引言：直面金融投研痛点

数以亿计的投资决策依赖于高质量、及时的研报。然而，撰写一份专业研报是极高强度的智力劳动，不仅需要处理海量实时异构数据，更依赖严谨的逻辑分析与专业的可视化呈现。目前的通用AI搜索系统（如 Perplexity, OpenAI Deep Research 等）在应对金融垂直领域时，常面临“领域知识缺失”、“图表生成简陋”以及“分析深度不足”三大挑战。为此，中国人民大学推出了 玉兰·融观 (Yulan-FinSight) —— 一款面向真实场景的专家级多模态金融研报生成系统。

该系统不仅斩获了 AFAC2025 金融智能创新大赛挑战组冠军（1289支队伍中排名第一），更在多项评测中超越了 GPT-5 w/Search、OpenAI Deep Research 和 Gemini-2.5-Pro Deep Research 等顶尖系统。FinSight通过设计的 “代码驱动可变内存（CAVM）”架构和“迭代式视觉增强”机制，实现了从数据收集、深度分析到图文并茂报告生成的全流程自动化。

Paper：https://arxiv.org/abs/2510.16844

Github：https://github.com/RUC-NLPIR/FinSight

---

Demo演示：你的全能金融首席分析师

1. 深度公司研究：商汤科技（Sense Time）研报生成

FinSight 能够自动拆解任务，从互联网和金融数据库中搜集包括股价、财报、新闻在内的多源异构数据，并生成包含“发展历程”、“核心业务架构”、“竞争格局”等章节的万字长文报告。

demo展示 (可自主配置任务)

生成报告概览

2. 专业级图表绘制：拒绝“幻觉”，精准可视

与现有模型仅能生成静态图片或简单图表不同，FinSight 能够绘制包含双轴（股价/交易量）、事件标注、复杂饼图与瀑布图等专业金融图表，并确保图文数据的一致性。

---

研究动机：突破通用AI的“金融次元壁”

尽管大型语言模型在文本生成上取得了巨大进步，但在金融垂直领域仍面临严峻挑战：

1. 领域知识匮乏与数据割裂：通用搜索系统无法有效整合实时的结构化金融数据（如万得、彭博终端数据）与非结构化新闻，导致分析缺乏专业度。

2. 多模态生成能力缺失：金融报告高度依赖图表来传递高密度信息，而现有系统多为纯文本输出，或生成的图表缺乏专业美感与准确性。

3. 分析深度不足：大多数系统采用固定的“检索-生成”单向流程，无法像人类分析师一样根据中间发现动态调整研究策略，导致报告流于表面。

研究背景

---

创新点：如何打造专家级AI分析师？

为解决上述难题，玉兰·融观模拟了人类金融专家的认知流程，提出了三大核心技术创新：

1. 核心架构：代码驱动的可变内存智能体 (CAVM) 这是系统的底层基石。FinSight 创新性地将外部数据（Data）、工具（Tools）和智能体（Agents）统一抽象为可编程变量空间。在该架构下，无论是结构化的财务报表、非结构化的新闻资讯，还是各类分析工具，均被视为变量存储。智能体能够通过编写和执行 Python 代码灵活地调用与操作这些变量。这种设计赋予了系统极高的自主性，使其能够高效处理大规模、多来源的异构数据，并支持复杂的逻辑推理。

2. 视觉突破：迭代式视觉增强机制 (Iterative Vision-Enhanced Mechanism) 针对现有 AI 生成图表往往“不专业、不美观”的通病，FinSight 引入了 Actor-Critic（行动者-评论家） 协作机制。在这一机制中，大语言模型（LLM）作为“行动者”负责编写绘图代码，而视觉语言模型（VLM）则担任“评论家”，从数据准确性、标签清晰度及整体美观度等多个维度提出修改建议。系统通过“生成-评估-修正”的闭环迭代，能够将初版草图逐步打磨成达到出版级别的专业金融图表，实现了真正的图文并茂。

3. 深度写作：双阶段写作框架 (Two-Stage Writing Framework) 为解决长篇报告容易出现的逻辑松散问题，FinSight 采用了“先分析，后写作”的策略。系统首先生成一系列简明扼要、观点鲜明的分析链 (Chain-of-Analysis, CoA)作为核心洞察。随后，报告生成智能体以这些 CoA 和原始数据为基础，利用生成式检索技术，精准地将文本分析、图表展示和数据引用编织成逻辑严密的长篇报告，并引入自我反思机制进行润色，确保报告的深度与连贯性。

FinSight整体框架

---

实验效果：全面超越顶尖竞品

我们在涵盖公司研究和行业研究的高质量基准测试上，对 FinSight 进行了全面评估。核心发现表明，FinSight 在事实准确性、分析深度和呈现质量三个维度上均显著优于 Gemini-2.5-Pro Deep Research 和 OpenAI Deep Research，综合评分高达 8.09 分。特别是在“可视化”维度，得益于迭代视觉增强机制，FinSight 的得分高达 9.00，远超行业平均水平，实现了真正的图文并茂。在长文本生成能力方面，系统生成的报告平均长度超过 20,000 字，包含 50 多张图表和详实的数据引用，且随着报告长度增加，质量依然保持稳定。此外，在 AFAC2025 金融智能创新大赛中，FinSight 更是战胜了来自企业和高校的 1288 支队伍，夺得挑战组赛题四冠军，充分验证了其实战能力。

多模态报告生成任务的实验结果

迭代式绘图的效果分析

---

结语

FinSight (玉兰·融观) 通过 CAVM 架构将数据、工具与智能体统一，利用迭代式视觉增强机制攻克了专业图表生成的难题，并凭借双阶段写作框架实现了有深度、长篇幅的金融研报自动化撰写。这一工作不仅展示了 AI Agent 在垂直领域的巨大潜力，也为金融投研行业的生产力变革提供了全新的范式。

参与该成果的研发人员：

人大高瓴人工智能学院： 金佳杰，张宇尧，许一孟，钱泓锦，朱余韬，窦志成  

---