基于多智能体辩论架构的自动化金融尽职调查系统
在私募股权投资和二级市场投研中，分析师通常需要耗费数周时间阅读海量非结构化长文本（如上百页的招股说明书、年度财报、高管电话会议纪要等），这对传统人工尽调流程提出了巨大挑战。 AlphaInsight 通过引入大语言模型（LLM）的超长上下文处理能力与多智能体（Multi-Agent）协作机制，打破了这一困境。本项目基于 LangGraph 构建非线性工作流，结合 RAG、对抗辩论与财务推理，实现自动化金融尽职调查报告生成。
本项目底层基于 LangGraph 构建了非线性的工作流，核心逻辑与智能体（Agent）分工如下：
- 输入与动态规划：系统接收目标公司及调研指令后，规划 Agent (Planning Agent) 会进行任务拆解，生成包含宏观行业、财务健康、合规风险三大维度的检索意图树。
- 并发情报检索：情报检索 Agent 并发调用 SEC API、新闻接口及内部 RAG 知识库，召回目标公司近 3 年的财报数据及相关会议纪要。
- 长链财务分析：财务分析 Agent 执行长链推理 (Long-chain Reasoning)，不仅仅是提取数据，还会深度结合财务模型挖掘利润下滑或异常增长背后的深层原因。
- 对抗性风控审查（亮点）：风控做空 Agent 拥有独立的 System Prompt，专门扮演“挑刺者”的角色。它会与财务分析 Agent 展开多轮辩论（例如：质疑营收增长下的供应商集中与存货周转矛盾），迫使系统反思。
- 汇总与生成报告：经过 3-5 轮的多智能体深度辩论后，主笔 Agent 会汇总最终共识与分歧，并调用 Python 代码解释器自动绘制财务走势图表。最终输出包含精准溯源（引用至 PDF 段落）的 20 页深度尽调报告。
- 非线性状态机图工作流 (LangGraph)：打破传统的线性 Chain 模式，利用图结构（Nodes 代表 Agent 或函数，Edges 代表条件路由）管理多智能体间的交互逻辑。
- 多智能体对抗辩论机制 (Adversarial Agent Debate)：借鉴生成式对抗网络 (GAN) 和博弈论思想。引入“财务看多”与“风控做空”的双视角对抗机制，通过多轮交互提升结论可信度。
- 检索增强生成 (RAG)：对研报和 SEC 文件等非结构化数据进行文本分块 (Chunking) 与向量化 (Embedding)，通过高维向量检索匹配最相关的文本片段，解决大模型事实对齐问题。
- 长链推理 (Long-chain Reasoning / CoT)：通过系统级 Prompt 工程引导大模型按部就班地进行逻辑推理，将复杂的财务分析问题拆解为多个具有先后顺序的推理子任务。
项目运行中涉及的核心数学算法与财务分析理论模型：
-
向量检索的余弦相似度计算（Cosine Similarity）
在 RAG 知识库检索模块，用于衡量用户查询向量
$Q$ 与文档片段向量$D$ 的语义相似度：$$ \text{Similarity}(Q, D) = \frac{Q \cdot D}{\lVert Q \rVert \times \lVert D \rVert} = \frac{\sum_{i=1}^{n} Q_i D_i}{\sqrt{\sum_{i=1}^{n} Q_i^2}\ \sqrt{\sum_{i=1}^{n} D_i^2}} $$
-
核心财务拆解：杜邦分析法（DuPont Analysis）
财务分析 Agent 在进行企业盈利能力溯源时，使用杜邦模型对净资产收益率 (ROE) 进行长链拆解：
$$ \text{ROE} = \left(\frac{\text{Net Income}}{\text{Sales}}\right) \times \left(\frac{\text{Sales}}{\text{Total Assets}}\right) \times \left(\frac{\text{Total Assets}}{\text{Shareholders' Equity}}\right) $$
（即：净资产收益率 = 销售净利率 × 总资产周转率 × 权益乘数）
-
辩论收敛与停止阈值（Information Entropy）
在风控 Agent 和财务 Agent 进行的 3-5 轮对抗中，可用信息增益作为理论截断依据。当第
$t$ 轮辩论产生的新信息熵$H(t)$ 的变化幅度低于预设阈值$\epsilon$ 时，系统自动终止辩论进入总结阶段：$$ \Delta H = \left| H(t-1) - H(t) \right| < \epsilon $$
该项目前端采用 Vite + React + TypeScript 架构，以下为本地运行部署的步骤：
- Node.js (推荐 v18 或更高版本)
- npm / pnpm / yarn
- OpenAI API Key (或兼容该格式的大模型接口 Key)
-
克隆项目代码
git clone https://github.com/Robot-Nav/AlphaInsight.git cd AlphaInsight -
安装相关依赖
npm install
-
配置环境变量 在项目根目录复制或创建
.env文件，并填写所需的大模型及第三方检索服务的 API 密钥：VITE_OPENAI_API_KEY=your_openai_api_key_here VITE_SEC_API_KEY=your_sec_api_key_here
-
启动本地开发服务器
npm run dev
启动成功后，打开浏览器访问控制台中显示的本地地址（通常为
http://localhost:5173）。 -
构建用于生产环境的静态文件
npm run build npm run preview
