juanjuandog/FinSight-AI

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

解決的問題

FinSight AI 解決了典型 RAG（檢索增強生成）演示中存在的可靠性與基礎設施缺失問題。它不僅僅是將模型連接到資料庫，而是為機構級股票研究提供了一個生產級框架，確保 AI 生成的財務報告是基於證據的、有版本控制的，並透過具備韌性且可追溯的工作流生成的。

工作原理

該系統作為一個重後端驅動的編排層運行，透過以下幾個階段將原始財務數據轉換為研究報告：

  1. 數據攝取與指標：攝取申報文件與報告，計算財務健康指標（盈利能力、債務比率等）並識別風險訊號。
  2. 工作流編排：狀態機使用 RabbitMQ 進行非同步隊列管理，並使用帶有 fencing tokens 的 Redis Lua leases 來防止重複執行，從而管理長時間運行的任務（攝取、索引、分析）。
  3. 混合檢索：使用帶有 pgvector 與 JSONB 的 PostgreSQL 結合關鍵字搜尋與向量搜尋，確保 AI 回答與文件中的特定證據塊綁定。
  4. 智能建模：構建公司時間線以及實體與關係的輕量級知識圖譜，以提供更深層的上下文。
  5. AI 生成與快取：FastAPI AI 服務（支援 Ollama）生成報告。這些報告基於 dataSnapshotHash 進行快取，這意味著如果底層財務數據發生變化，報告將自動失效並重新生成。
  6. 評估：內建的評估服務檢查幻覺風險、證據覆蓋範圍與結論一致性。

適用對象

  • 需要高可靠性與嚴格證據可追溯性的專業 AI 代理開發者。
  • 創建自動化股票研究工具的金融分析師或工程師。
  • 有興趣實現冪等且可恢復的 AI 工作流的軟體架構師。

亮點

  • 韌性工作流：實現了帶有重試邏輯與死信隊列的任務狀態機，用於故障復原。
  • 基於證據的 RAG：使用混合召回與證據可追溯性，最大限度地減少財務報告中的幻覺。
  • 基於快照的快取：將 AI 報告版本與特定的數據快照而非提示詞字串綁定。
  • 並行控制：採用冪等鍵與 Redis single-flight leases，確保跨節點穩定執行。
  • 內建評估：包含回歸式評估套件，用於衡量 RAG 命中率與回答覆蓋範圍。