利用智能体 AI 和 Multi-HyDE 增强金融 RAG：一种知识检索与减少幻觉的新方法
信息检索
2025-09-23 v1 人工智能
计算工程、金融与科学
摘要
准确可靠的知识检索对于金融问答至关重要，因为持续更新的数据源和复杂、高风险的上下文要求极高的精确性。传统的检索系统依赖于单一的数据库和检索器，但金融应用需要更复杂的方法来处理复杂的监管文件、市场分析和大量的多年报告。我们引入了一个用于金融检索增强生成（RAG）的框架，该框架利用智能体 AI 和 Multi-HyDE 系统，这种方法通过生成多个非等效查询来提高从大型结构化金融语料库中检索的有效性和覆盖率。我们的流水线针对令牌效率和金融推理进行了优化，我们证明它们的结合将准确率提高了 11.2%，并将幻觉减少了 15%。我们的方法在标准金融问答基准上进行了评估，结果表明，将特定领域的检索机制（如 Multi-HyDE）与包括关键词和基于表格的检索在内的强大工具集相结合，显著提高了答案的准确性和可靠性。这项研究不仅为金融领域提供了一个模块化、适应性强的检索框架，还强调了结构化智能体工作流和多视角检索对于在高风险金融应用中可信部署 AI 的重要性。
引用
@article{arxiv.2509.16369,
title = {Enhancing Financial RAG with Agentic AI and Multi-HyDE: A Novel Approach to Knowledge Retrieval and Hallucination Reduction},
author = {Akshay Govind Srinivasan and Ryan Jacob George and Jayden Koshy Joe and Hrushikesh Kant and Harshith M R and Sachin Sundar and Sudharshan Suresh and Rahul Vimalkanth and Vijayavallabh},
journal= {arXiv preprint arXiv:2509.16369},
year = {2025}
}
备注
14 Pages, 8 Tables, 2 Figures. Accepted and to be published in the proceedings of FinNLP, Empirical Methods in Natural Language Processing 2025