利用 Dify 搭建研报自动化流水线
要把研报分析做成自动化的流水线，关键并不全看模型有多强，而是要把工作流拆细，把采集、清洗、提取结构以及多维对比这几个环节串起来。在 Dify 里落地这套流程，得放弃那种把所有指令塞进一个 Prompt 的做法，转而采用分段处理的思路。
数据源的接入与清洗
第一步是用 Python 脚本去调金融数据 API，比如 Tushare 或者东方财富的公开接口，拿到研报的 PDF 链接或者纯文本。PDF 转成文字的时候容易出乱码，所以在送进 Dify 之前，最好先拿 Marko 或者 Nougat 这类专门的解析工具跑一遍，不然 LLM 遇到表格很容易产生幻觉。
工作流的节点规划
在 Dify 的 Workflow 模式下面，需要搭三个核心节点：
- 清洗环节：找个轻量级模型，比如 GPT-4o-mini，把研报里的免责声明、页眉页脚这些噪音快速筛掉。
- 结构化提取环节：定好严格的 JSON 格式，强制让模型把「核心观点」「目标价」「风险提示」「关键财务指标」这四项抠出来。
- 对比验证环节：把同一只标的的 3-5 篇不同券商的研报扔进去，比对结论是不是一致，把分歧的地方标出来。
Prompt 的设计要点
提取环节的 Prompt 得带上 Few-Shot 示例，防止输出跑偏。参考写法如下：
# Role: 金融分析专家
# Task: 从研报正文中提取核心指标
# Constraint: 仅输出JSON，禁止任何解释性文字。
# Example：
{"company": "NVIDIA", "rating": "Buy", "target_price": "1200", "key_driver": "H100 demand"}从对话到工程的转变
这种做法意味着 AI 应用正在从简单的对话框模式转向工程化模式。靠单个 Chatbot 搞不定研报分析，但用 LLM 驱动的有向无环图（DAG）工作流就能做到。开发者的精力不再只是琢磨 Prompt，而是拆解业务逻辑。
一旦输出变成结构化数据，AI 就能直接对接数据库。研报转成结构化 JSON 后，可以直接存进向量库或者 SQL 数据库，这样就能从「读单篇研报」升级到「量化分析整个行业趋势」。不过这也对清洗精度提了要求，如果 API 拿来的源头数据就有偏差，后面的工作流只会加速错误的传播。根据 Dify 官方文档关于工作流节点的数据流转说明，当多个节点串联时，上游节点的空值或未匹配字段会直接透传至下游；因此若清洗节点未能有效过滤噪音，结构化提取节点的 JSON 解析极易因格式错位而中断，此时需配置异常捕获分支以重新触发上游解析步骤。