一、项目背景及目标

为落实“人工智能+”行动及中信集团“十五五”战略，中信建投证券研发北斗投顾大模型平台，破解投顾业务局限。平台基于开源 Qwen 系列模型，经三阶段训练打造北斗投顾大模型，完成多项金融投顾核心能力训练，是行业首例投顾微调模型，居国内领先。其拥有四大关键创新与三大核心技术，投顾场景评测效果较基座模型提升 5%-10%，fin-eva准确率超83%，对齐行业先进水平。项目已获1项专利、6项软著，发表4篇核心期刊文章并斩获多项行业奖项。

1.背景介绍

传统投顾服务受限于AI技术的发展水平，存在“不可能三角”，很难同时兼顾高质量、个性化、可规模化，无法满足海量客户的个性化需求，属于行业核心痛点。通用或者金融大模型存在投顾领域理解专业性不足的问题，直接应用于投顾场景效果不佳。2024年政府工作报告指出，深化大数据、人工智能等研发应用，开展“人工智能+”行动，打造具有国际竞争力的数字产业集群。中信建投证券全面贯彻落实《国务院关于深入实施“人工智能+”行动的意见》，紧密围绕中信集团和公司“十五五”战略规划，将人工智能作为发展新质生产力的核心驱动力和实现高质量发展的关键引擎。通过微调投顾大模型实现了千人千面的个性化投顾服务，对解决行业痛点具有突出意义。

2.项目目标

（1）内容体系全面覆盖金融基础知识与投顾基础知识，筑牢智能投顾服务的底层理论与业务基础。

（2）重点围绕金融文档检索的相关性判定、结果可解释性构建，以及投顾场景下的用户意图精准理解展开研究。

（3）同时强化个股深度分析能力与金融深度推理能力，为专业、可靠的投顾服务提供核心技术与决策支撑。

二、创新点

（1）首例微调金融大模型，北斗大模型为行业首例训练微调的投顾领域模型，处于国内领先地位。

（2）多阶段链式蒸馏与多模型交叉验证的数据构造。在训练数据构造阶段，引入链式蒸馏分阶段生成与筛选样本，并通过多模型交叉验证与一致性校验剔除噪声与偏差，系统性提升样本的正确性与多样性。

（3）工具增强的思维链数据生成流程。结合投顾工具（如个股分析与诊股工具）的结构化输出，设计“工具调用—证据抽取—思维链生成—可溯源结论”的数据生成流水线。

（4）多Agent任务与模型能力协议。面向投顾场景定义统一的任务范式与能力协议，涵盖问答、分类、打分排名、规划序列、思考推理5类任务，以及近20项金融细分能力。

（5）金融“因果相关性”导向的文档相关性体系。在文档相关性任务中重构评估与标注口径，把传统“文本相似度/相关度”拓展为面向金融语境的“因果相关性”。

（6）自主可控，降低成本。利用大模型泛化优势的同时实现模型输出可信、可控。通过算力压缩技术用320亿参数量实现了超越6710亿参数量通用模型的业务能力，算力成本降低95%，单客户服务成本降低80%。

三、项目技术方案

1.项目规划

本项目围绕破解传统投顾服务“高质量、个性化、可规模化”不可能三角的行业痛点，以落地自主可控、低成本、高专业度的投顾大模型平台为核心目标，整体规划分为技术研发、平台搭建、场景落地、优化迭代四大阶段，全流程紧扣金融投顾业务实际需求，实现技术与业务深度融合：

技术研发阶段：基于开源Qwen系列模型，确定“继续预训练（CPT）-场景化监督微调（SFT）-强化学习（RL）”三阶段训练体系，完成投顾领域大模型“北斗”的研发，重点强化金融术语理解、场景化问题解决、深度推理等核心能力，同时通过算力压缩、知识蒸馏实现模型轻量化与成本可控；

平台搭建阶段：依托 Transformer 架构与分布式多智能体技术底座，构建“核心技术层-应用服务层-业务场景层”三层技术架构，开发微服务化的北斗投顾大模型平台，集成智能诊股、策略推荐、投后分析等功能模块，配套搭建向量数据库、知识库等基础支撑体系；

场景落地阶段：针对投顾业务高频场景，实现平台在产品问答、个股分析、智能选股、企微群答疑等场景的落地应用，打通“用户提问-意图识别-智能体处理-结果输出”的全业务流程，完成从技术到实际业务的转化；

优化迭代阶段：建立投顾场景专属评测体系，围绕正确性、引用可靠性、合规触发率等维度持续监控平台运行效果，结合业务反馈不断优化模型能力与平台功能，同时沉淀标准化流程与工具包，支撑能力在相邻金融场景的迁移复用。

2.项目实施

本项目实施过程以技术研发为核心、业务落地为导向、数据支撑为基础、合规可控为前提，分步骤推进落地，各环节衔接紧密、层层递进，具体实施步骤如下：

数据准备与处理：收集近3年金融研报、政策文件、交易数据、投顾经典数据、公开金融新闻等语料，完成50亿Token的继续预训练数据整理；同时依托公司内部投顾知识构建2亿Token的监督微调数据，通过链式蒸馏、多模型交叉验证剔除噪声，确保训练数据的正确性与多样性，并设计工具增强的思维链数据生成流水线，提升数据与投顾场景的适配性；

模型训练与微调：基于Qwen3-32B（32B）开源模型，搭建训练环境并增加算力加速模块，按三阶段训练体系开展模型研发：先通过继续预训练强化行业术语理解与知识覆盖，再通过监督微调注入投顾场景化问题解决能力与可解释输出格式，最后通过强化学习优化检索一致性、逻辑严谨性与深度推理能力；同时采用知识蒸馏技术压缩模型，实现320亿参数量模型超越6710亿参数量通用模型的业务能力；

平台架构搭建：按三层架构完成平台开发，核心技术层集成预训练大模型与RAG检索增强生成技术，搭建向量数据库实现知识可溯源；应用服务层开发智能诊股、策略推荐等功能，打造类ChatGPT的 LUI交互界面与企微群机器人，支持多群并发答疑；业务场景层针对 20+投顾产品搭建产品问答体系，实现秒级响应，同时基于分布式多智能体架构设计标准化业务流程，完成产品助手、个股分析助手、策略助手三大功能模块的协同开发；

功能测试与调优：搭建投顾场景专属高质量评测集，从正确性、引用可靠性、合规触发率、工具调用成功率等维度对模型与平台进行全维度测试，针对测试中发现的问题优化模型参数、完善平台功能，确保答疑准确率、响应速度等核心指标达到业务要求；

试点上线与推广：先在内部投顾团队与部分客户群体中试点上线，收集业务端与客户端的使用反馈，进一步优化平台交互与功能体验；试点成熟后全面推广，实现5个企微群1000 +客户经理7*24H自助答疑的落地，同时打通与公司现有投顾业务体系的衔接，实现规模化应用；

运营监控与迭代：上线后实时监控平台运行数据，包括服务响应时长、答疑准确率、客户使用频次等，针对投顾业务中的新需求、新场景持续优化模型能力，同时沉淀“数据治理—训练对齐—评测发布” 的标准化流程，推动模型能力在投前研究、投后服务等相邻金融场景的迁移复用。

3.核心技术

继续预训练（CPT）强化行业术语理解与知识覆盖；监督微调（SFT）注入场景化问题解决能力与可解释输出格式；

强化学习（RL）面向检索一致性、逻辑严谨与深度推理能力。

4.方案技术架构（如图1所示）

图 1 方案技术架构

（1）核心技术层

基础模型基于 Transformer架构的开源模型（如Qwen3），混合金融领域数据（研报、政策、交易数据）预训练，支持多轮对话与意图理解。技术增强中RAG（检索增强生成）针对用户问题，先通过向量数据库检索相关知识库内容（如产品QA、研报片段），再由大模型生成回答，确保内容可溯源。

（2）应用服务层

投顾大模型平台前端交互中提供智能诊股、策略推荐、投后分析报告。同时提供了企微群机器人支持多群并发答疑，界面类似 ChatGPT的LUI交互，显示知识源引用。

（3）业务场景层

投顾服务中产品问答覆盖20+投顾产品，通过RAG快速定位知识库 QA对，秒级响应。具体业务流程图2所示：

图 2 业务流程图

本方案基于分布式多智能体架构和大语言模型（LLM）技术底座，构建了模块化、可扩展的智能投顾服务平台。平台采用微服务架构设计，通过知识蒸馏、强化学习和联邦学习等技术，实现了产品助手、个股分析助手和策略助手三大功能模块的协同运作，支持从数据采集、特征提取到决策输出的全流程自动化，如图3所示。

图 3  北斗投顾大模型平台

（4）北斗大模型训练方案

在金融模型基础上，采用迁移学习的方式实现投顾LLM训练和微调。所用模型为32B（深度思考、基于Qwen3-32B），增加了算力加速模块，以降低成本。同时知识蒸馏，通过压缩模型，模型能力不下降的同时降低计算复杂度和资源需求，如图4所示。

图 4  训练微调方案

继续预训练最近3年的研报数据、金融、投顾相关的经典数据、公开的金融新闻语料，训练量50亿Token。采用公司内部知识构建投顾经验，构建CoT进行数据蒸馏和人工专家确认，一共约有2亿Token监督微调。金融和投顾的基础知识问答能力相对原基座模型提升约10%，拥有投顾领域专家能力。

四、运营情况

（1）提升投资决策效率

多智能体系统通过分布式协同计算架构，实现了对海量金融数据的实时分析与个性化服务输出。这种架构不仅将传统人工投顾的平均服务耗时从30分钟缩短至即时响应，更使单客户服务成本降低80%，并实现了5个企微群合计2000+客户经理的7*24H自助答疑工作，答疑准确率超过97%。

（2）优化资产配置与风险控制

多智能体协同系统通过专业化分工显著提升了投资决策的科学性与稳定性。在该系统中，交易策略智能体负责挖掘市场机会，风控智能体实时监控组合波动率和最大回撤，客户画像智能体持续跟踪投资者风险偏好变化，三者通过分布式决策机制达成最优配置方案。

（3）创造新型金融服务模式

智能投顾系统通过7×24小时不间断服务，有效解决了传统投顾服务时间受限、人力成本高的痛点，使金融机构能够规模化覆盖长尾客户市场。系统采用多层级服务架构，对大众客户提供标准化智能投顾（如资产诊断、组合推荐），对高净值客户则自动升级至人工+AI的混合服务模式。

五、项目成效

经济效益：通过AI投顾助手的上线使用，丰富产品线、完善产品数据类型、增强营销能力、客户服务能力等多个维度提升客户体验，提高产品复购率。实现签约用户数24.8万人，同比增长60%。创收1.23亿元，同比增长345%。通过优化智能工具，累计服务用户190.9万人，同比增长35%。

社会效益：AI投顾助手依托多智能体与监督微调大模型，是首批自主研发训练的金融领域大模型底座，以普惠化服务打破理财门槛，惠及广大中小投资者；通过合规风控与精准投教强化投资者保护、提升投资者金融知识；助力资本市场平稳运行，推动行业数智升级，筑牢金融安全底线，全面彰显科技金融、科技向善的社会效益。

六、经验总结

（1）先进性

平台使行业首次在大模型训练与工程化方面实现全链路运用和升级，训练方面，不同于简单的监督微调和利用Lora等高效微调手段，以“领域继续预训练（CPT）—场景化监督微调（SFT）—强化学习对齐（RL）”为主线，面向投顾细分语料与真实业务链条构建训练闭环，并且探索多阶段训练和能力融合的方案，在金融深度推理、合规风控、任务规划与工具选择、复杂问题分析与求解等关键能力上取得稳定提升，该项目为行业首批训练微调金融模型，处于国内领先地位。项目过程中，授权1项专利，6项软件著作权，发表4篇行业知名期刊文章，并获得多项行业奖项。

（2）实效性 项目面向金融投顾的高频与高价值任务构建智能体集群，覆盖股票诊断、个股深度分析、因子选股、异动归因、金融数值计算、投顾意图理解、任务与工具选择、文档相关性与可解释性等核心能力。配套自建高质量评测集与评测体系，涵盖正确性、引用可靠性、合规触发率、工具调用成功率等维度，形成可复现、可对标的量化基线，支撑快速迭代与灰度发布。

（3）示范性 项目沉淀了“数据治理—训练对齐—评测发布”的标准化流程与工具包，包括数据清洗与分层采样规范、场景化SFT模板、强化学习对齐策略、合规模型网关与审计留痕机制等，可在投前研究、投后服务、客服与运营等相邻场景快速迁移与复用。评测口径统一，指标体系清晰，支持跨团队、跨项目对齐和快速推广，具备良好的行业示范意义。

（4）对标先进与发展方向 对标头部开源与商用方案，本项目在领域理解、可解释问答、合规可控与成本效能方面形成体系化优势；在复杂策略的可验证性、极端长文本稳健性与跨源数据时效性方面持续加强。

发展方向为：面向更难、更复杂的金融场景任务，持续增强模型的自我学习与自我提升能力；面向未来的多模态能力强化，重点提升对K线、图表、走势图以及各类金融指标趋势的分析与解读能力，并将相关能力纳入标准化评测与上线闭环，确保实现一客一AI投顾、数字人投顾以及多模态投顾。