痛点:原来怎么干的
该研究所覆盖 80 多家上市公司的 6 人小组,财报季每晚要出 2-3 份速读纪要,单份从下载公告到成稿约 4 小时。手工摘录三张报关键科目耗时且易漏,纪要中数据口径错误每月平均出现 5 处左右,被合规与买方客户多次指出。
做法:分几步改
- 建立财报速读提示词模板,固定「收入结构、毛利率、费用率、现金流、存货与应收」等必看科目,用表格处理工具把财报科目批量转成标准化对比表。
- AI 按模板逐项抽取当期与同比数据,自动生成同业可比公司对比表初稿,并给出数据变动异动提示,全部标注公告页码。
- 把研究员的历史纪要、行业术语与公司经营要点建成 RAG 知识库,让 AI 摘要沿用团队既有的分析口径和措辞习惯。
- 研究员复核 AI 抽取的数据与异动提示,补充驱动因素判断与估值观点,人工定稿后经合规审核发布,AI 不输出任何评级建议。
效果:改完变成什么样
单份速读纪要耗时
约 4 小时 → 40 分钟
纪要数据口径错误
每月约 5 处 → 每月 1 处以内
财报季覆盖公司数
80 家 → 110 家
可以直接抄的三条
- 把团队历史纪要沉淀成 RAG 知识库,AI 输出才能延续统一的分析口径与风格。
- 财务抽取先定「必看科目清单」,模板固定后跨公司、跨报告期可复用。
- 研究类内容让 AI 止步于数据与摘要,观点、评级和结论必须由署名研究员人工形成。
适用边界:该做法在本案例的规模与工具条件下成立,换到数据量更大、合规要求更严的场景需重新验证。 效果数字为案例方提供或访谈整理的参考值,不构成效果承诺。
广告
查看档期与价格 →案例详情页广告位(正文下方)
阅读完成率高,适合有转化目标的工具方
来源:公开访谈整理(案例方为化名机构),效果为用户自述参考值
涉及工具:大模型 API、表格处理、RAG 知识库 · 标签:信息抽取、数据分析、报告生成
涉及工具:大模型 API、表格处理、RAG 知识库 · 标签:信息抽取、数据分析、报告生成