juanjuandog/FinSight-AI

AI equity research agent with resilient workflows, Redis Lua single-flight, pgvector RAG, versioned reports, evidence tracing, and RAG evaluation.

解决的问题

FinSight AI 解决了典型 RAG（检索增强生成）演示中存在的可靠性和基础设施缺失问题。它不仅仅是将模型连接到数据库，而是为机构级股票研究提供了一个生产级框架，确保 AI 生成的财务报告是基于证据的、有版本控制的，并通过具有韧性且可追溯的工作流生成的。

工作原理

该系统作为一个重后端驱动的编排层运行，通过以下几个阶段将原始财务数据转换为研究报告：

  1. 数据摄取与指标：摄取申报文件和报告，计算财务健康指标（盈利能力、债务比率等）并识别风险信号。
  2. 工作流编排：状态机使用 RabbitMQ 进行异步队列管理，并使用带有 fencing tokens 的 Redis Lua leases 来防止重复执行，从而管理长时间运行的任务（摄取、索引、分析）。
  3. 混合检索：使用带有 pgvector 和 JSONB 的 PostgreSQL 结合关键词搜索和向量搜索，确保 AI 回答与文档中的特定证据块绑定。
  4. 智能建模：构建公司时间线以及实体和关系的轻量级知识图谱，以提供更深层的上下文。
  5. AI 生成与缓存：FastAPI AI 服务（支持 Ollama）生成报告。这些报告基于 dataSnapshotHash 进行缓存，这意味着如果底层财务数据发生变化，报告将自动失效并重新生成。
  6. 评估：内置的评估服务检查幻觉风险、证据覆盖范围和结论一致性。

适用对象

  • 需要高可靠性和严格证据可追溯性的专业 AI 代理开发者。
  • 创建自动化股票研究工具的金融分析师或工程师。
  • 有兴趣实现幂等且可恢复的 AI 工作流的软件架构师。

亮点

  • 韧性工作流：实现了带有重试逻辑和死信队列的任务状态机，用于故障恢复。
  • 基于证据的 RAG：使用混合召回和证据可追溯性，最大限度地减少财务报告中的幻觉。
  • 基于快照的缓存：将 AI 报告版本与特定的数据快照而非提示词字符串绑定。
  • 并发控制：采用幂等键和 Redis single-flight leases，确保跨节点稳定执行。
  • 内置评估：包含回归式评估套件，用于衡量 RAG 命中率和回答覆盖范围。