1. 课程导入
在金融业务中，信息往往以非结构化或半结构化的形式存在：招股说明书、年报、研报、公告、合同、票据、客服对话、监管问询函等。传统规则抽取方式依赖人工编写模板，面对版式变化、语义多样和长文本上下文时维护成本极高。大模型的出现，使结构化信息抽取从“模板匹配”转向“语义理解+模式约束”的新范式。本课程的目标，是帮助学习者建立一套可落地、可评估、可迭代的金融信息抽取工程方法。
一、学习目标：从“能抽”到“抽得准、抽得稳、抽得可解释”
本课程不是单纯讲解提示词技巧，而是围绕金融场景的严谨性，建立完整能力链。学习完成后，你应当能够：
- 理解金融结构化信息抽取的任务边界，区分命名实体识别、关系抽取、事件抽取、表格抽取与字段归一化。
- 掌握大模型抽取的核心原理，包括指令建模、模式约束、上下文组织、输出解析与校验。
- 能够设计从文档解析、切分、召回、抽取、校验到入库的完整流水线。
- 能够针对金融文本中的数值、日期、主体、指标、币种、口径等要素建立规范化规则。
- 能够使用准确率、召回率、字段级F1、幻觉率、拒答率等指标评估抽取质量。
- 能够识别并处理大模型抽取中的典型风险，如字段漂移、单位错误、主体混淆、过度推断。
二、核心概念：金融结构化信息抽取到底在做什么
结构化信息抽取的本质，是把自然语言中的关键事实映射为预定义模式。金融场景中，这个模式通常包含四类对象：
- 实体：公司、人物、机构、产品、证券代码、监管机构等。
- 属性：注册资本、营业收入、净利润、发行利率、到期日、评级等。
- 关系：控股、担保、承销、任职、关联交易、质押等。
- 事件：IPO、并购、违约、分红、问询、处罚、评级调整等。
大模型抽取与传统的区别在于：模型不再只依赖局部词形，而是结合上下文进行语义判断。但金融文本对数值、时间、主体和口径极其敏感，因此必须引入“模式约束”和“后校验”。典型输出模式如下：
{
"company": "示例科技股份有限公司",
"report_period": "2024年度",
"metric": "营业收入",
"value": 128.6,
"unit": "亿元",
"yoy_growth": 12.3,
"source_span": "公司2024年度实现营业收入128.6亿元，同比增长12.3%"
}其中 source_span 是金融抽取中非常关键的字段，它让结果可回溯到原文，便于人工复核与审计。
三、整体框架：一条可落地的抽取流水线
金融大模型结构化信息抽取不是单次调用，而是一条工程流水线。整体可分为六层：文档接入层、解析切分层、语义召回层、模式约束抽取层、校验归一化层、入库应用层。其核心数据流如下：
这条流水线中，最容易出问题的往往不是模型本身，而是解析切分和校验归一化。金融文档中的表格跨页、脚注、单位混用、口径差异，都会直接影响抽取结果。
四、案例与场景：金融抽取的典型任务
以下清单展示了金融大模型结构化信息抽取的常见场景与关键字段：
| 场景 | 输入文档 | 关键抽取字段 | 主要难点 |
|---|---|---|---|
| 财务指标抽取 | 年报、季报 | 营业收入、净利润、毛利率、同比增速 | 单位、口径、合并与母公司差异 |
| 债券要素抽取 | 募集说明书 | 发行规模、票面利率、期限、评级 | 多期发行、含权条款、浮动利率 |
| 股权关系抽取 | 招股书、公告 | 股东、持股比例、控股关系 | 多层嵌套、一致行动人、代持 |
| 风险事件抽取 | 监管处罚、问询函 | 事件类型、主体、金额、时间 | 事件边界模糊、否定与假设语气 |
| 合同条款抽取 | 信贷合同、担保合同 | 利率、违约金、担保方式、期限 | 长条款、交叉引用、法律术语 |
以财务指标抽取为例，模型可能从“公司实现营业收入128.6亿元，较上年同期增长12.3%”中正确抽出数值，但若原文单位是“万元”，而模型输出“亿元”，就会造成严重错误。因此，金融抽取必须把“数值+单位+口径+期间+主体”作为一个整体来处理。
五、误区与复盘：初学者最容易踩的坑
常见误区包括：
- 只关注模型输出，不关注原文溯源。没有
source_span的结果无法复核，也无法定位错误。 - 把提示词当成唯一手段。提示词能提升效果，但无法替代Schema校验、单位归一化和规则兜底。
- 忽略文档解析质量。表格错行、页眉页脚混入、扫描件OCR错误，会直接污染抽取输入。
- 用单一准确率评估。金融抽取需要字段级评估，不同字段的重要性差异很大。
- 缺少拒答机制。当原文没有明确信息时，模型应输出“未提及”，而不是猜测。
本课程后续将围绕这条流水线逐层展开：从文档解析、Schema设计、提示词工程、少样本示例、输出解析、数值归一化，到评估与上线监控。你需要始终记住一个原则：金融结构化信息抽取的目标不是生成漂亮的JSON，而是生成可审计、可复核、可追溯的事实数据。