LLMS对公司研究的用处惊人.
但是,我一直遇到一个奇怪的分裂:部分推理是有用的,而下面的财务事实则更难相信。
一种模式可以在一款中确定会计风险,然后在下一段中将财政期、会计范围或货币混为一谈。
缺失的值可能会悄悄地变成零.
很可能进行确定性的计算。
引文可以指: 真实的提交材料,而不实际支持索赔。
这些是不同的失败模式,把它们都当作一个巨大的诱发性问题处理,并不认为是一个可靠的架构。
于是我开始建造OpenThesis,一个Apache-2.0桌面系统,用于证据第一,AI辅助公司的研究.
这个项目不是取出股票或交易机器人。
这个想法比较简单:使用普通的软件来进行应该具有决定力的工作,并且给LLM一个为推理工作设定的可以实际帮助的证据.
普通公司研究工作流程大致是这样: 这一单一模式呼吁隐含地负责记住所报告的价值,选择正确的财政期,承认会计范围,寻找来源,进行计算,比较设想情况,识别风险并撰写结论。
其中一些任务本质上是概率性的。
另一些则不然。
定性推理,连接证据,形成情景,挑战假设是语言模型的合理使用.
记住一个准确的报告值,决定一个值是否缺失,计算一个比值或估值是接受概率行为的差地方.
我的设计规则变成了:决定主义的工作应该保持决定性.
使用LLMs进行推理,而不是作为推理下面的数据库和计算器.
推理前的证据 OpenThesis起源于官方存档,而不是模型内存或一般的网络搜索.
目前摄取路径覆盖:来自SEC EDGAR中国大陆的美国文档来自CNInfo为SSE,SZSE,以及来自香港HKEXnews为主要董事会和GEM公司提交的BSE公司文档 输油管故意进行: 在一次调查中,提取出的证据被指定为身份证。
代理人收到一套有限度的证据,预计这些身份证明将附在实际索赔后。
然后可以标出未知的证据参考资料和无根据的索赔,而不是默默接受,因为传言听起来是合理的。
最后综合经过另一个核查步骤。
如果所需证据没有涵盖范围,则运行情况可以部分标出,而不是作为得到充分支持的报告提出。
这并不能消除提取错误或模糊的备案。
它使故障边界更加明显:一个读取器可以检查所取出的东西,所使用的分析,以及缺少支持的地方.
财务算术是密码,不是提示 财务分析也是如此。
OpenThesis在正则代码中构建了财务摘要和逆向DCF计算.
所缺少的值不会默默地转换为零.
如果核心覆盖不足,管道在要求AI模型对所发明或不完整的数字图片进行解释之前就未能关闭.
这种区别不仅仅是尖端的提示。
考虑收入增长,如果缺少一个时期。
一个流利的模型可能仍然产生一个百分比,因为完成模式就是它所做的.
确定性功能可以恢复“不可用”的功能,保留原因,防止结果污染下游分析。
该模型仍然可以讨论所报告的差值变化可能意味着什么、比较假设情况或质疑假设。
它只是不能制造输入或即兴地计算。
OpenThesis在财务分析、业务分析、会计风险、增长、怀疑论、预测、综合和ve方面