MimirRAG：用于财务数据检索和元数据集成的多代理 RAG 框架

检索增强生成（RAG）系统提供了一种有前景的方法来减少幻觉并提高 大语言模型（LLM）中答案的准确性，这是可靠的财务分析的要求，其中答案必须基于来自文件的可验证证据，而不是根据模型先验生成。然而，设计从混合财务文档中提取有意义的见解并将其集成到分析师工作流程中的 RAG 系统仍然具有挑战性。本文介绍了 MimirRAG（元数据集成多代理信息检索），这是一个为解决这些挑战而迭代开发的多代理 RAG 系统。 MimirRAG 具有模块化管道，包括 PDF 文件的结构保留解析、表感知分块、元数据提取、具有查询规划和混合搜索的基于代理的检索、验证以及具有数字推理支持的上下文感知生成。我们的消融研究确定了有效财务 RAG 的三个关键技术推动因素：元数据集成、表感知分块和代理工作流程。 MimirRAG 使用 FinanceBench 进行定量评估，并通过四位财务分析师的专家验证进行定性评估。该系统在 FinanceBench 上的准确率达到 89.3%，优于原始基准基线。专家反馈强调，成功的部署还需要校准信任、全面的数据集成和用户个性化。我们的结论是，将多智能体 RAG 架构与以人为本的设计原则相结合，可以提高财务分析中有意义的见解的提取。