改进的LLM代理用于金融文档问答
计算与语言
2026-01-08 v3 人工智能
摘要
大语言模型（LLM）在众多自然语言处理任务上展现了令人印象深刻的能力。然而，LLM 在处理包含表格和文本数据的金融文档的数值问答方面仍然存在困难。近期研究表明，给定 oracle 标签时，批评家代理（critic agent，即自校正）对此任务的有效性。在这一框架基础上，本文考察了当 oracle 标签不可用时传统批评家代理的有效性，并通过实验表明，在此场景下批评家代理的性能会恶化。鉴于此，我们提出了一种改进的批评家代理，以及一个优于先前最先进方法（program-of-thought）且更安全的计算器代理。此外，我们研究了我们的代理之间如何交互，以及这种交互如何影响其性能。
引用
@article{arxiv.2506.08726,
title = {Improved LLM Agents for Financial Document Question Answering},
author = {Nelvin Tan and Zian Seng and Liang Zhang and Yu-Ching Shih and Dong Yang and Amol Salunkhe},
journal= {arXiv preprint arXiv:2506.08726},
year = {2026}
}
备注
13 pages, 6 figures. More analysis is added to Appendix C