背景
没有复杂的RAG设计, 仅仅通过LlamaIndex的ReAct RAG Agent框架来实现财务报表的分析,就可以达到和初级商业分析师一样的水平. 但也是有许多的不足.个人觉得仅仅适合微小型企业来使用.
财报分析结构图
1, 加载A, B, ……公司的财务报表文件
from llama_index.core import SimpleDirectoryReader
A_doc = SimpleDirectoryReader(
imput_file = ["./A公司财务报表文件_2025.pdf"]
).load_data()
......
2, 基于财报数据构建向量数据并保存到本地
from llama_index.core import VectorStoreIndex
A_index = VectorStoreIndex.frome_documents(A_doc)
......
frome llama_index.core import StorageContext
A_index.storage_context.persist(persist_dir="./storage/A")
......
本地向量数据的文件目录:
A
|- default_vectory_store.json
|- docstore.json
|- graph_store.json
|- image_vectore_store.json
|- index_store.json
B
|- default_vectory_store.json
|- docstore.json
|- graph_store.json
|- image_vectore_store.json
|- index_store.json
......
3, 配置查询工具:(A/B/……)
from llama_index.core.tools import QueryEngineerTool, ToolMetadata
query_engineer_tools= [
QueryEngineerTool(
query_engineer = A_engineer,
metadata = ToolMetadata(
name = "A_finance",
description= ("用于提供A公司财务报表信息"),
),
),
......
]
4, 创建LLM: ReAct RAG Agent
from llama_index.core.agent import ReActAgent
agent = ReActAgent.from_tools(query_tools, llm=llm, verbose=True)
思考: (ReAct RAG Agent)
优点:
1, 只需要提供公司的财务报表文件就OK
2, 简单快捷,利用现成的LlamaIndex来快速搭建 ReAct RAG Agent.
3, 分析出来的结果达到了初级商业分析师的水平
缺点:
1, 没有详细设计RAG的过程,只能看LlamaIndex本身的能力水平
2, 没有设计ReAct的过程,同样只能看LlamaIndex本身的能力水平
3, 没有微调大模型,注定了分析结果只能是初级商业分析师的水平
4, 没有人为的思考点加入,无法实现脑力最大化:AI+人
如果将以上4个缺点都实现了,将达到顶尖商业分析师的水平. 基于这一点,我对于未来AI的发展和应用充满了信心. 因为一个这样的系统开发最多半年,可以达到顶尖商业分析师20年的经验能力.这才是人类最大的杠杆.
参考
| 文章例子来源于: 《动手做AI Agent》黄佳 | 著 |
