1. 课程导入

在金融业务中，大模型应用的第一道门槛往往不是“能不能回答”，而是“回答是否可信、可追溯、可复盘”。检索增强生成（RAG）通过引入外部知识库，让模型在回答时能够引用研报、公告、财报、监管文件等权威材料，从而显著降低幻觉风险。但金融场景对准确性、时效性、合规性和可解释性的要求远高于一般问答，仅仅“接上向量库”远远不够。一个真正可上线的金融RAG系统，必须同时具备可观测性与失败诊断能力：前者让我们知道系统正在发生什么，后者让我们在答案出错时快速定位是检索、排序、生成还是数据本身的问题。

一、金融RAG系统的基本概念

RAG的经典链路可以概括为“离线索引 + 在线检索 + 增强生成”三段。离线阶段将金融文档切分为片段，经嵌入模型转为向量并写入向量数据库；在线阶段将用户问题转为查询向量，召回Top-K片段，再经过重排序、过滤与上下文组装，最终由大模型生成带引用的回答。金融场景的特殊性在于：文档结构复杂（表格、脚注、跨页条款）、术语密集、时效敏感、合规约束强，且用户往往要求“给出处”。因此，金融RAG不是单一模型问题，而是一个由数据、检索、模型、编排、监控共同构成的系统工程。

二、可观测性与失败诊断的学习目标

本课程的学习目标不是教会大家“调一个参数”，而是建立一套可复用的诊断方法论。具体包括：

• 理解链路：能够画出金融RAG的完整数据流与信号流，明确每个环节的输入、输出与关键指标。
• 建立指标：掌握检索命中率、召回率、MRR、上下文相关性、答案忠实度、引用准确率等核心指标的定义与采集方式。
• 定位故障：面对“答非所问”“张冠李戴”“引用错误”“时效过期”等典型失败，能够按分层排查法快速缩小范围。
• 设计实验：能够构造金融领域的评测集，用A/B对比验证切分策略、嵌入模型、重排序器和提示词的效果。
• 落地监控：能够设计日志、追踪与告警方案，让系统在线上持续可观测、可回归。

三、整体课程框架与学习路径

课程共30章，按“概念—链路—指标—诊断—优化—实战”递进组织。前段建立金融RAG与可观测性的共同语言；中段深入检索、排序、生成各环节的观测点与失败模式；后段通过真实案例复盘，训练从现象到根因的定位能力。学习路径建议如下：

下图展示了金融RAG从用户提问到答案输出的核心链路，以及每个环节对应的可观测信号。请重点关注“检索—重排—生成”三段中，哪些中间结果可以被记录、被度量、被回放。

四、典型场景与常见误区

设想一个真实场景：用户询问“某上市公司2024年第三季度净利润同比变化”，系统回答了一个看似合理但实际来自2023年旧研报的数字。表面看是“生成错误”，但排查后发现：查询改写未加入时间过滤，向量召回把旧文档排在前列，重排序器又因语义相似度高而保留，最终模型忠实引用了错误上下文。这个案例说明，答案错误只是症状，链路中间状态才是诊断依据。

五、从今天开始建立诊断思维

后续章节将逐层展开：先讲清金融文档切分与索引的观测点，再深入召回与重排的指标设计，然后进入生成阶段的忠实度与引用校验，最后通过多个失败案例复盘，训练“现象—假设—验证—根因—修复”的闭环能力。学习时请始终带着三个问题：这个环节的输入输出是什么？哪些信号可以被记录？如果这里出错，现象会是什么？把这三个问题贯穿全课程，你就能从“会搭RAG”进阶为“能治RAG”。