本报告系统阐述了基于RAG架构的本地智能投研系统构建方法,重点分析了开源RAGFlow解决方案的整体架构、关键技术及痛点优化。文档解析采用DeepDoc组件实现对复杂文档的深度分块,辅助以Raptor递归摘要策略及知识图谱机制提升信息质量;检索环节采用关键词搜索与向量搜索的多路召回策略,辅以基于Transformer的重排序模型确保结果精准度;结构化数据与非结构化数据融合处理增强系统多模态检索能力。基于金融领域样本的实证评测发现,RAGFlow在Embedding模型(推荐SFR-Embedding-Mistral)和Reranker模型(bce-reranker-base_v1)组合及参数优化(文档分块Token数512、Raptor参数配置与查询阈值调整等)后,展现出优异的检索和问答效果。最后,结合Text to SQL与自动化周报写作示例,展望RAGFlow在金融智能投研中的应用潜力
RAG架构关键工作流与痛点分析
RAGFlow架构与核心技术优化
复杂文档解析与结构化数据支持
Raptor召回增强及知识图谱技术介绍
Embedding模型与多路混合检索方案
重排序模型与Prompt设计
评估体系与最优策略确定
最优模型与参数配置方案
实际应用展望:Text to SQL和自动化报告
结论总结
报告标题: 《大模型赋能投研之七 :如何结合结构化数据搭建本地智能投研系统?-RAGFlow原理篇》
发布机构: 国金证券股份有限公司
发布日期: 2025年4月20日
分析师: 高智威(执业编号S1130522110003)、许坤圣(执业编号S1130524110001)
主题: 介绍和剖析RAG架构,及其在本地智能投研系统中结合结构化数据的应用,重点聚焦开源解决方案RAGFlow的原理与评估。
本报告系统地介绍了RAG架构(Retrieval Augmented Generation,检索增强生成)的关键原理及其在本地智能投研系统的构建中,特别是结合结构化数据的价值和实现方式。报告核心聚焦于RAGFlow开源方案,阐述了RAG流程的技术细节、痛点问题及解决方法,并通过实际金融研报样本进行了系统评估,筛选出较优技术组件与参数组合,最终明确了RAGFlow在金融投研领域的应用能力与前景。
报告没有明确评级,但通过严谨的技术解析与金融数据实证,传达了RAGFlow作为当前RAG开源方案中“质量优先”代表的地位,展现其在复杂业务场景中的可行性与领先性。
RAG定义与核心价值: RAG架构通过构造一个本地知识库(基于向量数据库),结合Embedding与检索模块,在大语言模型(LLM)基础上补充及时、专业的信息,缓解大模型“幻觉”、资讯过时和专业知识缺失三大困境,提升LLM的回答精准性和逻辑推理能力。
RAG工作流程: 划分为“索引入库”和“检索输出”两个主要过程,前者文本分块/嵌入向量并存入数据库,后者用户查询转嵌入、检索匹配相关文本块、传递到LLM进行生成。
痛点层层拆解: 索引入库过程的三个痛点(文本识别与分块、信息进一步处理、Embedding模型选择);检索输出过程的三个痛点(内容检索、多路召回与重排序模型选择、Prompt设计);向量数据库作为中枢节点也存在数据存取性能与结构化数据融合支持难点。
RAGFlow选择理由: 市面多方案包括FastGPT、Dify,RAGFlow因强调“Quality in, Quality out”,在文本解析、召回增强和知识图谱策略等方面设计更为精细,被选为分析主体。
DeepDoc组件:
结构化数据支持:
Raptor召回增强策略:
知识图谱策略:
Embedding模型作用:
混合搜索与多路召回:
重排序模型(Reranker)设计:
Prompt设计与Deep Research功能:
向量数据库对比:
RAGFlow系统整体架构:
评估体系与数据:
评估结果:
结合结构化数据检索评估:
Embedding与Reranker模型组合:
通用解析参数调整:
聊天助手参数选取:
Raptor召回策略参数:
Text to SQL:
报告自动化写作:
图表1(RAG架构工作流,页5):展示索引和检索过程的八步骤,明确了文本分块、Embedding映射向量、构建向量数据库、Query向量化、数据库检索、召回文本块、传递给LLM和输出回答的流程,奠定RAG基础框架。
图表4(RAG痛点拆解流程,页8):清晰分“索引入库" 和“检索输出”两大流程,每个细分流程包含3个关键痛点,突出文本识别/分块、信息预处理、Embedding选择及多路召回、重排序、Prompt设计的重要性。
图表6(RAGFlow系统架构,页13):详细展现RAGFlow具体组件,结合DeepDoc、任务分发、查询分析、多路召回和重排序步骤,体现优化细节领先通用架构,更好支持复杂金融数据。
图表10(DeepDoc流程,页16):揭示视觉识别、版面分析与解析分块的组合关系,强调版面元素(段落、表格、图像)分别解析路径,支持结构信息保留和块化形成。
图表13-14(Raptor策略及检索方式,页19-20):以递归聚类+摘要形成层级树,凸显处理超长文档和复杂语义结构的能力,选用平铺树检索融合现有流程。
图表15-16(知识图谱流程和框架,页22-23):通过实体识别、关系抽取、社区划分和摘要生成,推动文本块间的语义网络构建,提升查询精度。
图表17-21(Embedding模型评测,页24-25):多模型MTEB评测数据对比,特别关注金融领域表现,展示不同Embedding维度、Token长度与排名,辅助模型选型。
图表22-23(混合搜索与双路召回示例,页26):阐述关键词搜索与向量搜索的加权融合机制及其工作流程,展示如何从多个角度召回结果。
图表25-26(Bi-Encoder 与 Cross-Encoder对比,页29):课程技术剖析,Bi-Encoder分开编码向量后计算距离,效率高但语义理解弱;Cross-Encoder融合输入整体打分,精度高但计算资源大。
图表27-28(重排序模型对比指标,页29):评估不同深度学习Reranker模型,Jina表现最优,bce-reranker-base_v1次之,为模型选型依据。
图表29-30(Prompt设计与Deep Research工作流,页30-31):展示控制对话输出的Prompt模板以及支持多子任务迭代的推理闭环,从而增强回答细致度和逻辑严谨性。
图表31-34(向量数据库对比及数据结构,页33-35):对比主流数据库特性,说明Elasticsearch选择理由及未来接入Infinity创新,示范向量数据结构字段保证信息丰富。
图表38-40(解析与检索策略表现及对比,页39-41):综合指标显示General+知识图谱+多轮优化为最好配置,RAGFlow优于Dify默认配置,体现方案有效性。
图表42-43(结构化数据检索准确性测试,页41):突出结构化数据100%准确率,混合检索轻微影响文本质量,排序参数调整过度可能导致效果下降。
图表44-47(模型搭配及关键参数寻优,页43-46):展现Embedding与Reranker组合评测,General入库Token数、聊天助手参数和Raptor策略参数调优,指导部署细节。
图表48-51(最终方案及应用示意,页47-48):总结最优技术路线,展现Text to SQL和自动化报告写作多场景应用,用流程图还原系统实际操作支撑。
报告技术类,未阐述企业财务估值相关内容,无传统估值方法与目标价。
技术风险:
数据风险:
模型泛化风险:
业务落地风险:
报告对部分风险提供折中策略,比如合理参数配置、分离混合检索流程,权衡时间与效果。
报告详细解析了RAG架构的基本模型和工作流程,尤其聚焦了当前RAG开源方案中以RAGFlow为代表的高质量实现。通过DeepDoc对复杂文档尤其金融研报的精细视觉解析和文本分块;结合递归抽象处理树(Raptor)策略与知识图谱技术,补足分块上下文缺失与语义薄弱问题;利用精准的Embedding模型和高效的双路(关键词+向量)混合召回检索以及基于Transformer的深度重排序模型,改进检索质量和信息排序;配合优化的Prompt控制和复杂推理链的Deep Research迭代推理能力,构建基于向量数据库的强大本地知识库问答系统。
具体从金融实际样本出发,基于15篇研报设计多轮上下文问答,利用RAGAs从多维度评估多种系统配置性能,筛选出最佳技术方案为:
综上,报告充分论证了RAGFlow系统在本地构建高质量智能投研系统的可行性与有效性,不仅有效应对专业金融领域中的海量复杂文本与精准结构化数据需求,也为大语言模型应用高清视频层面提供了坚实的技术基石。报告中详尽的流程解析、技术组件介绍及丰富的实证评估结果为金融机构在智能投研、知识管理与决策支持系统建设方面提供了极有价值的参考蓝图。
(全文共逾万字,本分析报告严格依据原文内容与数据呈现,以保证信息完整、专业且详尽。)
如何结合结构化数据搭建本地智能投研系统?-RAGFlow原理篇.pdf