MimirRAG：面向金融分析的多智能体RAG框架，实现89.3%准确率

MimirRAG是专为金融文档设计的多智能体RAG系统，通过元数据集成、表格感知分块和多智能体工作流，在FinanceBench基准测试中达到89.3%准确率，为金融分析场景提供可验证的AI解决方案。

金融分析对AI系统提出更高要求：

可验证性要求

每一个数据点需追溯到原始财报，精确定位段落、表格甚至单元格。

文档复杂性

财报PDF结构复杂，含多层标题、嵌套表格等，传统文本分块易破坏表格结构。

数值推理需求

需支持同比增长率、利润率等计算与逻辑推理。

多源数据整合

需整合10-K、10-Q等多种报表及历史数据，保持跨文档上下文关联。

MimirRAG采用模块化设计，核心模块包括：

结构保持的PDF解析

保留文档层级结构（章节、表格边界等），理解语义关系。

表格感知分块

核心创新，确保表格完整性：标题与表格体关联、跨页拼接、表头重复保留、单元格元数据追踪。

元数据提取与集成

自动提取文档类型、报告期间、公司信息、章节标签等元数据，支持高级过滤。

多智能体检索工作流

由查询规划、检索执行、验证、生成智能体协作，提升鲁棒性与可解释性。

通过消融实验，识别出金融RAG成功的三大要素：

1. 元数据集成：缩小检索空间，提高召回率。
2. 表格感知分块：保持表格结构与语义，避免数字失去上下文。
3. 智能体工作流：支持查询分解、多轮检索、结果验证，提升复杂问题回答质量。

FinanceBench基准测试

MimirRAG在FinanceBench上取得89.3%准确率，超越基线方法。

专家验证

四位金融分析师认可其准确性、可追溯性、表格理解及数值计算可靠性；同时指出部署需求：校准的信任（表达把握度）、全面数据整合（外部信息源）、用户个性化（查询模板）。

领域专用架构的价值

通用RAG在金融场景表现不佳，需针对领域特性设计解析、分块和检索策略。

人机协作的设计哲学

系统作为助手，需提供可追溯引用、可解释推理及不确定性表达。

多智能体架构的优势

分解复杂任务为专门智能体，更易调试、优化和鲁棒。

当前版本的改进方向：

• 多模态支持：整合财报中的图表、图像信息
• 实时数据接入：连接实时市场数据源
• 跨语言处理：支持多语言财报分析
• 更深度的推理：支持复杂财务建模与预测

MimirRAG是RAG技术在垂直领域应用的重要里程碑，证明深入理解领域特性（金融文档结构、分析师流程、合规要求）可构建准确实用的AI工具。89.3%准确率验证了AI在高风险金融场景的可靠辅助价值，其设计理念与技术细节值得企业级RAG开发者深入研究。