传奇国际大模型技术观察：AI如何同时阅读财报、ESG报告和全球行业数据
大模型能加快阅读，却不能替研究者确认口径。可用的金融AI流程必须保留文档出处、数字校验和人工复核。
大模型能加快阅读，却不能替研究者确认口径。可用的金融AI流程必须保留文档出处、数字校验和人工复核。 这篇研究从可验证的数据和财务机制出发，说明实际分析时需要区分哪些事实、假设与风险。
让机器先识别文档结构
年报中的现金流量表、附注和管理层讨论不能用相同抽取规则处理。系统先识别报表期间、单位、币种和审计状态，再把表格单元格与上下文绑定。可持续报告中的Scope 3数据尤其需要保留类别和估算说明，否则一句“排放下降”可能只是边界调整。多语言文档还需统一企业名称和专业术语。
RAG解决证据定位，不保证推理正确
检索增强生成先从企业披露、监管文件和行业资料中找到段落，再让模型在限定证据内回答。每个回答应给出页码、文件日期和原文片段，无法定位时明确说未知。知识图谱连接企业、子公司、供应商和事件，可以减少同名实体混淆，但图谱边也应有来源与生效时间。
数字必须经过规则校验
模型抽取的利润和现金流应与原表合计、同比变化及单位转换交叉检验。若出现重述，应保留旧值、新值和变更理由。AI生成的估值结论最好拆为输入参数、公式与解释文字，计算由确定性程序完成。这样既可追踪错在检索、抽取还是推理，也避免模型把不同财年的数据拼成同一年。
把AI定位为研究助理
大模型适合初筛材料、提示差异与生成待核验问题，不适合无监督给出买卖建议。一个可行的工作流是机器阅读、规则检查、分析师确认、情景分析和版本归档。评价系统时，除了回答速度，更要测量引用准确率、数字错误率和跨语种主体匹配效果。
一条财报问答的正确路径
用户询问某企业过去三年自由现金流时，模型不能只检索一段管理层措辞。系统先确认三年报告版本，定位经营现金流和资本支出表项，再用确定性公式计算，最后引用对应页码。若资本支出被拆在“购建固定资产”和收购子公司两类，回答中必须解释取舍。对于不同币种或会计准则的年度，还需保留原始单位与转换规则。模型可写摘要，数字则应由可复算的计算层提供。
评价模型应使用失败案例
构建测试集时不能只放排版整齐的年报。应加入扫描版PDF、跨页表格、财报重述、多语言子公司名称以及口径变化的排放表。衡量抽取准确率之外，还要看错误引用率和“应该拒答却强行回答”的比例。对高影响结论，可以要求两个独立证据源或人工审核。只有当模型能准确说明不知道什么、为什么不知道，AI才真正适合进入金融研究工作流。
进一步的实务检验
在生产环境中，检索库的更新比提示词更重要。新财报发布后，旧文档不能悄悄被覆盖；系统应让用户选择“当时可得资料”或“当前最新资料”。文本片段切分要避免把表格标题与数值拆开，多语言企业名称需映射到统一主体。回答界面应把引用、计算和解释分层呈现，用户可以逐项展开。若引用支持不了结论，模型应明确降低确定性或拒答。这样可以把AI的速度优势留给检索与初步归纳，把需要责任归属的判断交给研究者。
持续跟踪的关键
特别要防止“引用存在但不支持结论”的错误。模型可能正确引用了财报中的一页，却把收入增长解释成利润率提升。引用校验因此应检查事实主张与证据之间的逻辑关系，而不仅是页面能否打开。金融研究中，语言流畅度从来不是准确性的替代指标。
研究使用提示
文中情景及指标解释用于展示研究方法。对具体企业作判断时，请查阅最新年报、可持续发展报告、监管公告与交易文件，核对统计范围和日期，并独立评估估值假设。
研究资料与核验方向
企业年报及审计附注、可持续发展报告、交易所公告、行业监管材料和指标方法说明。本文讨论的是通用研究框架，未使用未经核验的个股数据。
