1. 课程导入
在金融行业，信息密度高、时效性强、合规要求严，任何一次问答失误都可能带来实质损失。检索增强生成（RAG）之所以在金融领域快速落地，正是因为它把“可追溯的外部知识”与“大模型的表达能力”结合起来，让回答既有依据又可审计。但金融RAG并不是把文档切一切、向量化、塞进向量库这么简单。真正决定效果的，是分块策略、召回质量与混合搜索的协同设计。
一、金融RAG的典型应用场景
金融RAG的需求通常集中在“知识密集、更新频繁、答案必须可溯源”的任务上。常见场景包括：
- 投研问答与研报摘要：从海量行业报告、财报、公告中定位关键数据与观点，要求召回精确到段落甚至表格行。
- 合规与制度检索：监管条文、内部制度、操作手册版本多、修订频繁，回答必须标注条款来源与生效时间。
- 客服与产品咨询：利率、费率、申赎规则、风险等级等参数型问题，要求数值准确、口径一致。
- 信贷与风控辅助：结合企业工商、司法、舆情与内部授信记录，辅助生成风险提示与尽调线索。
- 内部知识助手：面向投行、资管、运营等条线，检索流程文档、模板与历史案例。
这些场景的共同点是：用户问题往往短、口语化，而知识库文档长、结构复杂、术语密集。分块与召回一旦失配，模型就会“答得流畅但答错”。
二、学习目标
本课程围绕“让金融RAG答得准、答得全、答得可解释”展开，学完后你应当能够：
- 理解金融文档的结构特征，并据此设计分块边界与元数据方案。
- 掌握向量召回、关键词召回与混合搜索的适用条件与融合方法。
- 能够诊断召回失败的原因，区分是分块问题、嵌入问题还是查询理解问题。
- 能够为金融场景配置可评估、可迭代的检索链路，并建立离线评测集。
三、核心挑战：为什么金融RAG更难
金融RAG的难点不是单点技术，而是多个环节的耦合。下面这张图展示了从文档到答案的关键链路，以及每个环节最容易出问题的地方。
具体来看，核心挑战可以归纳为四类：
| 挑战类型 | 典型表现 | 影响 |
|---|---|---|
| 结构复杂 | 财报含多层表格、附注、跨页内容 | 分块后语义断裂，数值与口径丢失 |
| 术语与缩写密集 | “年化收益率”“七日年化”“IRR”混用 | 纯向量召回对精确术语不敏感 |
| 时效与版本 | 监管条文多次修订，旧版仍留在库中 | 召回旧条款导致合规风险 |
| 查询短且模糊 | 用户只问“这个产品风险高吗” | 缺少实体与约束，召回漂移 |
四、整体课程框架
本课程共30章，按“认知—分块—召回—混合搜索—评测—落地”的主线推进。你可以把它理解为一条逐步收紧的优化链路：
- 导入与基础（第1–4章）：建立金融RAG的问题意识，理解文档结构、嵌入模型与检索基本概念。
- 分块策略（第5–12章）：从固定窗口到语义分块、表格分块、条款分块与元数据设计。
- 召回优化（第13–20章）：向量召回、关键词召回、查询改写、多路召回与重排。
- 混合搜索（第21–26章）：融合策略、权重调优、过滤与时效控制、性能与成本平衡。
- 评测与落地（第27–30章）：离线评测集、指标设计、失败复盘与生产化部署。
学习建议：每章都带着一个真实金融问题去读。例如“某基金的年化收益率是多少”，然后追问：这句话在文档里长什么样？会被切成几块？向量能不能召回？关键词能不能召回？这样你会更快建立工程直觉。
五、常见误区与复盘视角
初学者最容易陷入三个误区。第一，把RAG当成“向量数据库+大模型”的黑盒，忽略分块质量；第二，只调嵌入模型，不检查文档解析与表格还原；第三，用几个demo问题判断效果，没有评测集。复盘时建议固定问三个问题：召回的内容是否包含答案？答案是否被正确引用？错误是分块、召回还是生成造成的？
# 一个最小化的金融RAG检索诊断清单
1. 文档解析：表格是否还原？跨页是否合并？标题层级是否保留？
2. 分块结果：每块是否语义完整？是否带来源、章节、日期等元数据？
3. 召回测试：对20个真实问题，记录Top-5命中率与MRR。
4. 混合搜索：对比纯向量、纯关键词、混合三组结果差异。
5. 生成引用：答案中的每个关键数值是否可定位到原文块？
注意：金融场景中，“召回不到”往往比“召回错了”更危险，因为模型可能用参数化知识补全，产生看似合理但无依据的答案。因此本课程会反复强调可追溯性与评测闭环。
接下来，我们将从金融文档的结构特征入手，理解为什么“怎么切”决定了“能不能召回”。