报告行业投资评级 - 行业评级为“看好”，维持评级 [3] 报告核心观点 - 报告旨在探讨如何利用AI赋能研究，以非银金融知识库为例，提出建立本地知识库以解决研究资料分散、大模型存在专业信息缺失和幻觉问题 [9][15] - 核心思路是建立多层知识卡体系，将原始资料转化为可快速回应、方便溯源、持续更新的知识资产，而非追求大而全 [21][23] - 知识库通过人工审核与AI结合，将报告拆解为行业卡、公司卡、机制卡、数据卡等，形成可回溯、可更新的知识网络 [26][44] 根据目录分别总结 01 为什么要建立本地知识库？ - 研究资料存储分散：研究员和投资经理积累的大量研究资源（文档、表格、PPT等）分散存储在各个地方，查找文件通常需借助第三方工具如“Everything”，但需记得文件名且可能存在不同版本 [9][10] - 直接使用大模型存在痛点：大模型可能未掌握部分专业信息、行业及公司发展历史、特定数据，直接提问可能存在严重的幻觉问题，无法解决专业问题 [15][16] 02 如何建立本地知识库？ - 建设目的与思路：目标是建立可快速回应、方便溯源、持续更新的知识库，核心思路包括以问题作为导航基础、减少重复工作、实现知识复用、观点可溯源至原始文件、持续更新 [21] - 建立多层知识卡体系：使用AI处理重要内容，分类分层做成知识卡，但判断“什么是重要内容”不适宜外包；原始资料需链接原始文件位置，而非一股脑丢入 [24] - 知识库四层结构： - 导航与问题层：研究行业、讨论问题（行业地图、研究问题） - 研究对象层：定义研究对象及基本结构（行业卡、公司卡） - 分析与判断层：总结因果、判断和方法论（机制卡、案例卡等） - 证据与来源层：提供数据证据和原始资料回溯（数据卡、来源卡等） [26] - 从原始数据到知识卡的流程： - 判断重要或有价值的原始内容 - 建立贡献判断依据（如行业核心机制贡献度高，重复观点贡献度低） - 链接到原始文件（Word、PPT、Excel） - 根据分类创建对应知识卡 - 人工审核决定是否修改，审核通过卡片有更高权重，但未审核也可参与回答 [27][30] - 演示一：报告到卡片：以一份报告为例，大模型生成知识卡片，包含证据、类型（如测算、历史真、机制）和来源 [36] - 演示二：形成知识网络：一份报告可拆解成多张卡片（来源卡、机制卡、数据卡、案例卡、行业地图、公司卡、观点卡），通过双向链接形成网络，结论可回溯来源并随新数据更新 [44] - 演示三：使用大模型向知识库提问：使用WorkBuddy向知识库提问，可获取基于知识库的回答 [48]