_req)

系统提供了以下关键接口：

• /fin/search - 金融数据查询接口
• /fin/exec_sub_task - 执行子任务接口
• /fin/agg_fin_report - 研报内容聚合接口
• /fin/gen_report - 研报生成主接口
• /fin/download_report - 研报下载接口

2. 子任务执行智能体

子任务执行智能体是系统的核心处理单元，负责根据具体任务描述获取和分析金融数据：

# 创建子任务执行智能体
def ext_sub_task_agent(query_text: str) -> str:
    # 执行智能体
    try:
        response = agent_executor.invoke(
            input={"query_text": query_text},
            config={"recursion_limit": 30}
        )
        return response["output"]
    except Exception as e:
        print(f"子任务执行异常：{e}")
        return f"子任务执行异常：{str(e)}"

该智能体配备了多种工具：

• search_interface：搜索合适的数据接口
• execute_code：执行Python代码获取数据
• knowledge_base_search：检索知识库
• knowledge_base_insert：将获取的数据存入知识库

3. 内容润色智能体

润色智能体负责将原始数据转换为结构化、可视化的研报内容：

def exec_beautify(stock_code: str,original_tile:str,original_text: str,sub_task_dir: str) -> str:
    # 执行润色Agent
    response = agent_executor.invoke(
        input={"original_tile": original_tile,"original_text": original_text,"sub_task_dir":sub_task_dir},
        config={"recursion_limit": 30}
    )
    return response["output"]

润色智能体的工具集包括：

• save_to_file：保存内容到文件
• gen_line_chart：生成折线图
• gen_pie_chart：生成饼图
• gen_bar_chart：生成柱状图
• gen_plot_relative_chart：生成双序列对比图

4. 研报汇总模块

该模块负责将各个子任务生成的内容聚合为完整的研报：

def agg(self, stock_code:str,stock_name:str,seq_no:str, report_root_dir:str = './report_files') -> Dict:
    # 读取所有Markdown文件，合并在一起
    report_content: str = self._get_report_files(stock_code,report_root_dir)
    # 调用大模型，聚合研报内容
    aiMessage = self.chain.invoke(input={"company_information": report_content})
    # 使用html模板文件，替换参数，生成新的html文件
    ret = self._save_to_html(stock_code=stock_code, stock_name=stock_name, seq_no=seq_no,data_dict=data_dict)
    # 提炼投资要点
    aiMessage = self.chain.invoke(input={"report_content": aiMessage.content})

5. 数据可视化模块

系统提供了丰富的数据可视化功能，支持生成各类图表：

def gen_line_chart(params: Dict[str, Any]) -> str:
    # 从参数字典中提取值
    data = params.get("data", [])
    title = params.get("title")
    # 绘图
    plt.figure(figsize=(6, 4))
    x_vals, y_vals = zip(*data) if data else ([], [])
    plt.plot(x_vals, y_vals, marker='o')
    plt.title(title)
    # 保存
    plt.savefig(abs_path)
    plt.close()
    return abs_path

该模块自动处理中文字体显示问题，确保在不同操作系统环境下图表都能正确显示中文。

6. 模板处理模块

负责处理研报模板，填充数据并生成最终报告：

def _handle_base_data(self, req : ExecSubTaskRequest,seq_no:str) -> Dict:
    # 收集基础数据
    sub_task_exec_result = sub_task_agent.ext_sub_task_agent(query_text=query_text)
    # 转换成json对象
    sub_task_exec_result = json.loads(sub_task_exec_result)
    # 填充到模板
    ret = self.filled_template_file(data_dict=sub_task_exec_result,
        stock_name=req.stock_name,
        stock_code=req.stock_code,
        seq_no=seq_no,
        file_name="report_template.html",
        file_dir="template")

数据查询与处理

项目集成了Akshare等金融数据API，提供丰富的数据查询能力：

def gen_stock_chg_dc(self, stock_code: str, start_date: str, end_date: str) -> Dict:
    # 获取历史行情数据
    stock_zh_a_hist_df = ak.stock_zh_a_hist(symbol=stock_code, period="daily", start_date=start_date, end_date=end_date, adjust="qfq")
    # 计算涨跌幅
    stock_zh_a_hist_df['涨跌幅'] = (stock_zh_a_hist_df['收盘'] - start_close) / start_close * 100
    return {
        "date": dates,
        "chg": stock_zh_a_hist_df['涨跌幅'].tolist()
    }

工作流程详解

1. 用户请求处理

   • 用户通过Dify平台发起研报生成请求
   • 系统识别公司名称和股票代码
   • 将请求转发至后端FastAPI服务

2. 任务拆分与执行

   • LLM模型将用户需求拆分为多个子任务
   • 系统为每个子任务创建工作目录
   • 依次调用子任务执行Agent处理每个子任务
   • 子任务执行Agent通过搜索接口、执行代码等方式获取数据
   • 将获取的数据存储到向量数据库中

3. 内容润色与可视化

   • 内容润色Agent接收原始数据
   • 对数据进行结构化处理
   • 根据数据类型选择合适的图表类型进行可视化
   • 将处理后的内容保存为Markdown文件

4. 研报聚合与生成

   • 研报汇总模块读取所有子任务生成的Markdown文件
   • 调用大模型将内容聚合为完整的研报
   • 提取投资要点和评级信息
   • 将内容填充到HTML模板，生成最终研报

5. 用户反馈

   • 系统返回研报下载链接
   • 用户可下载生成的研报（支持HTML、PDF等格式）

技术栈与工具

类别	技术/工具	用途	来源
后端框架	FastAPI	提供REST API接口	fin_api.py
LLM模型	DeepSeek、阿里云模型	任务拆分、内容生成与聚合	llm_model.py
智能体框架	LangChain	构建智能体系统	sub_task_agent.py
金融数据源	Akshare	获取金融市场数据	query_data.py
向量数据库	Milvus	知识存储与检索	milvus_tool.py
数据可视化	Matplotlib	生成各类图表	chart_tool.py
前端平台	Dify	用户交互界面	金融报告自动化生成.yml

系统评估与优化

项目采用了"大模型即评委"的评估模式，对生成的研报进行多维度评估：

评估指标	智能体生成研报	财经网站下载研报
内容准确性与数据可靠性	8.5	9.2
逻辑结构与论证深度	7.0	8.5
金融专业知识应用	8.0	8.0
清晰度与可读性	9.0	9.5
风险提示与客观性	8.5	9.0
总分	8.2	8.8

评估结果显示，系统生成的研报在清晰度与可读性方面表现优异，但在逻辑结构和论证深度方面还有提升空间。

关键创新点

1. 多智能体协作架构：通过子任务拆分和多智能体协作，实现了复杂金融研报的模块化生成

2. 工具增强智能体：智能体配备了丰富的工具集，能够执行代码、搜索接口、生成图表等复杂操作

3. RAG检索增强：结合向量数据库实现知识存储和检索，提高了研报内容的准确性和相关性

4. 自动数据可视化：根据数据类型自动选择合适的图表类型，生成直观、专业的数据可视化内容

5. 完整的工作流：实现了从用户需求到研报生成、美化、聚合、下载的全流程自动化

未来进化方向

1. 提升研报质量：优化智能体的推理能力，提高研报的逻辑结构和论证深度

2. 扩展数据源：整合更多金融数据源，丰富研报内容的广度和深度

3. 增强可视化能力：支持更多类型的图表和交互式可视化效果

4. 个性化定制：支持用户根据自身需求定制研报结构和内容重点

5. 实时更新机制：实现研报内容的实时更新，提高研报的时效性

总结

该项目通过人工智能技术，特别是大语言模型和智能体系统，实现了金融研报的自动化生成。系统采用模块化设计，具备良好的可扩展性和灵活性，能够生成高质量、图文并茂的金融研究报告。在某些方面还有提升空间，为金融研究工作提供了强大的辅助工具。

通过自动化生成研报，该系统能够大幅提高金融研究人员的工作效率，降低研究成本，同时保证研报的专业性和准确性。随着技术的不断发展和完善，这类智能系统有望在金融研究、投资决策等领域发挥越来越重要的作用。

上一篇《智能体赋能金融多模态报告自动化生成：技术原理与实现流程全解析》

开源代码库