朝阳永续基于阿里云 Milvus 构建金融智能投研产品“AI 小二”

一、客户简介

朝阳永续是先进的金融数据与智能服务提供商,致力于为基金管理公司、证券研究机构及专业投资者提供高质量、精准和全面的数据分析与决策支持工具。依托多年深耕金融行业的数据积累与投研经验,朝阳永续推出其核心产品------AI 小二,一款融合大模型技术的 AI 金融投研智能体。

AI 小二基于生成式 AI 能力,结合阿里云向量检索服务 Milvus 版(简称阿里云 Milvus),打造了集"智能问答、极速研究、深度分析、主题推荐、报表生成"于一体的智能化投研平台,全面赋能投资研究流程,显著提升用户的研究效率与决策质量。

二、业务背景与诉求

在金融投研领域,信息的准确性、权威性和时效性至关重要。AI 小二作为面向专业用户的严谨型 AI 应用,要求所有输出内容必须具备可追溯的信源依据,并确保引用观点来自权威、合规的数据来源。

然而,在面对日益增长的多源异构金融数据时,传统技术架构面临四大核心挑战:

1. 数据规模庞大且复杂度高

朝阳永续需处理包括上市公司公告、财报、卖方研究报告、新闻资讯、基金数据在内的海量非结构化与半结构化数据,日均新增数据量持续攀升。传统的关键词检索方式难以理解语义关联,无法满足用户对精准匹配的需求。

2. 检索精度与召回率难以兼顾

用户常以自然语言提出复杂查询需求,例如:"某公司在过去四个财报季中管理层表述的变化趋势"。此类问题涉及跨文档、跨时间维度的语义理解,传统系统因缺乏上下文感知能力,导致漏检率高、误判频发,严重影响研究结果的可靠性。

3. 系统性能与稳定性压力巨大

金融市场具有极强的实时性要求,尤其在交易时段,任何延迟都可能影响投资决策。原有自建检索系统在数据量达到亿级后,出现查询延迟波动、节点负载不均等问题,部分复杂查询响应时间超过数分钟,已无法满足高频、低延迟的业务需求。

4. 运维成本高昂,资源管理复杂

随着集群规模扩大,运维团队需投入大量人力进行监控、调优、故障恢复和版本升级。这不仅增加了运营负担,也严重挤占了核心技术研发的时间与资源。

三、阿⾥云的解决⽅案

为突破上述瓶颈,朝阳永续携手阿里云,引入 阿里云向量检索服务 Milvus 版,构建高性能、高可用的金融级语义检索底座,支撑 AI 小二实现从"数据到洞察"的高效转化。

系统采用分层架构:

  • 底层:存储汇聚上市公司公告、研报、财报等原始文本数据;

  • 中间层:通过经由 PDF 解析、 Embedding 等处理环节形成向量化数据,并存入阿里云 Milvus;

  • 上层:利用阿里云 Milvus 强大的语义检索与条件过滤能力,实现多模态召回;

  • 接入层:通过标准化接口为 AI 小二提供低延迟、高并发的检索服务。

整个系统实现了从数据摄入、向量化、存储到检索的全链路自动化,为金融级 AI 应用提供了坚实的技术支撑。

四、典型应用场景与效果验证

案例一:追踪上市公司"互动易"表述变化(上市公司互动易数据)

上市公司在历史多时期内的互动易表述,往往隐含管理层对未来业绩、行业趋势的前瞻性判断。这类非结构化文本难以通过关键词检索准确提取。

借助阿里云 Milvus 的高精度语义匹配能力,AI 小二能够快速定位并召回特定时间段内相关问答内容,帮助研究员高效捕捉企业战略动向与情绪变化,显著提升信息挖掘效率。

案例二:分析卖方分析师观点演变(卖方研报数据)

朝阳永续累计收录超300万份经合规授权的卖方研究报告,每日新增数千篇。投资者常需分析某分析师对某一公司的长期观点演变。

阿里云 Milvus 支持大规模向量实时写入与高效检索,在财报披露高峰期仍能稳定响应复杂查询,确保用户及时获取最新市场研判,强化投研时效性。

案例三:解读财报中的管理层表述(上市公司财报数据)

财报信息是众多专业投资者关注的重要一手信息,其中,管理层在财报中的经营表述可能蕴含重要的投资信息。AI 小二通过将百万级财报文本向量化,并基于阿里云 Milvus 实现精准语义召回,可快速提取与用户问题相关的段落,再由大模型进行情感分析与趋势提炼,大幅提升专业投资者财报研究效率。

五、为什么选择阿⾥云 Milvus

在向量数据库选型过程中,朝阳永续曾长期使用开源 PostgreSQL 向量扩展方案,但在实际应用中暴露出性能瓶颈与运维难题。最终全面迁移至 阿里云 Milvus 向量检索服务,主要基于以下三大关键考量:

1. 性能飞跃:查询速度提升十倍以上

  • 经验证:开源 PG 库平均响应速度600ms,阿里云Milvus平均响应速度50ms

  • 已有的上市公司公告、基金公司公告、卖方研究报告,专利及法律文档等,Embedding完成后,向量的数量级已达到十亿量级。开源 PG 库在结合标量条件筛选,并开启向量检索和全文检索的混合检索模式下,平均响应时间已冲到600ms,极端情况长达数分钟。切换至阿里云 Milvus 后,同样规模的数据,类似的检索方式,平均响应速度提升至50ms,提速十倍以上,充分满足金融业务对实时性的严苛要求。

2. 运维大幅降低,工作量下降80%

  • 开源 PG 方案遵循一切自己动手的原则,大量监控框架均需要搭配其他开源项目进行部署,需要花费运维人员大量的时间调研,且不完全符合运维需要,须定制整合,成本高,运维难度大。

  • 阿里云 Milvus 具备完善的监控能力,提供包括 CPU 和内存使用率在内的逾百项监控指标,并支持自定义报警规则,可灵活适应多样化的业务需求。这一全方位的监控体系有效帮助朝阳用户技术实现对集群运行状态的精准感知与及时响应。同时,阿里云 Milvus 还支持灵活的资源调整机制,可根据业务负载变化,平滑实现资源的扩容或缩容,保障服务持续稳定运行。

3. 生产级稳定性:历经百次高峰冲击,零故障运行

在开盘、重大政策发布等流量高峰期间,原有 PG 集群频繁出现CPU打满、服务卡顿甚至宕机现象。

切换至阿里云 Milvus 后,面对这些投研及投顾领域的热点事件及开盘、收盘时间点的高频应用时间。阿里云 Milvus 历经半年百余次 瞬时访问峰值考验,始终保持 0 故障、0 中断,展现出卓越的高可用性与抗压能力,真正达到金融级标准。

六、总结

通过采用 阿里云向量检索服务 Milvus 版,朝阳永续成功构建了高性能、高可靠的金融语义检索引擎,有效解决了海量非结构化数据下的检索效率、精度与稳定性难题,为"AI 小二"提供了强大的底层支撑,显著提升了智能投研服务的用户体验与商业价值。

未来,朝阳永续期待与阿里云在大模型、向量检索、Agent 记忆系统等领域深化合作,共同探索其在智能风控、资产配置、合规审查等更多金融场景的创新应用,携手推动中国金融行业的数字化转型与智能化升级。

相关推荐
桂花饼1 小时前
深度解析 Gemini 3 Pro Image (Nano Banana 2):Google 最强图像模型的核心能力与 API 对接指南
人工智能·aigc·ai绘图·nano banana 2·图像生成api·openai兼容接口·gemini 3 pro
JAVA学习通1 小时前
Mysql进阶---存储过程&变量&SQL编程
数据库·mysql
中杯可乐多加冰1 小时前
基于 DeepSeek + MateChat 的证券智能投顾技术实践:打造金融领域的专属大Q模型助手
前端·人工智能
百***49001 小时前
Redis-配置文件
数据库·redis·oracle
老纪的技术唠嗑局1 小时前
OceanBase 年度发布会 Hands-on AI Workshop 回顾
数据库
deephub1 小时前
从零开始:用Python和Gemini 3四步搭建你自己的AI Agent
人工智能·python·大语言模型·agent
艾体宝IT1 小时前
艾体宝干货 | Redis Python 开发系列#5 高可用与集群部署指南
数据库
算家计算1 小时前
DeepSeek开源IMO金牌模型!跑出数学推理新高度,你的算力准备好了吗?
人工智能·资讯·deepseek
3***89191 小时前
开放自己本机的mysql允许别人连接
数据库·mysql·adb