AI金融分析师FinSight：重塑金融研报生成新纪元

引入AI技术，金融分析师岗位面临变革！中国人民大学高瓴人工智能学院研发的玉兰·融观（Yulan-FinSight）系统，正引领一场金融研报生成革命。

FinSight能够自动处理用户需求，从多源异构数据中生成详尽的金融报告，涵盖“发展历程”、“核心业务架构”、“竞争格局”等章节，其高效与精准令人瞩目。

△

在金融智能创新大赛中，FinSight更是以卓越表现夺冠，超越了GPT-5 w/Search、OpenAI Deep Research与Gemini-2.5-Pro Deep Research，展现了其接近人类专家的金融分析与写作能力。

让我们深入了解FinSight如何重塑金融分析领域。

为何通用AI在金融研报中表现不佳？

研究者指出，通用AI模型难以胜任金融研报，关键在于其缺乏结构化、逻辑性和可视化能力。金融研报涉及复杂的数据整合、深度分析及专业表达。

现有通用AI系统面临三大挑战：

1. 领域知识与数据割裂：

通用搜索系统难以整合结构化金融数据与非结构化信息，只能进行浅层处理，缺乏系统性金融洞察。

2. 专业级可视化能力缺失：

金融研报依赖图表传递信息，但现有模型仅能生成静态图片或简单折线图，难以满足专业需求。

3. 缺乏“迭代式研究”能力：

多数系统采用固定流程，难以根据中间发现调整研究路径。

FinSight的核心思路：模拟金融分析师工作流程

为突破限制，FinSight从认知流程入手，模拟人类专家工作方式，提出三项关键技术创新。

核心架构：代码驱动的可变内存智能体架构

FinSight采用名为Code-Driven Variable-Memory（CAVM）的多智能体架构，将数据、工具与中间推理结果统一映射为程序变量，实现高效协作与复杂任务处理。

视觉突破：迭代式视觉增强机制

针对金融图表生成问题，研究者提出Iterative Vision-Enhanced Mechanism。通过Actor–Critic协作范式，实现图表质量的持续优化。

两阶段写作框架：先分析，再成文

FinSight将写作重构为“分析—整合”两阶段过程，先生成分析链（CoA），再合成长篇报告。确保报告逻辑清晰、论证深入。

实验结果：超越现有Deep Research系统

FinSight在多项核心指标上显著优于对比系统，获得高分评价。在可视化与长文本生成场景中表现尤为出色。

在金融智能创新大赛中夺冠，进一步验证了FinSight的实用性与鲁棒性。研究者认为，FinSight不仅是金融工具，更是Agent架构在高复杂度垂直领域的潜力展示。