3. 金融文本特性
在金融RAG系统中，分块、召回与混合搜索的优化策略，必须建立在对金融文本特性的深刻理解之上。金融文本并非同质语料，财报、研报、公告、新闻、法规五类文本在结构、术语密度、语义复杂性上差异显著。若用统一的分块粒度和召回策略处理所有文本，必然导致“财报表格被切碎、研报逻辑被割裂、法规条款召回不准”等问题。本节将逐类拆解其特性，并给出对RAG优化的直接启示。
一、核心原理：五类金融文本的结构与语义差异
金融文本的差异可以从三个维度刻画：结构规整度（是否具有稳定的章节、表格、条款编号）、术语密度（专业术语与实体在单位文本中的占比）、语义复杂性（跨句、跨段、跨文档的依赖程度）。三者共同决定了分块边界、召回方式和重排序策略。
从图中可见，财报与公告结构规整度高，适合按章节、表格、条目切分；研报与法规语义复杂，跨段依赖强，需要更大的上下文窗口或父子块策略；新闻结构松散，术语密度中等，适合按段落加实体锚点切分。
二、方法流程：按文本类型定制分块与召回策略
基于上述特性，RAG系统应建立“文本类型识别 → 分块策略选择 → 召回通道配置”的流水线。具体流程如下：
- 类型识别：通过文件名、来源域名、文档元数据或轻量分类器判定文本类型。
- 结构解析：财报解析XBRL或PDF表格，公告解析标题层级，法规解析条款编号，研报解析章节与图表标题。
- 分块策略：财报按“报表+附注”切分，公告按“事项”切分，法规按“条-款-项”切分，研报按“章节+段落”切分，新闻按“段落+实体”切分。
- 召回通道：财报和公告以关键词+表格结构化检索为主，研报和法规以向量召回+重排序为主，新闻以混合搜索为主。
- 元数据注入：为每个块附加公司代码、报告期、条款号、发布机构等字段，供过滤和重排使用。
关键参数示例：财报表格块建议保留完整表格，最大不超过1500字符；法规条款块按“条”切分，单条超过800字符时按“款”再切；研报段落块建议512～800字符，并保留所属章节标题作为父块。
三、案例场景：同一问题在不同文本中的召回差异
假设用户提问：“某公司2023年净利润是多少？”
| 文本类型 | 典型结构 | 术语密度 | 语义复杂性 | 推荐分块 | 召回策略 |
|---|---|---|---|---|---|
| 财报 | 报表+附注，表格密集 | 高 | 中 | 表格整块+附注段落 | 结构化过滤+关键词 |
| 研报 | 章节+图表+分析 | 高 | 高 | 段落+父章节 | 向量+重排序 |
| 公告 | 标题+事项+附件 | 中 | 低 | 事项级块 | 关键词+元数据 |
| 新闻 | 段落+引述 | 中 | 中 | 段落+实体锚点 | 混合搜索 |
| 法规 | 章-节-条-款 | 高 | 高 | 条款级块 | 向量+条款号过滤 |
若统一按512字符切分，财报表格会被拦腰截断，净利润数字与“归属于母公司”等限定词分离，召回后答案错误；法规条款被切碎后，“前款所称”指代丢失，语义完全断裂。因此，分块策略必须与文本类型绑定。
四、误区与复盘：常见错误及修正
误区一：所有文本统一分块粒度。财报表格、法规条款、新闻段落对块大小的容忍度完全不同。修正：按类型配置分块器，至少区分“结构化块”和“语义块”。
误区二：忽视术语密度对向量化的影响。金融术语如“商誉减值”“递延所得税资产”在通用嵌入模型中区分度低。修正：使用金融领域嵌入模型，或在召回后加入术语匹配重排。
误区三：公告与新闻混用召回通道。公告需要精确匹配事项标题，新闻需要语义泛化。修正：公告走关键词+元数据过滤，新闻走混合搜索。
复盘要点：每类文本至少保留一个“最小完整语义单元”作为块边界。财报的最小单元是“一张报表或一条附注”，法规是“一条”，公告是“一个事项”，研报是“一个分析段落”，新闻是“一个事实段落”。块边界清晰，召回质量才有保障。
# 分块配置示例（YAML）
chunking:
financial_report:
strategy: table_aware
max_chars: 1500
keep_table_intact: true
research_report:
strategy: section_paragraph
max_chars: 800
parent_block: section_title
announcement:
strategy: item_level
max_chars: 600
metadata: [company_code, event_type]
news:
strategy: paragraph_entity
max_chars: 500
entity_anchor: true
regulation:
strategy: article_clause
max_chars: 800
metadata: [law_name, article_no]