juanjuandog/FinSight-AI

解决的问题

FinSight AI 为 A 股公司股票研究提供了一个结构化的工作空间。它解决了 AI 生成财务报告不可靠的问题，确保结论基于可验证的证据，报告与特定数据快照绑定以防止过时，并且在失败时可恢复长时间运行的 AI 研究任务。

如何工作

系统采用混合架构，结合 Spring Boot 后端进行编排，以及 FastAPI 侧车（sidecar）处理 AI 操作。它使用混合 RAG（检索增强生成）管道，结合全文搜索和向量召回，并通过互斥排名融合（RRF）和重排序，为 LLM 提供准确的证据。为确保可靠性，系统使用 RabbitMQ 进行任务分发，Redis 实现幂等性和协调，PostgreSQL/pgvector 用于存储快照和向量。

适用人群

专为寻找可处理长时间任务和基于证据报告的可靠 AI 代理参考实现的金融研究人员和开发者设计。

主要亮点

• 可恢复工作流：使用状态机和死信处理机制，确保研究任务在失败后可恢复。
• 快照绑定报告：通过哈希将报告与特定数据版本绑定，确保分析与源数据保持一致。
• 混合 RAG：结合向量搜索与全文搜索，并通过重排序实现高可验证性证据检索。
• 幂等性：使用 Redis Lua 租赁和围栏令牌防止昂贵的重复 AI 请求。
• 模型无关：通过专用 AI 侧车支持 Ollama、OpenAI 兼容 API 和 Anthropic。