在金融领域，研报作为决策参考的核心载体，其生成过程往往涉及海量数据采集、多维度分析及专业内容整合，传统人工制作模式不仅耗时耗力，还难以满足实时性与标准化需求。随着人工智能技术的发展，“智能体赋能的金融多模态报告自动化生成”方案应运而生，通过整合大语言模型（LLM）、检索增强生成（RAG）、MCP等技术，实现了研报从需求识别到最终交付的全流程自动化。

效果图：
在这里插入图片描述

一、方案整体架构与核心目标

本文将基于完整技术架构，详细拆解该方案的核心模块、工作逻辑与实现细节。
在这里插入图片描述

1.1 核心目标

以“提高效率、标准化输出”为核心，实现用户输入触发→多源数据采集→多维度分析→研报自动化生成→下载交付的端到端闭环，支持金融研报的快速生成与重复利用（若当日已生成同公司研报，直接返回下载地址），同时兼顾内容的专业性（如财务比率分析、行业对比）与格式的规范性（HTML转PDF、Markdown表格）。

1.2 整体技术栈

方案融合了数据采集、知识检索、智能调度、内容生成等多类技术工具，核心组件如下：

技术类别	具体工具/模块	核心作用
数据来源	东方财富、Akshare、同花顺、财经新闻网站、MCP服务	提供上市公司全维度数据（财务报表、股票信息、机构评级等）
知识检索	RAG（检索增强生成）、向量库（Milvs）、CRUD工具	快速召回目标公司相关数据，支撑研报分析内容
智能调度	任务拆分LLM、任务调度模块、子任务执行Agent	拆解用户需求为可执行子任务，调度资源完成任务执行
内容处理	内容润色Agent、图表工具、HTML模板填充、HTML转PDF	生成标准化研报内容，转换为可下载的PDF格式
交互与接口	对话窗口、FastApi接口（/fin/gen_report、/fin/download_report）	接收用户输入，返回研报结果与下载地址

二、全流程工作拆解：从用户输入到研报交付

整个研报自动化生成流程可分为意图识别→任务拆分→任务调度→子任务执行→研报合成→格式转换与交付六大核心环节，各环节环环相扣，形成完整工作流。

环节1：意图识别——判断需求并提取关键信息

用户通过“对话窗口”输入需求后，系统首先进行意图识别，区分需求与研报的关联性，同时提取生成研报必需的关键要素。
意图识别这部分功能属于后期规划的内容，目前还处在第一期建设。

1.1 意图分类与处理逻辑

无关研报需求：若用户输入为闲聊内容（如“今天天气如何”），系统可直接闲聊互动，或回复“你的对话内容和生成研报无关！”。
相关研报需求：需进一步提取“上市公司名称”或“股票代码”，这是后续数据采集与研报生成的核心标识，处理规则如下：
- 若识别到“上市公司名称”（如“宁德时代”）：自动查询对应的股票代码（如“sh300750”）。
- 若直接识别到“股票代码”（如“sh300750”）：无需额外查询，直接进入“任务拆分”环节。

1.2 研报重复生成判断

为避免重复计算资源浪费，系统会校验“当日是否已生成该公司研报”：

是：直接返回历史研报的下载地址，无需执行后续流程。
否/用户要求“重新生成”：触发下游“任务拆分”环节，启动全新研报生成工作流。

环节2：任务拆分——基于LLM拆解研报核心子任务

研报内容涵盖财务、行业、战略、风险等多维度分析，需通过LLM将“生成某公司研报”这一总需求，拆解为多个可独立执行的子任务，确保分析维度全面、逻辑清晰。

2.1 核心子任务清单（含必选与可选）

LLM需至少拆解出以下子任务，覆盖研报核心模块：

采集并整理公司三大会计报表数据（资产负债表、利润表、现金流量表）；
分析公司主营业务、核心竞争力与行业地位（含市场份额、技术优势、客户群体等）；
计算关键财务比率（如ROE、毛利率、现金流匹配度），并与行业同行对比；
选取可比公司进行横向竞争分析（财务表现、市场定位、技术能力对比）；
解读公司发展战略与未来规划（市场扩张、研发投入、合作项目等）；
总结潜在风险因素（市场风险、经营风险、政策风险），并给出风险提示。

环节3：任务调度——整合子任务并调用API接口

任务拆分完成后，“任务调度模块”接收所有子任务作为输入参数，调用后端核心API接口（/fin/gen_report），启动研报生成流程。API接口是连接“任务调度”与“子任务执行”的关键枢纽，执行以下四步操作：

子任务合并：将LLM生成的“动态子任务”与系统“预制子任务”（如“公司基本信息整理”“股票价格趋势分析”）合并，形成完整子任务列表；
子任务分发：轮询取出每一个子任务，分配给下游“子任务执行Agent”；
执行状态监听：待所有子任务执行完成后，触发下游“研报章节合成”环节；
异步返回结果：API接口接收到任务后，立即向调用方（任务调度模块）返回结果，包含研报下载地址（子任务执行在后台异步完成，不阻塞前端交互）。

3.1 API返回结果示例（JSON格式）

{"code": "000","msg": "研报生成完成:sh300750-宁德时代","data": "http://127.0.0.1:8001/fin/download_report?report_file_name=sh300750_宁德时代_02.md"
}

环节4：子任务执行——Agent驱动数据检索与内容生成

“子任务执行Agent”是研报内容生产的核心执行者，基于RAG知识检索与数据抓取工具，完成“数据获取→数据校验→内容润色”的子任务闭环。

4.1 核心执行逻辑

子任务传递：Agent接收子任务名称（如“计算宁德时代ROE并与行业对比”），传递给“知识检索RAG工具”；
知识检索与数据校验：
- RAG工具通过“语义相似度检索”和“关键字检索”两种方式查询数据，每种方式最多返回3条记录，共6条候选数据；
- 对6条数据进行精排（基于相关性、时效性），最终取前2条作为检索结果；
- Agent判断检索结果是否足以完成子任务：若不足，调用“数据抓取工具”补充数据；若足够，进入“内容润色”环节。

4.2 数据抓取工具：多源数据采集与存储

数据抓取工具从东方财富、Akshare、同花顺等权威金融平台获取数据，覆盖以下核心维度：

公司基础数据：基本信息（成立时间、注册资本）、股权结构、股票信息（股价、成交量）；
财务数据：三大财务报表、季度/年度财务指标；
行业与机构数据：行业对比数据、机构评级数据、股价预测数据、经营分析数据。

抓取的数据存储到Milvs向量数据库，存储规则如下：

核心存储内容：原始数据、数据主题（如“宁德时代2023年利润表”）、数据来源（如“Akshare”）、股票代码、公司名称；
元数据（metadata）：将“数据主题、数据来源、股票代码、公司名称”存入元数据，便于后续RAG工具快速检索。

4.3 内容润色Agent：生成标准化子任务内容

内容润色Agent基于“检索数据+子任务标题”，生成符合研报规范的内容，核心规则如下：

表格数据：自动转换为Markdown格式表格（如“宁德时代2023年关键财务比率表”）；
图表需求：调用“图表工具”生成可视化图表（如“宁德时代与同行毛利率对比图”）；
来源标注：所有表格数据、图表数据必须标注数据来源（如“数据来源：东方财富2023年报”）；
格式输出：最终生成包含“子任务标题+润色内容”的Markdown文件（如“子任务3：财务比率分析.md”）。

环节5：研报章节合成——整合子任务内容形成完整框架

所有子任务的Markdown文件生成后，需通过“研报章节合成”模块整合为完整研报，核心依赖LLM实现“内容归类与标题结构化”：

LLM接收所有子任务Markdown文件，根据内容逻辑（如“基础信息→财务分析→行业对比→战略风险”），将子任务填充到研报的一二级章节中；
自动生成研报总标题（如“sh300750宁德时代2023年年度研报”）与目录，确保章节逻辑连贯、层次清晰；
输出带有HTML标签的完整研报内容（为后续HTML模板填充做准备）。

环节6：格式转换与交付——HTML填充→PDF生成→下载

研报内容框架确定后，需完成格式转换与存储，最终通过“对话窗口”向用户交付下载地址。

HTML模板填充：将“带有HTML标签的研报内容”填充到预定义的HTML模板中（模板包含字体、排版、页眉页脚等样式，确保研报格式统一）；
HTML转PDF：调用工具将HTML格式研报转换为PDF格式，存储到服务器指定目录；
下载地址返回：系统将PDF文件的下载地址（通过FastApi的/fin/download_report接口生成）返回至“对话窗口”，用户点击即可下载研报；
交互限制：对话窗口采用“单轮阻塞”机制——只有当前工作流完成并返回结果后，才能接收用户下一次输入，避免任务冲突。