大模型赋能投研之七：如何结合结构化数据搭建本地智能投研系统？-RAGFlow原理篇-250420-国金证券
在检索输出时，开启多轮优化、不开启知识推理功能。 可以选择关闭知识图谱，开启 Raptor 召回增强策略，同样可以获得较有的解析与检索质量。 对于 RAGFlow 的分析基于 v0.17.2 版本进行，未来更新可能导致项目细节发生变换；
报告摘要
在检索输出时，开启多轮优化、不开启知识推理功能。 可以选择关闭知识图谱，开启 Raptor 召回增强策略，同样可以获得较有的解析与检索质量。 对于 RAGFlow 的分析基于 v0.17.2 版本进行，未来更新可能导致项目细节发生变换；
核心要点
- 对于 RAGFlow 的分析基于 v0.17.2 版本进行，未来更新可能导致项目细节发生变换
- 1.1 RAG or 微调？
- 1.2 知识库 + LLM？
- 1.3 检索增强+逻辑推理！
- 2.1 索引入库：如何存入高质量文档信息？
- 2.2 检索输出：如何获取强匹配搜索结果？
- 2.3 中枢结点：如何得到高效数据库支持？
- 四、高质量的 RAG 知识库需要什么？
报告信息
- 文件全名
- 《大模型赋能投研之七：如何结合结构化数据搭建本地智能投研系统？-RAGFlow原理篇-250420-国金证券-36页.pdf》
- 适合读者
- 核心数据
- DeepSeek-R1 模型以开源方式问世带来广泛影响，LLM 大模型发展由基础设置转向模型应用，但同时大模型仍面临模
- 由于大模型的快速发展，市面上已经存在 FastGPT、Dify、RAGFlow 等多种开源 RAG 架构解决方案。
- 追求“Quality in，Quality out”的高质量要求，故将 RAGFlow 作为我们的最终选择。
- 权平均相似度进行文本块的重排序，从而保证信息检索质量，并使用合适的 Prompt 将知识信息传递给大模型。
- 解析，RAGFlow 会将数据的每行解析为一个文本块，以列名对应单元格值的方式组织，并高质量得保留了重要信息。
- 核心议题
常见问题
《大模型赋能投研之七：如何结合结构化数据搭建本地智能投研系统？-RAGFlow原理篇-250420-国金证券》主要包含哪些内容?
在检索输出时，开启多轮优化、不开启知识推理功能。 可以选择关闭知识图谱，开启 Raptor 召回增强策略，同样可以获得较有的解析与检索质量。 对于 RAGFlow 的分析基于 v0.17.2 版本进行，未来更新可能导致项目细节发生变换；核心数据:DeepSeek-R1 模型以开源方式问世带来广泛影响，LLM 大模型发展由基础设置转向模型应用，但同时大模型仍面临模;由于大模型的快速发展，市面上已经存在 FastGPT、Dify、RAGFlow 等多种开源 RAG 架构解决方案。;追求“Quality in，Quality out”的高质量要求，故将 RAGFlow 作为我们的最终选择。。
这份报告由哪家机构发布?
本报告由国金证券发布,发布于 2025 年。
这份报告覆盖哪一年、篇幅多大?
覆盖 2025 年,全文共 36 页。
这份报告是免费的吗?如何获取?
本报告免费查阅,登录资料宝后即可在线获取完整内容。
这份报告适合哪些读者?
适合投资人、行业研究员等读者参考。
报告涉及哪些关键议题?
重点分析了证券、金融等议题。
继续阅读
查看全部 →