本文提出了一种用于财务分析的多智能体框架 FinDebate，该框架将协同辩论与特定领域的检索增强生成（Retrieval-Augmented Generation，RAG）技术相结合。框架包含五个专业智能体，分别聚焦收益、市场、情感、估值和风险领域，各智能体并行运作，将证据整合为多维度洞察。为降低过度自信问题并提升可靠性，我们引入了安全辩论协议，使智能体能够在保留连贯建议的同时，对初步结论进行质疑和完善。基于大型语言模型（LLM）评估与人工评估的实验结果表明，该框架能够生成高质量分析报告，不仅具备校准后的置信度，还能针对不同时间维度提供可执行的投资策略。

尽管大型语言模型（LLMs）的出现推动了自然语言处理（NLP）领域的发展，但财务领域作为高价值应用场景，受严格的运营与监管约束，对分析结果的准确性、可靠性和可解释性要求极高。虽然 LLMs 能够处理海量非结构化财务数据，但其基于统计相关性训练的 “下一个 token 预测” 机制，导致输出结果会随提示词和运行次数波动。这一特性使得模型置信度常出现校准偏差，且生成的表述可能看似合理，却缺乏可验证证据的支撑，与财务领域对可验证推理和稳定建议的需求相背离。

除上述局限外，长篇多章节分析师报告还面临文档层面与流程层面的双重挑战。一方面，需将证据整合为统一连贯的表述，同时避免主题偏离，且不能出现无原始会议记录支撑的观点；另一方面，单一文本段落在不同分析维度下可能具有不同含义，文本分块与查询方式的设计选择，会显著影响证据的检索结果及跨维度推理的支撑效果。在报告修订过程中，观点连贯性与内容覆盖度可能受损，导致遗漏关键因素，或使投资论点发生非预期偏移。此外，推理过程需保持可追溯性和引用依据，同时不能牺牲可读性与决策导向的清晰度。

针对这些问题，业界已提出多种实用解决方案，但均存在不足：模板驱动的工作流程虽能保证规范性和风格一致性，却削弱了引用证据、中间推理与报告最终观点之间的关联性；检索增强生成（RAG）技术可锚定事实性观点，但难以将分散的摘录整合为连贯、多维度的表述；多智能体协同与辩论机制虽能发现短文本观点中的问题，但在长篇分章节分析师报告中，难以在覆盖所有关键要素的同时保持观点一致性。这些缺口催生了一种新的解决方案 —— 需同时实现观点稳定、扩大证据覆盖范围、明确风险表述，并保留引用可追溯性。

图 1：FinDebate 框架概述 —— 一个面向财务分析的多智能体协同智能系统。

为填补上述空白，本文提出 FinDebate 框架，其核心是一种受安全约束的辩论协议，能够在强化证据支撑与风险表述的同时，保持观点稳定性。如图 1 所示，特定领域 RAG 模块与一组专业分析师智能体首先生成章节化初稿；随后进入辩论阶段，在智能体角色与任务范围内进行有限补充：辩论前的观点方向固定，智能体不得改变立场，且所有补充内容必须以可验证引用为依据。这种设计在保留投资逻辑主线的同时，提升了内容覆盖度与可验证性，最终生成可审计、面向决策的分析报告 —— 这一结论已通过 LLM 评估与人工评估得到验证。

方法论

图 1 展示了 FinDebate 的整体架构，该框架包含三个核心模块：（1）用于文档处理与证据检索的特定领域 RAG 模块；（2）用于生成初步报告的多智能体分析模块；（3）用于生成最终报告的辩论机制。附录 A 提供了任务示例，本节将详细介绍各模块设计。

特定领域 RAG 模块

文本分割策略

LLMs 在财务分析中的应用受限于上下文窗口大小，无法同时处理数百页的报告。为解决这一问题，我们基于 ChromaDB¹ 设计了特定领域 RAG 模块，该模块可对海量财务文档进行高效索引与相似性检索，支持低延迟证据提取及大规模下游快速处理。

为减少传统固定长度分块导致的信息丢失，我们采用基于上下文感知的分割策略。不同于与财务文档高密度、高结构化特征不匹配的固定 token 数分块方式，我们通过递归流程优先保证语义完整性：首先保留段落边界，其次保留句子边界，最后才以词汇 /token 为单位分割。这种层级分割方式避免了破坏性拆分，生成的文本片段具备自包含性与可解释性，为高精度检索与可靠下游推理奠定基础。

财务嵌入与多级检索

我们使用 FinLang² 对分割后的文本片段进行编码 ——FinLang 是基于 BGE（Zhang et al., 2023）通过特定领域微调得到的财务嵌入模型。选择该模型的原因在于其优异的领域内检索性能，能够捕捉查询的语义核心，并将其与投资风险、估值指标、市场情绪、增长前景等财务概念关联。这种领域适配性确保了证据片段的高精度检索，有助于分析基本面与股价的一致性，以及当前估值是否与预期增长相符。

基于多级检索技术，我们从四个维度进行上下文检索：通用财务表现、专业财务指标、市场情绪与风险、多查询整合（详见附录 B），为后续多智能体系统提供坚实的分析基础。

¹https://github.com/chroma-core/chroma

²https://huggingface.co/FinLang/finance-embeddings-investopedia

多智能体设计

单一模型方法存在明显缺陷：由于依赖通用方法且视角有限，分析结果往往流于表面。为克服这一局限，我们提出多智能体协同框架，通过五个专业领域智能体开展深度财务分析。每个智能体从各自领域视角出发，分析收益会议内容；随后，报告合成模块将各智能体的分析结果整合为统一、具有洞察力的投资咨询报告。

智能体提示词策略

每个智能体采用两级提示词结构：

• 第一级（系统提示词）

  通过四个核心要素定义智能体的专业身份：（1）专业资质（如拥有 20 年经验的特许金融分析师 CFA）；（2）权威背景（如在顶尖投资银行与对冲基金的任职经历）；（3）明确使命（如辅助机构投资决策）；（4）高质量标准（如输出机构级报告）。

• 第二级（用户提示词）

  明确智能体的具体分析任务，包含四个要素：（1）指导系统性推理的分析框架；（2）规定格式与精度的技术要求；（3）说明报告结构与长度的输出规范；（4）整合 RAG 检索信息的上下文要求。

两级提示词结合，确保智能体既具备专业知识，又能高效执行任务。

智能体专业化分工

框架特意设置五个覆盖不同专业分析维度的智能体，构建全面分析体系，覆盖机构投资决策的关键方面。各智能体的核心设计原则如下（详细提示词见附录 C）：

• 专业收益分析师：专注于财务报表分析与业绩评估。核心职责包括评估收入质量、分析盈利能力及可持续性，以及审查净息差（NIM）、资产质量、资本充足率等关键财务指标。

• 专业市场预测师：负责多时间维度的市场趋势预测。具体工作包括分析市场对收益报告的即时反应、评估基本面驱动因素的可持续性，以及基于战略发展预测长期市场定位。

• 专业情感分析师：聚焦管理层可信度与投资者情绪评估。该智能体融入锚定效应、确认偏差等行为金融学理论，量化历史准确性、透明度评分等可测指标，并将心理因素转化为可执行的投资策略。

• 专业估值分析师：专注于企业估值与投资建议。采用特定行业的贴现现金流模型（DCF），考虑信贷损失周期性、监管资本约束等因素；基于不同估值方法的可靠性进行动态权重分配，重点关注可验证的业务驱动因素。

• 专业风险分析师：提供全面风险评估与头寸规模建议。评估信用风险、利率风险、流动性风险等各类风险因素，同时保持客观视角，确保风险评估具有现实性与可执行性。

报告合成

当专业智能体完成各自分析后，系统进入最终阶段：报告合成智能体整合各智能体输出，提取关键财务指标、处理情绪数据，生成综合报告。该报告随后将传入协同辩论机制进行进一步优化，以提升准确性与说服力。

安全协同辩论机制

三智能体协同

基于已有的多智能体辩论方法，我们引入三智能体安全协同辩论机制。该机制通过单轮优化提升报告质量，同时保留原始分析的核心结论，包含三个智能体：信任智能体（Trust Agent）、质疑智能体（Skeptic Agent）与主导智能体（Leader Agent），详细提示词见附录 D。

• 信任智能体：通过提供支持性证据、强化论证逻辑、优化语言表达来完善原始报告。在此过程中，严格禁止改变观点倾向（如看空转看多）或修改 1 天 / 1 周 / 1 月期投资建议。

• 质疑智能体：从风险管理视角优化报告。核心职责包括识别潜在风险因素、提出对冲策略、完善情景分析框架。

• 主导智能体：整合信任智能体的证据补充与质疑智能体的风险分析，生成最终优化报告。最终内容保留原始报告的所有核心结论，同时采用更专业、更具说服力的语言，并提供更清晰的风险 - 收益分析。

算法设计

算法 1 概述了辩论框架的整体设计，采用 “安全优先” 原则，确保原始投资建议的完整性。算法整合多轮验证机制，通过结构化优化流程实现系统性质量提升。辩论过程仅进行单轮，有效避免多轮迭代中常见的主题偏移问题。参考相关研究中经过验证的最优轮次，我们对比了单轮与双轮辩论的效果，最终将最大辩论轮次设定为 1。整个过程仅涉及局部优化，不进行立场性重写。

需注意的是，该辩论机制仅适用于 “已有投资建议的报告需进一步优化” 的场景，不适用于从零生成报告或优化无明确立场结论的文本。

算法 1 安全协同辩论

输入：R₀（原始报告）、A（智能体分析结果）

输出：R∗（优化后报告）、L（辩论日志）

1. 安全检查：验证 R₀结构若 ¬has_recommendations (R₀)（无投资建议），则返回 R₀

2. 信任阶段：R₁ ← optimize (R₀, A)◦ 保留 R₀的核心要素◦ 强化证据支撑

3. 质疑阶段：R₂ ← review (R₁, A)◦ 识别 R₁中的潜在漏洞◦ 保持结构完整性

4. 主导阶段：R∗ ← synthesize (R₂, A)◦ 最大化说服力◦ 保留关键要素

5. 最终检查：验证 R∗完整性若 core_compromised (R∗, R₀)（核心结论受损），则返回 R₀

6. 返回 R∗、L

实验

实验设置

数据集

实验基于 Earnings2Insights 共享任务数据集开展，该任务聚焦于从收益会议记录生成投资指导。数据集包含两组收益会议记录：40 组来自 ECTSum，24 组为专业分析师报告。

模型与参数设置

我们使用五种当前主流 LLM 进行对比实验：GPT-4o、Gemini 2.5 Flash³、Llama 4 Maverick⁴、DeepSeek-R1、Claude Sonnet 4⁵。为确保可复现性与公平对比，所有模型采用相同生成参数：温度（temperature）0.6、最大输出长度 6500 token、top-p 采样 0.85、频率惩罚 0.1。所有模型使用统一的提示词模板与评估标准。

基线模型

为验证 FinDebate 的有效性，我们设置三组基线模型：

1. 零样本推理（Zero-shot inference）

   不依赖额外信息，直接处理输入财务报告；

2. 标准 RAG（Standard RAG）

   采用通用嵌入模型的传统 RAG 方法；

3. 无辩论多智能体生成（Multi-agent w/o Debate）

   移除安全协同辩论机制的消融实验，用于评估辩论机制本身的贡献。

评估指标

为确保评估严谨且可行，我们从 ECTSum 数据集抽取 10 份报告，从新专业子集抽取 5 份报告，评估模型财务分析质量。参考 Goldsack et al.的框架，我们定义涵盖两个核心维度的评估协议，并使用 GPT-4o执行评估（详见附录 E）：

1. 文本质量（Textual Quality）

   包括可读性、语言抽象度、连贯性；

2. 财务分析专业性（Financial Analysis Professionalism）

   包括财务要点覆盖度、背景信息充分性、管理层情绪传递准确性、未来展望分析深度、事实准确性。

每份报告采用 4 分制评分（1 = 差，4 = 优）。此外，我们还开展人工评估，重点关注报告能否有效指导并说服投资者做出正确决策，包括专家基于报告对未来 1 天、1 周、1 月投资选择（做多 / 做空）的平均准确率，以及对报告清晰度、逻辑性、说服力、可读性、实用性的平均李克特评分。

³https://deepmind.google/models/gemini/flash/⁴https://www.llama.com/models/llama-4/⁵https://www.anthropic.com/claude/sonnet/

结果与分析

表 1 展示了 FinDebate 与零样本推理、标准 RAG、无辩论多智能体生成三组基线模型的对比结果，图 2 与图 3 可视化了人工评估结果。与现有方法相比，FinDebate 在财务决策预测方面表现显著提升，在清晰度、逻辑性、说服力、实用性等维度均优于其他方案。

表 1 不同模型下 FinDebate 的性能对比（各模型最优性能已加粗标注）

图 2 财务决策准确性人工评估结果

图 3 财务报告质量人工评估结果

FinDebate 框架在所有五个模型上均实现显著提升，性能提升幅度为 0.59-0.62，平均提升 20.4%，且经配对 t 检验验证，该提升具有统计显著性（p<0.001）。FinDebate 将性能从 “满意” 水平（约 3.0 分）提升至 “优秀” 水平（约 3.6 分），凸显了协同智能在复杂推理任务中的独特价值。这种跨模型一致性进一步证明了框架的通用性与技术优势。通过将 AI 驱动的财务分析从 “工具辅助” 升级为 “专业分析师级能力”，FinDebate 凭借其模型无关设计与结构化协同方法，为实际应用奠定了基础。

结论与未来工作

本文提出的 FinDebate 多智能体框架，整合了特定领域 RAG、专业分析智能体与安全协同辩论机制，可生成机构级财务报告，提供面向多时间维度的可执行投资建议，有效解决了现有财务 AI 应用的关键局限。未来，我们将把该框架扩展到更广泛的财务领域，开发动态置信度调整机制，并整合实时市场数据；同时，我们还计划将该系统迁移到其他应用场景中。