最近在研究大语言模型（LLM）在垂直领域的落地，发现金融（FinTech）是应用最深入、需求最明确的场景之一。金融领域数据密集、对信息时效性和准确性要求极高，这与RAG（检索增强生成）和Agent（智能体）的技术特性不谋而合。
我盘点了市面上几款比较有代表性的AI应用，从技术实现的角度，把它们分成了三类，和大家聊聊它们是如何解决实际问题的。
场景一：基于RAG的专业信息检索
金融从业者每天要处理海量的研报、公告和新闻。传统的关键词搜索效率低下，而基于RAG技术的AI搜索引擎，能够理解自然语言，直接从非结构化文档中提取精准答案。
- 技术特点：这类工具通常构建了庞大的金融文档向量数据库。当用户提问时，系统先检索出最相关的文档片段，再交给大模型进行总结和回答，有效减少了"幻觉"。
- 典型应用 ：
- AlphaSense：典型的金融专业AI搜索引擎，能快速从SEC文件和财报电话会议记录中定位信息。
- Fintool AI：专注于解析SEC文件、盈利电话会议等数据，提供即时的问答服务。
- Reportify：定位为AI投资研究问答搜索引擎，核心也是解决信息过载问题。
场景二：面向特定任务的AI智能体（Agent）
相比简单的问答，AI Agent能执行更复杂的任务，比如自动分析股票、进行估值建模，甚至扮演投资助理的角色。它们通常具备规划、记忆和使用工具的能力。
- 技术特点：通过Prompt Engineering和Function Calling，让大模型能够调用外部API（如实时行情、计算器），完成多步骤的复杂任务。
- 典型应用 ：
- Bobby金融投资 AI Agent：一个全球金融市场的AI投资代理，能执行更主动的分析任务。
- Opera Neon：集成了股票分析和报告生成能力的应用。
- MaDeal Platform：专注于企业融资估值和顾问匹配，背后是复杂的估值模型在支撑。
场景三：深度投研与数据分析平台
这类工具更偏向于一个完整的SaaS平台，它们将AI能力深度集成到投研工作流中，辅助分析师完成从数据清洗、因子挖掘到报告撰写的全过程。
- 技术特点：除了NLP能力，还结合了传统的数据科学和量化分析方法，处理结构化与非结构化数据。
- 典型应用 ：
- 万得Wind Alice：专业金融研究领域的AI助手，依托于强大的金融数据终端。
- 金灵AI：专注于金融深度投研，辅助进行更复杂的分析。
- Aifa创投分析：提供AI找项目、AI找机构、研报智读等功能，主要服务于一级市场。
总结
从信息检索到智能体，再到深度投研平台，AI正在重塑金融工作的各个环节。对于开发者来说，这些应用都是绝佳的学习案例，展示了如何将大模型技术与具体行业知识（Know-How）相结合。
开发者彩蛋
最近我也在折腾AI在垂直领域的落地，自己搭了一个AI大模型应用聚合站（智萃AI），里面整合了上面提到的部分工具，也包含了一些复利计算、企业股权分析等小工具。
欢迎各位大佬去测测Bug，或者交流一下RAG在金融文档处理上的优化经验！
