二等奖方案ReportFlow：赋能金融合规的多源长文本智能一致性核验系统

AFAC2026 · 在小说阅读器中沉浸阅读

本团队获得了AFAC2025挑战组赛题四：智能体赋能的金融多模态报告自动化生成的二等奖。

获奖团队：清水河小分队

• 团队成员：李清河，张文涛，刘帅雨
• 指导老师：邓佳文

获奖寄语：

我们是来自电子科技大学计算机科学与工程学院的学生，日常研究方向为agent，大模型安全等方向。日常兴趣有运动健身，看剧等。在我们两个多月的比赛过程中，我们团队探索多智能体方案在金融研报领域的应用，并最终实现了一个稳定可靠的方案。

在这里感谢赛事组，感谢蚂蚁集团，感谢指导我们团队的领导和老师，感恩父母对我们的支持与鼓励，很高兴可以参加这次比赛，祝蚂蚁集团和AFAC大赛越来越好！

背景

ReportFlow 是电子科技大学“清水河小分队”为 AFAC2025 赛题四：智能体赋能的金融研报自动化生成所开发的一套解决方案。该系统通过多智能体深度协作，自动化生成宏观、行业、个股三类核心金融研报，以应对传统研报生成模式中普遍存在的财务能力输出不足、信息获取与整合困难、研报幻觉以及结构化挑战。

ReportFlow 的核心优势在于其统一的双层图（Dual-Graph）智能体架构，该架构将负责全局调度的父图与执行具体章节撰写的子图有机结合，实现了任务的宏观分解与微观并行执行的高效协同。

该系统在多个关键技术维度上取得了突破：

1. 增强型混合RAG（检索增强生成）引擎：融合稀疏检索（BM25）、密集检索（FAISS）与实时网络搜索，为报告提供全面、及时的信息基础。
2. 创新的HTML2Picture可视化方案：独创性地让大语言模型生成其擅长的HTML代码，并通过浏览器内核渲染截图，实现了接近100%的图表生成成功率和高质量的视觉呈现。
3. 产品级四维可控性：赋予用户对成本、时间、内容和数据的高度自定义权限，将系统从一个黑箱自动化工具转变为一个可调控、人机协同的专业平台。

ReportFlow 的设计理念始终秉持“产品思维驱动技术选择”和“稳定性是王道”的原则。通过放弃不稳定的智能体方案和随机的绘图方法，该系统确保了在真实业务场景中的高稳定性和高可用性，从而验证了其作为高效、可控金融分析协作平台的巨大落地潜力。

智能投研的挑战与ReportFlow的诞生

1 金融研报的价值与生成痛点

金融研究报告作为投资决策的核心，在基金管理、资产管理、投行等专业机构的日常工作中扮演着不可或缺的角色。高质量的研报不仅需要严谨的逻辑、深度的专业分析，还必须有可靠的数据源和多模态的呈现形式。

然而，传统的研报生成模式，即便由经验丰富的分析师团队完成，也面临着多维度的挑战。首先，是财务分析能力的输出。智能体在进行深入、专业的财务分析时，往往难以达到人类专家的深度和精确性。其次，是信息获取与整合能力。金融市场信息瞬息万变，来源复杂多样，智能体需要具备强大的能力，能从异构数据源中实时、全面地获取并整合信息。第三，是研报幻觉。大语言模型在生成内容时，可能产生虚假或不准确的事实性信息，这在对可信度要求极高的金融领域是致命的缺陷。最后，是结构化困难。研报有其固定的专业格式和章节结构，确保生成的报告符合行业规范是一个巨大的挑战。

2 ReportFlow产品愿景与核心理念

面对这些挑战，ReportFlow 团队并未急于堆砌技术，而是回归本源，提出了一个核心问题：“究竟，什么才是一份好的研报？”团队的答案是：“用户认为好的，才是真正的好！”。这一核心理念指引了 ReportFlow 整个方案的设计。一个优秀的研报生成系统，不仅要满足内容上的专业性、深度、可信度与格式要求，更重要的是，它必须是成本和时间可控的，以便真正实现落地应用。此外，系统必须赋予用户强大的掌控力，允许用户控制报告生成的时间和内容，甚至能够整合其私有数据以增强报告的个性化和质量。

基于此，ReportFlow 被定位为“你的个性化投研管家”，其产品愿景是：通过多智能体深度协作，铸就投研级专业报告，实现可控可配、人机协同，最终打造用户的专属研报。

方案综述：ReportFlow的四层架构设计

1 系统总体架构概览

ReportFlow 的解决方案被设计为一个清晰、模块化的四层架构体系，各层协同工作以完成从用户指令到最终报告的整个流程。

1. 应用层：作为用户与系统的接口，负责接收用户请求（如“生成商汤科技的公司研报”或“评估‘人工智能+’政策效果的宏观研报”），并自动将请求路由至对应的 LangGraph 图。
2. 数据层：为分析提供坚实的“弹药”。该层整合了来自 AKShare、东方财富、各大交易所、世界银行、美联储官网等权威机构的专业金融数据。它还能够将用户的私有数据（如 Word、PDF）转化为本地知识库，为研报提供个性化信息。
3. 架构层：是整个系统的核心大脑。ReportFlow通过独创的双层LangGraph架构控制研报的生成，父图负责章节层面的信息流动和全局调度，子图则控制章节具体内容的生成。
4. 工具层：提供了强大的辅助能力。该层不仅集成了Perplexica这样的实时搜索引擎，更重要的是，团队自主研发了HTML2Picture可视化引擎和RAG混合检索引擎，为报告的质量和丰富性提供了技术保障。

2 核心思想：多智能体协作与双层图架构

ReportFlow 的核心思想是借鉴真实投研团队的协作模式，将复杂的研报生成任务分解为多智能体之间的协作。这一模式通过双层图架构得以实现，该架构可以被形象地理解为一个顶级的AI投研团队。

• 父图（Parent Graph）：扮演着团队中的“首席分析师”角色。它负责全局的运筹帷幄，包括理解用户需求、构建知识库、制定研报大纲、调控子图引擎并行生成中间章节内容，并将结果汇集生成最终报告。
• 子图（Sub-Graph）：每个子图都像是一个独立的、优秀的“研究团队”。在“首席分析师”的指挥下，多个子图并行运行，每个子图专注于生成一个具体的章节内容，从数据收集、计划制定到文本和图表生成。

这种设计将任务的宏观分解与微观执行结合，为公司、行业、宏观三大类研报提供了统一且可扩展的生产线。

3 洞见与深度分析

ReportFlow 方案的高效性与成本可控性其根本原因在于架构层面的设计。团队通过对 LangGraph 框架深层机制的理解，做出了两个关键决策：异步并行和局部上下文管理。

首先，传统的智能体工作流往往是串行执行，即完成一个任务后才能开始下一个。ReportFlow 的异步并行设计从根本上打破了这一瓶颈。父图中的 Supervisor 节点能够一次性将多个章节的生成任务异步分发给子图并行执行。这种并发调度能力使得系统能够在30分钟内稳定执行超过100次的异步并发调用，从而极大地压缩了总耗时。

其次，为了解决大模型因上下文过长而导致的信息召回率下降和 Token 消耗急剧膨胀的问题，团队并未简单地“尽可能多地塞入上下文”。相反，他们采取了局部上下文管理策略。大模型的上下文中只包含与其当前任务相关的上下文，其余部分都进行了隐藏。例如，计划节点的信息只会包含当前章节所需，Researcher 和 Coder 节点的上下文中也只包含当前步骤所需的信息。最终，第一章和最后一章的生成上下文是中间五章的最终结果，而不包含其间过程。这种精细化的管理策略，使得在不考虑 Perplexica 搜索引擎消耗的情况下，生成一个研报的 Token 消耗量严格控制在30万至40万 Token 之间，在保证信息正确传递的前提下，大幅减少了成本。这证明了架构设计上的取舍，是实现效率、质量与成本平衡的关键。

核心技术亮点

1 增强型混合RAG引擎：信息的深度与广度

为了确保研报内容的专业性和全面性，ReportFlow 构建了一套创新的增强型混合RAG（检索增强生成）架构，突破了传统单一检索方式的局限。该架构由三重融合机制构成：

• BM25 稀疏检索：通过精确匹配关键词，确保专业术语的准确检索
• FAISS 密集检索：通过语义相似性匹配，捕获概念层面的关联
• Perplexica 实时网络搜索：用于获取最新的市场动态、政策变化和行业信息，确保报告的时效性

Researcher 节点在进行深度研究时，会根据任务生成3到5个优化后的查询语句，并利用并发混合检索技术，同时调用本地 FAISS 向量库（k=5）和实时 Perplexica 搜索（k=1）。检索到的信息经过多源结果融合和大型语言模型的智能提炼，为研报的深度与原创性提供了坚实的数据基础。

2 创新的多模态可视化方案：HTML2Picture

ReportFlow 在多模态内容生成上摒弃了传统方案，独创性地采用了两种方案相结合的方式：

• 结构化数据绘图：对于通过爬虫从专业网站获取的高质量结构化数据，系统直接通过编写代码来生成对应的图表。团队认为，由于数据本身已是确定性的，再通过大模型生成Python代码绘图，不仅成功率不高，且性价比极低。

• HTML2Picture 方案：这是团队的另辟蹊径之处，用于处理非结构化文本中的关键信息可视化。该方案的核心路径是：让大语言模型生成其最擅长的 HTML 代码 → 通过 Playwright 无头浏览器内核对 HTML 进行渲染和截图 → 最后对截图进行修复和优化。

这种方式的显著优势在于，它将大语言模型的能力用在其最擅长的领域（代码生成），从而实现了图表生成成功率接近100%。此外，这种方法生成的图表在视觉效果和信息密度上也远超传统方法。

3 洞见与深度分析

团队在 RAG 和图片生成上的技术抉择，深刻地体现了“稳定性优先于创新性”的理念，即“能落地的技术才是真正有价值的技术”。在图片生成方面，团队曾尝试过文生图模型和大模型编写 Python 代码绘图，但发现这些方案的效果随机且成功率极低。在金融研报这种对准确性、稳定性和时效性要求极高的场景中，一个成功率不稳定的方案是不可接受的。因此，团队果断放弃了这些方案，转而选择了成功率近乎100%的 HTML2Picture 方案。这种取舍表明，团队并非盲目追求技术前沿，而是基于对生产环境需求的深刻理解，选择了最可靠、最可控的技术路径。这种务实的技术决策，是 ReportFlow 能够真正实现商业化落地的坚实基础。

数据层：专业化数据处理与分析

1 总体数据获取与处理流程

ReportFlow 的数据引擎层通过编写可靠的数据接口，从 AKShare、东方财富网、美联储官网、各大交易所等专业网站获取所需的金融数据。这些数据在获取后会经过一套严谨的处理流程：

• 分类处理：对获取的数据进行分类
• 数据清洗：去除噪声和异常值，确保数据的准确性
• 统一格式：将不同来源的异构数据统一为相同的格式
• 质量验证：对数据进行质量验证，以得到专业的分析结论和相应的图表

此外，为了提高效率和节省 Token 消耗，系统引入了缓存机制。当不同的 Agent 调用相同的数据时，系统会直接返回缓存结果，从而大大缩短了数据返回时间，并有效节省了 Token 的使用。

2 三大研报的数据引擎

（1）公司研报

公司研报的数据处理具有很强的专业性，旨在为财务分析、竞争分析、估值分析等提供全面数据支持。系统集成了多种异构数据源，并通过专门的处理方法进行整合分析。

表1 公司研报数据源分布分析表

（2）行业研报

行业研报的数据引擎在开发过程中面临了巨大的挑战。团队最初计划从东方财富网爬取行业数据，但很快发现其行业名分类过于宽泛和固化，难以覆盖实际中成千上万的行业。例如，当需要生成“中国智能服务机器人产业”的研报时，系统可能会错误地将其路由至过于宽泛的“互联网服务行业”，导致数据不符报告需求。这一研发历程中的宝贵经验，暴露了对单一、不完整数据源的依赖风险。最终，团队不得不放弃这一方案，选择全部通过网络搜索引擎来获取行业数据。

（3）宏观研报

宏观研报的数据引擎设计更加复杂，除了基本的数据处理，还增加了多个独创的宏观经济分析模块。下表展示了宏观研报的数据源分布与处理方法：

表2 宏观研报数据源分布分析表

在此基础上，宏观研报的数据层还构建了多个高级分析模块：

• GDP数据分析器：整合世界银行及各国统计局权威数据，对全球主要经济体的 GDP 趋势、增长率和占比进行综合分析。
• 通胀率分析器：对比全球主要经济体近年的通胀率，并对通胀类型和分布特征进行分析，得出关键结论。
• 风险预警系统：这是一个采用多维度风险评估模型的独创模块。该系统将经济风险分为六大类别，并赋予不同权重（如货币政策风险权重最高为25%）。通过监控 M2 增速、GDP 增速、PMI 指数、CPI/PPI 变化等关键指标，并采用5级预警机制，确保了风险监控的全面性和及时性。

产品级可控性与落地潜力

1 四维可控性：人机协同的核心

ReportFlow 的一大独特之处在于其“产品级的四维可控性”，这直接体现了团队“赋能于人，而非取代人”的核心理念。这四个维度赋予了用户极高的自定义权限：

1. 成本可控：通过局部上下文管理和架构优化，系统能够严格控制 Token 消耗，将一次研报生成的总 Token 数控制在60万至70万之间。
2. 时间可控：用户可以自定义报告的生成时间，通过调整 max_plan_iterations 和 max_step_num 等超参数，在生成效率和报告质量之间找到最佳平衡点。
3. 内容可控：用户可以通过修改 JSON 配置来自定义研报的章节标题和内容。此外，系统还内置了 HumanFeedback 节点，允许用户在关键环节对 AI 生成的执行计划进行审核与迭代，确保最终产出符合预期。
4. 数据可控：系统实现了公开数据与用户私有数据的无缝结合，用户可以将私有数据转化为本地知识库，大幅提高研报生成的个性化和质量。

2 稳定性与可用性：落地的保障

ReportFlow 的设计充分考虑了在真实业务场景中的落地潜力。系统设计了完善的异步执行和故障处理机制，以保证在高并发场景下的高稳定性和高可用性。此外，系统还具备 langgraph studio 一键部署能力，极大地降低了部署门槛，体现了方案的工程化水平和易用性。

迭代思路与未来展望

1 研发历程中的技术抉择

ReportFlow 的最终方案并非一蹴而就，而是经过了多次试错和迭代。在整个研发过程中，团队始终坚持“稳定性”和“落地性”作为技术选择的最高优先级。

1. 上下文管理策略：团队意识到将所有信息塞入大模型上下文会导致 Token 爆炸和信息召回率下降。因此，他们果断放弃了这一策略，转而采用了局部上下文传递的方式，实现了 Token 消耗的大幅降低。
2. 工具调用：团队最初尝试使用 ReAct 智能体和 DeepSeek V3 的工具调用能力，但在实际运行中发现其调用能力弱且非常不稳定。为了确保系统的可靠性，团队决定将工具调用逻辑从实际运行中剔除，转而采用更可靠的直接函数调用。
3. 图片生成：团队复现了基于大模型直接绘图的方案，但发现其成功率不高且效果随机。这一问题促使团队开发了高成功率、稳定可控的 HTML2Picture 方案。
4. 质检Agent：团队曾计划在章节生成后增加一个质检 Agent 来优化章节间的衔接。但经过讨论，最终放弃了该方案，因为再次经过大模型处理可能导致信息丢失，而团队认为信息完备性优先于章节衔接度。

2 产业应用

ReportFlow 在产业界拥有广阔的应用前景：

• B端（商业端）应用：该技术可以赋能金融机构，如券商、基金公司、银行等。通过自动化生成宏观、行业及公司研报，能显著提升投研部门的效率。机构可以利用该系统快速批量生成覆盖特定股票或行业的跟踪报告，将研究员从繁琐的数据收集、图表制作等基础工作中解放出来，让他们专注于深度分析和投资策略制定。此外，该系统还能作为内部知识库，为销售和客户经理提供定制化的、包含最新市场信息的报告，增强其服务能力。
• C端（消费端）应用：对于普通投资者，该技术可以打包成智能投研工具或订阅服务。个人投资者可以通过平台定制并获取特定股票或行业的定制化研报。系统能快速响应用户的查询，生成易于理解的图文报告，帮助非专业人士更好地理解市场信息，做出更理性的投资决策。这打破了传统研报的高门槛和信息不对称，实现了专业知识的普惠化。

3 未来规划

1. 数据获取能力：团队承认当前数据爬取能力较弱，导致混合 RAG 的全部潜力未能完全体现。未来将持续优化数据获取能力，以真正实现 RAG 的强大功能。
2. 并发性优化：目前仅章节部分实现了并行，未来计划将 Researcher 和 Coder 部分也实现并发，预计能将报告生成时间由30分钟进一步缩短至20分钟以内，极大提升可用性。
3. 智能体生态：鉴于近期开源大模型 Agent 能力的显著增强，未来团队将积极探索基于 toolcall 的系统逻辑，构建自主决策的智能体生态。

清水河小分队在AFAC总决赛路演现场领奖（左四）