内容目录
前言
历经27天，我们小组所做的金融问答系统项目已经告一段落，目前该项目在天池大赛排行榜暂列56名，虽然排名还比较靠后(还有很多地方可以优化)，但是整个项目的实战锻炼还是收获不少。
因此，我计划将 从零构建问答系统 的这一过程总结分享出来，既是对过去的成果总结，也是抛砖引玉，为其他AI从业人员及爱好者提供参考。
文章目录
整个项目实战过程中，我们还是运用了非常多的新老技术以及软件工程理念，例如：
- AI相关：
Agent、RAG、Prompt…… - 传统开发：
Docker、ElasticSearch、Vue.js…… - 软件工程理念:
TDD测试驱动开发、代码重构、Python代码规范…..
可以总结分享的内容很多，所以我计划将整个内容分为以下几部分分别介绍：
- 第一章：基于Agent的金融问答系统：项目简介
- 第二章：基于Agent的金融问答系统：RAG检索模块初建成
- 第三章：基于Agent的金融问答系统：Agent框架的构建
- 第四章：基于Agent的金融问答系统：前后端流程打通
- 第五章：基于Agent的金融问答系统：代码重构
- 第六章：基于Agent的金融问答系统：RAG的检索增强之ElasticSearch
- 第七章：基于Agent的金融问答系统：RAG的检索增强之上下文重排和压缩
项目目标
需求痛点
在金融行业的投资研究领域，AI正在逐步推广应用。相比传统的投资研究，通过人工智能技术，可帮助客户大大提高投资研究效率。
传统投资研究的问题：
- 流程较长，依赖于专业研究人员
- 可处理的数据范围小，一般只能处理结构化的金融数据库数据
智能投资研究的优势：
- 无需专业投资研究人员，客户直接使用应用AI技术的金融工具即可
- 使用无门槛，输入自然语言给到金融工具，由AI进行智能分析、获取、处理以及结果输出
- 除了支持结构化的金融数据库之外，还可以支持非结构化的数据(如招股书、爬虫数据等等)
备注：以上信息来自于(《金融服务行业深度报告：智能投研调研报告人工智能在投研的应用》)。
基于以上的痛点需求，我们计划开发一个金融问答系统，使得用户可以通过工具输入自然语言，直接由AI进行用户问题的分析、信息查询、结果输出。
天池大赛
天池大赛刚好有与上述需求痛点和场景非常契合的赛事
- 赛事地址：基于LLM智能问答系统学习赛
- 赛事内容：
项目成效
启动后端服务演示
提问信息查询类问题的演示
Agent搜索到答案的演示
提问SQL查询类问题的演示
Agent进行SQL查询的演示
其他信息
代码已提交至Gitee，欢迎大家Star和Fork。
- Gitee仓库：https://gitee.com/deadwalk/smart-finance-bot
- Github仓库：https://github.com/domonic18/smart-finance-bot
附录
欢迎查看该系列的其他文章：
