随着大模型应用落地速度加快，企业级应用相关技术模块日渐成熟，在各个行业领域，企业改革现有业务流程与生产方式，使用AI提高运作效率的可行性大幅度提升。

其中，金融行业作为数据密集、更新快速的代表性行业之一，经常与前沿IT科技强绑定，是企业级技术更新的先锋领域。

以目前相当热门的企业知识库问答产品为例，各大银行、券商已逐步开启引入AI技术提升工作效率的尝试。

本文希望探讨：

在实际业务场景中，知识库问答产品能起到什么作用？要落地企业级应用，目前的技术能实现怎样的产品性能？

知识库（Knowledge Base）是一个存储、组织和提供知识信息的系统，通常具有结构化、访问便捷、动态更新、多源整合等特点。

LLM时代，知识库已经成为金融领域的重要组成部分。金融机构利用知识库进行研报解读、产品推荐、风险控制、合规性检查等，帮助从业人员提高决策的精确性和效率。

目前，金融机构正在使用LLM技术构建更为复杂和动态的知识管理系统，以实现对行业信息的深度挖掘和实时分析。

从金融机构与企业需求端出发，企业需要实现：

• 知识资产管理：对企业既有及后续获得的更新知识完成自动化文档信息分类管理，降低人工信息整理成本；
• 搜索效率提升：快速准确地获取并利用特定领域的知识和信息，在传统搜索引擎的基础上智能判别剔除冗余信息，整合高质量信息，以提高决策效率和质量；同时，知识库问答产品有能力主动给出建议与关联资料，协助从业人员及时获取有效信息；
• 沟通协助：面对与客户、合作伙伴沟通过程中的多样化问题，知识库问答可以为一线工作人员提供强有力的信息支持。

在实际业务场景中，知识库问答产品能够扮演智能助手的角色，帮助金融从业人员及时获取所需信息和资源。

在金融这类强专业性、知识密集型领域，知识库问答产品的信息来源具有多样化的特点：信息来自互联网实时开放信息、行业知识图谱与企业闭源知识库等。公告、财报、研报文件格式涵盖PDF、Word、网页、图片，其中包含大量扫描版文档，需要经由解析工具的处理输入知识库存储，以便抽取调用。

金融知识库文档构成中，机构研报、企业财报、年报等类型占到相当高的比例，这些文件大多具有复杂的版式，机器读取难度较高。

2.1 有线、无线表格与合并单元格

扫描文件中各类复杂表格形式为文档解析提出了识别重构难题。

2.2 多栏布局

研报及网页抓取结果的常见情况，要求文档解析还原正确阅读顺序。

2.3 页眉页脚形式

页眉页脚可能包含多种形式、内容，在部分情况下，还会包含大量注释，需要准确识别并与正文加以区分

那么，当前To C产品在这一领域表现如何呢？

文档解析工具的差异又会对问答产品性能产生怎样的影响？

测试：

首先，在国内某通用大模型问答C端产品上传一份PDF版企业年报，并提出金融分析领域的常见问题：请介绍公司的资产结构。

大模型给出了多个方面的介绍，但答案较为笼统，并未包含具体的数据信息。

替换文档解析工具，将PDF文件上传至TextIn平台进行解析，并把解析后的Markdown文件上传，向大模型提出同一个问题。此次，大模型给出了资产规模、净资产等数据信息。

回到年报原文档进行验证，以排除幻觉干扰。在以下表格中可以看到，在改变解析工具后，大模型的回答来自于年报中表格数据，信息准确。

在这一类案例中，文档解析工具性能对问答类产品表现的影响显著可见。

相比当前产品，企业级金融知识库产品要求更高的效率与准确率，容错性更低，这也意味着从解析到检索召回，产品对各个模块的技术要求将再次提高。

TextIn文档解析具备快速、准确、兼容性强的特点，为企业知识库产品开发提供有力的支持，保障知识库构建与数据更新的重要环节，让开发工作没有“后顾之忧”。

合合信息文档解析产品已经上架TextIn平台，每位开发者都可以注册账号并开通使用。

https://www.textin.com/market/detail/pdf_to_markdown