适合谁读

• AI 开发者：想在金融场景实现可靠的文档解析与结构化抽取。
• 投研 analyst：需要将年度/季报转化为机器可读的 JSON，便于横向对比。
• 产品经理：了解技术实现背后的设计思路，为金融 AI 产品制定 roadmap。
• 技术写作者：参考本文的 ARO（TL;DR‑问题‑受众‑结论‑坑‑对比‑FAQ‑继续阅读）结构撰写同类技术文档。

1 为什么 AI 财报助手不是简单把 PDF 丢给大模型

财报 PDF 与普通文章不同，包含以下要素：

1. 正文段落、脚注、页眉页脚。
2. 关键的财务表格，列名、单位、币种必须保留。
3. 风险因素章节、管理层讨论（MD&A）以及电话会 Q&A。 直接把整份 PDF 丢给模型会出现三大问题：

• 上下文长度：财报常常超过三万字符，超过大多数模型的上下文窗口。
• 表格错位：纯文本抽取失去表格列结构，模型难以定位具体数值。
• 幻觉风险：模型倾向于“填补”不存在的数字或结论，产生虚假数据。

解决思路是先把原始材料结构化，再交给模型进行受控抽取。

2 第一层：PDF 解析，文本 & 表格双重抽取

• 文本抽取 使用 pdfplumber 或 poppler，保留页码、章节标题、脚注。
• 表格抽取 使用 camelot（flavor='stream'）或 tabula-py，输出每页表格的二维数组，随后统一列名、单位、币种。
• OCR 备份 对扫描版 PDF 采用 tesseract，抽取后通过正则校验金额、日期等关键字段。
• 元数据 为每段文本或表格添加 sourcePage、sourceSection、sourceFile，便于后续追溯。

示例抽取结果（JSON）：

{
  "page": 12,
  "section": "Consolidated Statements of Operations",
  "type": "table",
  "raw": [
    ["Year", "Revenue", "Cost of Revenue", "Gross Profit"],
    ["2024", "$1.2B", "$800M", "$400M"]
  ],
  "normalized": {
    "year": 2024,
    "revenue": 1200000000,
    "cost_of_revenue": 800000000,
    "gross_profit": 400000000,
    "currency": "USD"
  }
}

3 第二层：按财报结构切分 Chunk，而不是固定字数

财报的自然结构包括以下几类 Chunk：

• Business Overview：公司业务概览、市场定位。
• Financial Statements：资产负债表、利润表、现金流量表，每张表单单独作为 Chunk，保持表格结构。
• Management Discussion & Analysis (MD&A)：管理层对业绩的分析，需捕捉情感倾向。
• Risk Factors：法规、市场、供应链等风险，逐条抽取。
• Notes to Financial Statements：会计政策、估计变更。
• Earnings Call Q&A：投资者提问与管理层回答。

每个 Chunk 必须携带 sectionName、pageRange、sourceFile，确保后续 LLM 能够在提示中引用原始位置。

4 第三层：使用 JSON Schema 固定抽取输出

使用 JSON Schema 强制模型只能在预定义字段内输出，任何未匹配的内容必须返回 null。示例 Schema：

{
  "$schema": "http://json-schema.org/draft-07/schema#",
  "type": "object",
  "properties": {
    "revenue": {"type": ["number", "null"]},
    "gross_margin": {"type": ["number", "null"]},
    "operating_income": {"type": ["number", "null"]},
    "net_income": {"type": ["number", "null"]},
    "operating_cash_flow": {"type": ["number", "null"]},
    "free_cash_flow": {"type": ["number", "null"]},
    "cash_and_equivalents": {"type": ["number", "null"]},
    "total_debt": {"type": ["number", "null"]},
    "source_pages": {"type": "array", "items": {"type": "integer"}}
  },
  "required": ["source_pages"]
}

在系统提示中明确要求模型 只输出符合上述 Schema 的 JSON，并在每个字段后附带 source_page。后处理阶段使用 ajv（JavaScript）或 jsonschema（Python）进行校验，若不符合则将对应字段置为 null 并记录错误日志。

5 第四层：风险因素抽取，聚焦真实业务风险

风险类别包括：客户集中、监管、供应链、汇率、库存、应收账款、债务、诉讼、商誉减值等。抽取时在 Risk Factors 章节使用 Few‑Shot 示例，引导模型输出如下结构：

{
  "risk_type": "customer_concentration",
  "risk_summary": "前五大客户贡献 68% 收入，下降 5% 为负面信号",
  "severity": "medium",
  "evidence": "第 23 页：我们的前五大客户占比 68%",
  "source_page": 23
}

对比当前报告与上一次报告的风险字段，标记 is_new 或 changed_severity，帮助 analyst 快速定位新增风险。

6 第五层：管理层语气分析

将 MD&A 与电话会 Q&A 中的关键句子映射为情感维度：demand、margin、guidance、competition、inventory、customer_budget、macro_uncertainty。使用句向量相似度（如 sentence-transformers）对比本期与上期相同章节的语句，计算情感分值差异。示例输出：

{
  "dimension": "guidance",
  "prev_phrase": "我们预计明年收入将保持 15% 增长",
  "curr_phrase": "鉴于市场不确定性，收入增长可能放缓至 8%",
  "trend": "downward",
  "severity": "high",
  "source_page": 45
}

7 第六层：生成人工复核清单

复核清单是 AI → 人 → AI 循环的关键环节。每条清单必须指向原始证据，方便 analyst 核实。示例清单：

1. 收入增长是否全部来源于主营业务？（见 2024 财年收入明细第 12‑14 页）
2. 自由现金流是否低于净利润 20%？（现金流量表第 30 行）
3. 毛利率下降是否因原材料成本上涨还是价格压缩？（营业成本分析第 18‑19 页）
4. 管理层是否在 MD&A 中暗示 2025 年指引下调？（风险提示第 22‑23 页）
5. 风险因素章节是否出现 “regulatory scrutiny” 新增项？（第 27 页）

8 常见坑 / 常见报错

症状	可能原因	解决方案
LLM 输出未包含 source_page	Prompt 未明确要求	在系统提示中加入 “每个字段后必须提供 source_page”。
表格抽取后列错位	PDF 使用了合并单元格	使用 camelot 的 flavor='stream' 并自行后处理合并单元格。
JSON Schema 校验失败	金额单位未统一（如 $1.2B）	在抽取阶段统一转化为数值（乘以 10⁹），并在校验前做单位标准化。
风险因素抽取出现空值	Risk Factors 章节标题不标准	在 Chunk 切分阶段使用正则匹配 “Risk Factors” 与本地化标题（如 “风险因素”）。
复核清单遗漏关键证据	章节切分时未保留页码	确保每个 Chunk 带 pageRange，并在生成清单时引用。

9 对比块 (AI 财报助手 vs 传统财报分析工具)

维度	传统工具（Excel + 手工）	AI 财报助手
速度	半天至数天，取决于报告页数	5‑10 分钟完成全部抽取
准确性	人工录入易出错，表格需逐行核对	自动校验 JSON Schema，错误可追溯
可复用性	每份报告需重新建模	同一 Schema 可跨公司、跨季度复用
风险识别	依赖分析师经验，覆盖面有限	结构化风险抽取覆盖全部 Risk Factors 章节
成本	人工成本高，软件授权费	基于开源库，服务器成本可控

继续阅读 (内部链接)

• AI Financial Report Analyzer：AI 财报助手
• 我做了一个 AI 财报助手：如何用 AI 快速拆解财报、风险和管理层表述？
• 用 AI 分析财报的 7 个步骤：从 PDF 到风险检查清单
• MCP 如何让 AI Agent 访问本地数据和私有工具
• MCP Server SQLite：让 AI 访问本地 SQLite 数据库
• AI Workflow 自动化任务处理方法