juanjuandog/FinSight-AI

解決的問題

FinSight AI 為 A 股公司股票研究提供一個結構化的工作空間。它解決了 AI 生成財務報告不可靠的問題，確保結論基於可驗證的證據，報告與特定資料快照綁定以防止過時，並在失敗時可恢復長時間執行的 AI 研究任務。

如何運作

系統採用混合架構，結合 Spring Boot 後端進行編排，以及 FastAPI 邊車（sidecar）處理 AI 操作。它使用混合 RAG（檢索增強生成）管道，結合全文搜尋和向量召回，並透過互斥排名融合（RRF）和重排序，為 LLM 提供準確的證據。為確保可靠性，系統使用 RabbitMQ 進行任務分發，Redis 實現冪等性和協調，PostgreSQL/pgvector 用於儲存快照和向量。

適用對象

專為尋找可處理長時間任務和基於證據報告的可靠 AI 代理參考實作的金融研究人員和開發者設計。

主要亮點

• 可恢復工作流：使用狀態機和死信處理機制，確保研究任務在失敗後可恢復。
• 快照綁定報告：透過雜湊將報告與特定資料版本綁定，確保分析與來源資料保持一致。
• 混合 RAG：結合向量搜尋與全文搜尋，並透過重排序實現高可驗證性證據檢索。
• 冪等性：使用 Redis Lua 租借和圍欄令牌防止昂貴的重複 AI 請求。
• 模型無關：透過專用 AI 邊車支援 Ollama、OpenAI 相容 API 和 Anthropic。