朝阳永续 FastGPT 最佳实践：AI 赋能金融数据服务的完美选择

在金融数据服务领域，我们朝阳永续一直致力于为客户提供最优质、最前沿的数据解决方案。

然而，随着数据量的爆炸式增长和客户需求的日益复杂化，我们的挑战也越来越大。如何高效地处理和分析海量数据？如何快速响应客户的个性化需求？如何将最新的 AI 技术融入我们的产品，提升服务质量？ 这些问题一直萦绕在我们心头，也直接关系到我们的业务发展和客户满意度。

更重要的是

朝阳初升：二十载金融数据耕耘

朝阳永续是一家深耕金融数据领域超过 20 年的资深企业，我们的核心业务是为金融机构提供高质量的金融数据和分析工具，公司总部位于杭州。我们的旗舰产品包括盈利预测数据库、私募数据库等，在业内享有极高的声誉。特别是盈利预测数据库，市场占有率超过 90%，已然成为行业的标杆。

说起我们公司的名字 “朝阳”，也颇有一番渊源。它源于一句佛经：

寓意着生生不息、蓬勃发展。

面临的挑战

在使用 FastGPT 之前，我们面临着多重技术痛点和业务挑战。

传统的数据提取方式效率低下成为了我们的一大难题。我们的投资研究团队需要查阅大量数据，但由于缺乏 IT 技术背景，往往只能依赖技术团队来提取数据。例如，研究人员可能会要求获取过去十年沪深 300 指数成分股的每股盈余 (EPS) 和分红情况。由于技术团队的人员通常需要将这些指令转化为 SQL 代码来查询数据库，这个过程既繁琐又耗时。然而随着大语言模型的发展，一切都变了，目前的大模型在处理这些请求时已经很专业了，投资研究人员可以直接通过一个产品来满足他们的数据需求，而无需经过繁琐的技术环节。

除了数据提取的难题，传统的软件开发模式也很难满足快速变化的市场需求。在金融行业，创新速度非常重要。然而，传统的开发模式通常需要完善的逻辑设计和较长的研发周期，往往需要几个月时间才能验证一个想法。而在如今创新速度飞快的市场环境下，这种模式显然无法满足需求。

此外，我们的 Go-Goal 金融终端虽然功能强大，但也存在使用门槛高的问题。这个终端经过了大约五六年的迭代，里面集成了几百个不同的功能工具。对于客户来说，使用门槛相对较高，因为产品迭代较多，很多客户在使用时常会反馈，一个功能更新后，他们原本熟悉的按钮位置可能就找不到了，需要重新学习和适应。

特别是在金融行业，从业人员对技术的敏感度通常较高，能够及时反应市场的变化。投资本质上就是关注变化的过程，这也促使我们更加迫切地寻求技术革新。

为何选择 FastGPT？

在评估了多种解决方案后，我们最终选择了 FastGPT (https://fastgpt.cn)。原因有以下几点：

我们选择 FastGPT 的一个关键原因是其基于可视化编程的平台能力。

FastGPT 支持接入多种主流大模型，这样我们就可以根据不同的任务选择最合适的模型。相比之下，其他一些平台在模型选择上存在较大局限性。我们曾接触过扣子，但因为在国内使用时存在不便，特别是在没开魔法的情况下，扣子这个平台的功能受到限制，当时只有使用火山大模型，而 OpenAI 类的模型无法获取。它在模型切换灵活性上存在很大的局限。我们还调研了市面上其他的可视化编排工具，例如 “元宝” 及其背后的 “元器”。然而，“元器” 在流程编排方面和 FastGPT 存在很大区别，尤其是在组件拉取和工作流长度方面，限制相对严格。

在金融场景中，我们的工作流通常非常复杂，可能有近百个步骤。FastGPT 能够很好地支持这种复杂的工作流，而其他一些平台则难以实现。

FastGPT 还能够帮助我们快速搭建产品 Demo，并通过已有的 API 嵌入端，进行即时市场验证，大大提高了创新型产品的研发效率。

另一方面，我们与 FastGPT 的接触也比较多，当时觉得整个团队也是挺 nice 的，而且响应速度很快，给我们留下了很好的印象。

还有最重要的一点，FastGPT 能够快速集成我们内部的多个数据源，包括盈利预测等核心数据。这对于我们来说至关重要，因为我们的许多业务都依赖于这些数据的快速调用和处理。

FastGPT 的落地过程

FastGPT 在我们公司的实施过程大致分为以下几个阶段：

1. 需求分析和方案设计：我们首先与 FastGPT 团队进行了深入的需求沟通，明确了我们的业务痛点和目标。基于这些信息，FastGPT 团队为我们设计了定制化的解决方案。

2. 平台搭建和配置：FastGPT 团队协助我们完成了平台的搭建和配置工作，包括模型的接入、工作流的创建等。

3. 内部测试和培训：我们组织了内部测试，邀请产品经理和技术人员试用 FastGPT 平台。同时，FastGPT 团队为我们提供了详细的培训，帮助我们快速上手。

4. 产品开发和迭代：基于 FastGPT 平台，我们开始开发新的 AI 应用，并根据用户反馈不断迭代优化。

   

   

   

• 例如，我们利用 FastGPT 开发了 AI 金融工厂，这是一个类似 DIY 平台的工厂，这个平台将整合我们公司的多种数据，包括盈利预测、一致预期及其他基本金融数据等。所有这些信息将被包装成知识库，放在智能工厂的平台上。我们发现，不仅是公司的产品经理会提出各种想法，我们客户内部的需求方、业务产品经理也有很多关于智能体的独到见解。因此，在我们的 AI 金融工厂上，客户也能进行 DIY，构建自己需要的功能。

• 同时，我们也在积极探索将一些成熟的产品改造成智能问答或智能体形式，以测试客户对这种新产品形态的接受度。

• 客户推广和培训：我们正在推进 AI 金融工厂这个新产品线的推广。为了帮助客户更好地理解如何运用这个平台，我们每周都会举办相关培训。

• 定制开发：我们还与 FastGPT 进行了几期定制开发的需求合作，其中一个典型的例子是利用 FastGPT 来帮助管理知识库。例如，我们发现最初列出的大量知识库，比如 A 股、港股等，会显得比较混乱，因此我们希望能有一个更清晰的知识管理架构。这样一来，客户在使用时会更加顺畅。

在实施过程中，我们也遇到了一些问题，例如在进行版本更新时发现，由于权限设置问题，导致相关客户的访问权限全部混乱。但 FastGPT 团队都及时响应并解决了这些问题。

技术原理

FastGPT 的核心技术原理可以理解为 “可视化编排的 AI 工作流引擎”。如果把大模型比作一个聪明的大脑，那么 FastGPT 就像是一个高效的指挥系统，它可以将各种复杂的任务分解成一个个简单的步骤，然后指挥大脑一步步完成这些任务。



具体来说，FastGPT 提供了以下几个关键能力：

• 可视化编排：FastGPT 提供了一个直观的图形界面，用户可以通过拖拽组件的方式来创建工作流。就像搭积木一样，将不同的功能模块组合起来，构建出复杂的应用。

• 多模型支持：FastGPT 可以接入多种大模型，例如 GPT-4、GLM 等。这就相当于给指挥系统配备了多个不同专长的大脑，可以根据不同的任务选择最合适的大脑来处理。

• 知识库集成：FastGPT 可以将结构化的金融数据 (如盈利预测、研究报告等) 封装成知识库。

• API 输出：FastGPT 支持 API 输出，这使得我们可以将 AI 能力无缝集成到现有的产品中。

通过这些技术，FastGPT 成功解决了我们的痛点。例如，对于数据提取任务，我们可以创建一个工作流，将用户的自然语言查询转化为 SQL 语句，然后从数据库中提取数据，最后将结果以自然语言的形式返回给用户。整个过程无需人工编写代码，大大提高了效率。



使用场景

FastGPT 在我们公司的应用场景非常广泛，以下是几个典型的例子：

场景一：Go-Goal 金融终端的 AI 搜索

我们的 Go-Goal 金融终端集成了数百个功能，用户经常找不到所需的功能。为了解决这个问题，我们利用 FastGPT 开发了 AI 搜索功能。用户只需在搜索框中输入自然语言查询，例如 “查基金净值应该用哪个功能？”，FastGPT 就能通过工作流快速定位到相关工具，并将其呈现给用户。目前，这一功能已经能够满足约 70% 的客户需求。



场景二：智能金融信息检索

除了工具搜索，用户还需要获取金融资讯，包括新闻、财报和研究报告等。以前，我们只能使用类似 Elasticsearch 的文本检索方法，将可能命中的条目列出来。现在，利用 FastGPT 构建的向量搜索服务，我们可以通过语义进行向量化处理，并整合成更完整的结果。例如，用户可以查询 “最近研究员对白酒行业的评论”，FastGPT 就能将相关的研究报告片段整合起来，提供给用户。这就大大简化了行业观点集合这类原本较为繁琐的工作。过去需要财经编辑去逐一阅读报告，并提炼出相关观点，现在大模型可以自动化地完成这项工作。



场景三：AI 辅助报告生成

我们的编辑团队利用 FastGPT 实现了 AI 辅助报告生成。以前，一位编辑一天最多只能写 3 到 5 篇财报分析文章。现在，借助 AI 的帮助，他们一天可以撰写超过 50 篇文章。这些文章主要呈现数据结果，例如对每家公司盈利预测与实际业绩做出详细对比，不需要像新闻稿那样需要更复杂的叙述。虽然目前 AI 生成的内容在深度上可能尚未达到资深编辑加工后的效果，但在数量提升上效果显著。同时，通过这种方式，我们也能更好地适应当前的流量算法，提升品牌知名度。

效果总结

FastGPT 的引入为我们带来了全方位的改变。它不仅是一个强大的产品开发工具，更成为了团队日常工作中不可或缺的助手。特别是它能够横向比较众多大模型的能力，这一点深深打动了我们的产品经理。在平台搭建完成后，我们的技术和产品团队迅速开始使用它来构建各种应用。一些嗅觉敏锐的编辑也开始主动探索 AI 的应用可能，虽然他们最初只能使用自己的 OpenAI 账号进行尝试。而 FastGPT 的出现，通过打通内部数据调用的瓶颈，让每个团队成员都能方便地利用 AI 来提升工作效率。

具体来看，FastGPT 为我们带来了显著的改进效果：

• 效率提升：数据提取效率提升了很多，研究人员可以更快地获取所需信息，投资决策的效率和准确性也得到了提高。

• 成本降低：通过 AI 辅助，我们的编辑团队从 35 人精简至 1 人，人力成本大幅降低。同时，AI 撰写报告的效率也远高于人工，一位编辑在 AI 的帮助下，每天可以撰写超过 50 篇文章，而之前最多只能写 3 到 5 篇。

• 用户体验提升：我们的 Go-Goal 金融终端通过集成 FastGPT 的 AI 搜索功能，让用户可以通过自然语言轻松查询所需功能。例如，用户只需问：“查基金净值应该用哪个功能？” 系统就能快速定位到相关工具。目前约 70% 的客户需求可以通过智能检索得到满足，用户体验得到了显著提升。

• 创新加速：产品经理现在可以独立使用 FastGPT 平台进行产品原型的开发和验证，新产品的开发周期从几个月缩短至几周甚至几天。

FastGPT 在工作流程的编排上非常灵活，允许我们自由选择和配置不同的模型。它支持的组件很多，同时在需求迭代时能够快速响应，我们已经经历了很多次的版本迭代。目前，我们正在积极收集客户对 AI 金融工厂等新产品的反馈，以便进一步优化和完善。