基于RAG的AI金融助理产品系统

面向金融投资研究与企业财务分析场景，帮助用户快速理解公司财报、行业报告、公告和新闻等文本资料，提升信息检索、风险识别和投资分析效率。可以让普通客户拥有超群专业的分析能力，也可以嵌入某些金融公司完成多项目统筹、整理、分析。

基于 RAG 的 LLM 金融 AI 分析师系统，支持用户上传财报、研报、新闻等金融文本资料，并结合实时新闻资讯进行公司分析。系统通过文档切分、向量化存储、相似度检索和提示词组装，将用户问题与相关资料一起输入大语言模型，生成带有来源引用的金融问答、基本面分析、风险提示和投资研究摘要。项目重点解决通用大模型在金融场景中容易出现信息过时、缺少依据和幻觉的问题，提升回答的可追溯性与分析可信度。
Built a RAG-powered LLM financial analyst that enables users to upload earnings reports, research documents, and financial news for source-grounded analysis. Implemented document chunking, embedding-based retrieval, vector search, prompt assembly, and LLM response generation with citations. The system combines uploaded financial materials with real-time market news to support financial Q&A, company fundamental analysis, risk identification, and traceable investment research summaries, reducing hallucination and improving answer reliability.

我主要负责项目的前后端开发与 RAG 功能设计。前端实现了用户提问、文件上传、AI 回答展示和来源信息展示等交互页面；后端负责接收用户请求、处理上传文档、调用大语言模型并返回结果。RAG 部分通过文档切分、文本向量化、相似度检索和提示词组装，将检索到的相关资料与用户问题一起发送给 LLM，从而减少模型幻觉，提高回答的准确性和可解释性。项目的亮点是把金融资料检索与 AI 分析结合起来，使回答不仅依赖模型自身知识，也能基于用户上传的真实资料生成。