尽管LLMs在金融应用方面具有巨大潜力，但在利用预训练模型从其训练数据之外的金融文档中提取信息的同时减少幻觉方面存在显著挑战。金融文件通常包含领域特定的语言、多种数据格式以及独特的上下文关系，而通用训练的LLMs并不能很好地处理。报告将介绍一种结合传统RAG和KGs（知识图谱）技术的检索增强生成新方法，可以有效提升自然语言处理任务的表现。通过这一新技术，GraphRAG能够根据从金融文档中提取的结构化信息，生成更加准确且上下文感知的回答。此外，图表是最难处理的非结构化数据，本次分享将会介绍两种最新研发的思维链推理模型来解决图表数据的定位和问答难题，最后还会展望金融知识助手技术挑战和解决之道。

演讲提纲

1. 金融知识助手基础

• 检索增强生成方法（向量检索和图检索）
• 金融知识助手的挑战：知识提取、建模、定位和推理

2. 高精度金融知识助手的最新方法

• 基于知识图谱的多跳问答系统
• 基于两级思维链的高精度表格问答系统
• 基于蒸馏推理模型的高效表格问答系统

3. 应用展望

• 当前金融知识助手的局限性
• 金融大模型的发展方向

您认为，这样的技术在实践过程中有哪些痛点？
大模型的信息定位和推理能力仍然有限，在复杂问答的仍然可能出错，在产品设计中需要考虑用户检查机制。

演讲亮点

• 讲解推理大模型在金融表格问答的最新应用，包含刚刚发表在ICASSP2025的最新成果。
• 讲解GraphRAG的最新改进，一种最前沿的检索增强生成方案。

听众收益
金融知识助手的实际难点和解决方法。