2. 金融知识库基础

在动手搭建金融RAG系统之前，必须先理解“喂给系统的原料”和“系统的工作方式”。金融领域对准确性、时效性和可追溯性的要求远高于通用场景，如果直接套用通用RAG方案，往往会在数字、日期、口径上翻车。本节从金融数据特点出发，梳理知识库类型，讲清RAG的基本概念，并与传统检索做系统对比。

一、金融数据的四大特点

金融数据不是普通的自然语言文本，它带有强烈的结构化与语义约束。理解这些特点，决定了后续切分、向量化、检索策略的设计方向。

• 强时效性：股价、利率、汇率、财报数据随时间快速变化。同一问题在不同日期答案不同，检索时必须携带时间维度，否则会召回过期信息。
• 高精度要求：“营收增长3.5%”与“3.05%”在金融语境下是完全不同的结论。数字、单位、币种、百分比基数都不能被模糊化处理。
• 多源异构：数据来源包括PDF财报、公告、新闻、研报、数据库表、API接口等，格式从纯文本到表格、图表混杂，解析难度大。
• 强专业术语与口径：“净利润”有归母、扣非之分，“不良率”有不同监管口径。术语相近但含义不同，检索时容易混淆。

二、金融知识库的常见类型

不同知识库类型对应不同的检索与更新策略。实际项目中往往是多种类型混合使用。

三、RAG基本概念与工作流程

RAG（Retrieval-Augmented Generation，检索增强生成）的核心思想是：先检索、再生成。让大模型在回答前先拿到相关知识片段，从而减少幻觉、提升事实准确性。其基本流程如下：

1. 索引阶段：将金融文档解析、切分为片段（chunk），通过嵌入模型转为向量，存入向量数据库。
2. 检索阶段：用户提问转为查询向量，在向量库中做相似度检索，召回Top-K相关片段。
3. 增强阶段：将召回片段与原始问题拼接为提示词（prompt），注入上下文。
4. 生成阶段：大模型基于上下文生成答案，并可附带引用来源。

用户问题: "2023年某公司归母净利润是多少？"
  ↓ 查询向量化
向量库检索 Top-K 片段
  ↓ 召回: 财报"主要会计数据"章节片段
Prompt 拼接:
  [上下文] ...归母净利润为 XX 亿元...
  [问题] 2023年某公司归母净利润是多少？
  ↓ LLM 生成
答案: 根据2023年年报，归母净利润为 XX 亿元（来源：年报第X页）

下面用一张图展示金融RAG的整体数据流与关键控制点：

四、RAG与传统检索的对比

传统检索（如关键词搜索、SQL查询）与RAG并非替代关系，而是互补关系。理解差异有助于在金融场景中做正确的技术选型。

五、常见误区与复盘

• 误区一：把RAG当成万能问答。对于“当前股价是多少”这类实时结构化问题，直接查API比RAG更准更快。
• 误区二：切分时不保留表格和日期。财报中的数字往往在表格里，切碎后语义丢失，导致召回片段无法支撑答案。
• 误区三：只做向量检索。“3.5%”和“3.05%”在向量空间可能非常接近，必须引入精确匹配或重排序。
• 误区四：忽略版本与生效日期。监管条文和财报口径会更新，检索时必须按时间过滤，避免用旧规则回答新问题。