AgentCPM深度研报助手集成实战：与Dify平台构建AI工作流

AgentCPM深度研报助手集成实战：与Dify平台构建AI工作流

最近和几个做金融分析的朋友聊天，他们都在抱怨一件事：写行业研报太费劲了。从收集数据、整理信息，到分析逻辑、撰写成文，一套流程下来，一个资深分析师也得花上好几天。更别说还要保证格式规范、数据准确、逻辑严谨了。

这让我想起了一个挺有意思的组合：AgentCPM深度研报助手和Dify平台。前者是个专门处理研报生成的智能体，后者是个能让你像搭积木一样构建AI应用的可视化工具。把它们俩凑一块儿，能不能让研报生成这件事变得简单点呢？

我花了一些时间研究了一下，发现这个组合还真有点意思。它能让那些不太懂代码的业务人员，也能自己动手搭建一个从数据到研报的自动化流水线。今天我就来聊聊，怎么把AgentCPM集成到Dify里，构建一个可视化的AI工作流。

1. 场景与痛点：为什么需要这个组合？

在深入技术细节之前，我们先看看这个组合到底想解决什么问题。理解了这个，后面的步骤才会更有方向。

1.1 传统研报生成的“慢”与“难”

传统的研报生成流程，大致可以分成这么几步：首先是海量信息的收集，包括公司财报、行业新闻、政策文件、市场数据等等。接着是信息筛选和整理，把有用的部分提炼出来。然后是核心的分析和洞察，找出数据背后的逻辑和趋势。最后才是撰写成文，并且要符合公司或行业的标准格式。

这个过程有几个明显的痛点：

• 效率低下：大量时间花在了重复的信息搜集和整理上，真正用于深度分析的时间被压缩。
• 人力依赖强：非常依赖分析师个人的经验和能力，新人上手慢，团队产出不稳定。
• 格式不统一：不同分析师写出来的报告，风格、格式、数据呈现方式可能都不一样，不利于标准化管理。
• 迭代成本高：如果报告模板或者分析逻辑需要调整，往往需要重新走一遍流程，牵一发而动全身。

1.2 AgentCPM + Dify 能带来什么改变？

AgentCPM深度研报助手，可以理解为一个专门为研报场景“训练”过的AI大脑。它知道研报应该长什么样，包含哪些部分（比如摘要、行业分析、公司分析、财务预测、风险提示等），也具备一定的金融领域知识，能够理解专业术语和数据。

而Dify平台，则像一个图形化的“连接器”和“控制器”。它本身不生产AI能力，但它可以把不同的AI能力（比如大语言模型、文本处理工具、数据接口）像乐高积木一样连接起来，形成一个完整的工作流。

把它们结合起来，目标就很明确了：把固定的、重复的研报撰写流程自动化，把人解放出来，去做更核心的、创造性的分析和决策工作。

具体来说，我们可以设想这样一个工作流：你只需要输入一些基础信息，比如公司名称、行业、需要关注的时间段等，剩下的数据收集、信息整合、报告框架搭建、初稿生成，甚至部分基础分析，都可以由这个自动化流水线来完成。分析师要做的，是在这个初稿的基础上进行审核、修正和深化，效率自然就提上来了。

2. 核心组件介绍：认识你的“积木”

在开始搭建之前，我们得先搞清楚手里有几块什么样的“积木”，以及它们各自是干什么用的。

2.1 AgentCPM深度研报助手：专业的“撰稿人”

AgentCPM不是一个通用的大模型，它是针对金融研报生成这个垂直场景进行过专门优化和设计的。你可以把它想象成一个经验丰富的初级分析师，已经熟读了成千上万份优秀的研报，掌握了基本的分析框架和写作范式。

它的核心能力可能包括：

• 结构化输出：能够按照标准的研报格式（如封面、摘要、目录、正文、附录）来组织内容。
• 领域知识理解：对财务指标（如PE、PB、ROE）、行业术语、政策文件有较好的理解能力，减少常识性错误。
• 数据解读与整合：能够将提供的结构化数据（如财务报表）或非结构化文本（如新闻、公告）整合到分析中，并生成描述性文字。
• 多轮对话与迭代：支持基于反馈对报告进行修改和优化，比如调整语气、补充某个部分、修正数据解读等。

它通常通过API接口提供服务，你输入提示词（Prompt）和相关数据，它返回结构化的研报文本。

2.2 Dify平台：可视化的“流水线设计师”

Dify的定位是让应用开发变得简单。它通过拖拽节点、连接线的方式，让你可以可视化地编排一个AI应用的完整逻辑，而无需编写复杂的后端代码。

在Dify里，有几个关键概念：

• 工作流（Workflow）：这是核心画布，你所有的操作都在这里进行。它由一个个节点（Node）通过连线（Edge）连接而成，数据按照连线方向流动。
• 节点（Node）：代表一个具体的操作步骤。Dify提供了丰富的节点类型，比如：
  • 开始节点：定义工作流的输入变量，比如“公司名称”、“行业”、“时间范围”。
  • LLM节点：用于调用像AgentCPM这样的大语言模型API。
  • 代码节点：可以嵌入Python等代码，进行数据清洗、格式转换等自定义处理。
  • 判断节点：根据条件决定数据流向哪个分支。
  • 文本处理节点：进行文本分割、合并、提取等操作。
  • 结束节点：定义工作流的最终输出。
• 变量（Variable）：在工作流中传递的数据。上一个节点的输出，可以作为变量传递给下一个节点。

简单说，Dify让你能清晰地看到：数据从哪里来，经过哪些处理，最后变成什么样子。

3. 实战构建：从零搭建研报生成流水线

理论说得差不多了，我们动手搭一个最简单的版本看看。假设我们的目标是：输入一家上市公司的股票代码，自动生成一份包含公司简介、近期大事和简单财务点评的简报。

3.1 第一步：在Dify中创建应用与工作流

首先，你需要在Dify平台上创建一个新应用。进入应用创建页面后，选择“工作流”模式。这会给你一个空白的画布，上面通常已经有一个“开始”节点和一个“结束”节点。

我们的思路是：

1. 开始节点：定义输入，比如一个叫stock_code的变量，代表股票代码。
2. 数据获取节点：根据股票代码，去获取公司的基本信息、近期新闻标题和简易财务数据。这里我们可以用一个“代码节点”来模拟，或者如果你有相应的数据API，也可以用“HTTP请求节点”来调用。
3. 提示词编排节点：将获取到的数据，按照AgentCPM能理解的格式，组装成一段清晰的提示词（Prompt）。
4. LLM节点：调用AgentCPM的API，将组装好的提示词发送给它。
5. 结果处理节点：对AgentCPM返回的文本进行一些后处理，比如确保格式整洁。
6. 结束节点：输出最终生成的研报简报。

3.2 第二步：编排关键节点与逻辑

我们重点看看几个核心节点的设置。

开始节点：很简单，就是添加一个字符串类型的变量，命名为stock_code，描述可以写“请输入股票代码，例如：000001”。

数据获取节点（代码节点示例）：由于我们只是演示，这里用代码节点模拟一下数据获取。在代码节点中，我们可以写一段Python代码，根据stock_code返回一些模拟数据。

# 假设 stock_code 是上游传递来的变量 def main(stock_code: str) -> dict: # 这里应该是真实的API调用，例如调用财经数据接口 # 以下为模拟数据 mock_data = { "company_name": "示例科技股份有限公司", "industry": "计算机软件", "recent_news": [ "发布年度财报，营收同比增长15%", "宣布与某大型企业达成战略合作", "新一代产品获得市场积极反馈" ], "financial_highlights": { "revenue": "100亿元", "net_profit": "10亿元", "pe_ratio": "25" } } # 将数据以字典形式返回，供下游节点使用 return mock_data

这个节点的输出，比如我们命名为company_data，就包含了公司名称、行业、新闻和财务亮点。

提示词编排节点（另一个代码节点或文本拼接节点）：接下来，我们需要把company_data和我们对AgentCPM的指令，组合成一段有效的提示词。

def main(company_data: dict) -> str: prompt = f""" 你是一名专业的证券分析师。请根据以下信息，生成一份关于{company_data['company_name']}（行业：{company_data['industry']}）的简要分析报告。 公司近期动态： {chr(10).join(['- ' + news for news in company_data['recent_news']])} 关键财务数据： - 营收：{company_data['financial_highlights']['revenue']} - 净利润：{company_data['financial_highlights']['net_profit']} - 市盈率(PE)：{company_data['financial_highlights']['pe_ratio']} 报告要求： 1. 格式清晰，包含“公司简介”、“近期动态评述”、“财务数据解读”和“小结”四个部分。 2. 语言专业、简洁、客观。 3. 对财务数据给出简要的、中性的解读。 """ return prompt

这个节点的输出，我们命名为analysis_prompt，就是最终要发给AgentCPM的指令。

LLM节点（核心）：这是最关键的一步。在Dify中添加一个“LLM”节点，并进行配置。

• 模型供应商/类型：选择“自定义API”（因为AgentCPM可能不是Dify默认集成的模型）。
• API配置：填入AgentCPM提供的API端点（Endpoint）、API Key以及其他必要的认证信息。
• 连接上游：将上一个节点输出的analysis_prompt变量，连接到这个LLM节点的“提示词”输入框。
• 参数设置：根据AgentCPM的要求，设置合适的参数，比如生成的最大长度（max_tokens）、创造性（temperature）等。对于研报，temperature通常可以设低一点（如0.2），以保证输出的稳定性和专业性。

这个节点的输出，就是AgentCPM返回的原始研报文本，我们可以命名为raw_report。

结果处理与结束：raw_report可能还需要一些简单的清理（比如去除多余的空行、确保标题格式正确）。我们可以再加一个文本处理节点来做这个事，或者直接将其连接到“结束”节点，作为工作流的最终输出。

3.3 第三步：测试与迭代优化

搭建好基本流程后，点击运行测试。在测试窗口输入一个股票代码（比如“000001”），Dify就会从头到尾执行一遍这个工作流。

你会看到数据在每个节点间流动，最终在结束节点看到生成的简报。第一次运行的结果很可能不完美，比如可能某个部分分析得不够深入，或者格式有点乱。

这时，Dify工作流的优势就体现出来了。你不需要改动代码，只需要调整节点：

• 调整提示词：回到“提示词编排节点”，修改你的指令。比如，你可以要求“在财务数据解读部分，增加与行业平均水平的对比分析”。
• 调整数据源：优化“数据获取节点”，引入更丰富、更准确的数据。
• 调整LLM参数：尝试不同的temperature或max_tokens，观察输出变化。
• 增加分支判断：比如，你可以增加一个“判断节点”，检查获取的财务数据是否完整。如果不完整，走另一条分支，让AgentCPM在报告中添加“数据缺失提示”。

这个过程就像调试一个机器，哪里不对就调哪里，非常直观。

4. 进阶场景与工作流扩展

上面只是一个最简单的单点简报生成。在实际业务中，需求要复杂得多。利用Dify工作流的灵活性，我们可以构建更强大的自动化流水线。

4.1 复杂研报的全流程自动化

一个完整的深度研报流程可以拆解成多个子任务，每个子任务用一个工作流或者一个复杂的子图来实现：

1. 信息收集与预处理工作流：并行调用多个数据源API（新闻、财报、研报、舆情），然后通过文本处理节点进行清洗、去重、摘要。
2. 分析框架生成工作流：根据行业和公司特点，自动生成本次研报的分析大纲和核心问题列表。
3. 分章节撰写工作流：将大纲和预处理后的信息输入给AgentCPM，分章节（如行业分析、公司竞争力分析、财务预测）生成详细内容。这里可以并行生成多个章节，提升速度。
4. 报告合成与格式化工作流：将各个章节的内容、图表、数据表格进行组装，并按照公司模板进行格式化（如添加页眉页脚、调整字体样式）。
5. 质量检查与修订工作流（可选）：可以引入另一个AI节点，对生成报告的逻辑一致性、数据准确性、合规性进行初步检查，并给出修改建议。

在Dify中，你可以把这些工作流串联起来，形成一个“主工作流”，也可以为每个复杂步骤创建独立的“子工作流”，使结构更清晰。

4.2 与人协同的交互式流程

AI不是完全替代人，而是增强人。工作流可以设计得更具交互性：

• 人工审核节点：在报告生成的关键节点（如大纲确定、初稿完成），工作流可以暂停，并将当前结果通过邮件或消息通知给分析师。分析师审核通过或提出修改意见后，工作流再继续执行。
• 多轮修订循环：可以设计一个循环，将AgentCPM生成的版本和人工反馈的修改意见，再次输入给AgentCPM，进行迭代优化，直到满足要求。
• 版本管理与追溯：Dify本身会记录每次工作流的运行记录和输入输出，这天然形成了报告生成的版本历史，方便追溯和审计。

5. 总结

把AgentCPM这类垂直领域模型和Dify这样的可视化编排平台结合起来，为那些想要应用AI但又缺乏深厚技术背景的团队，提供了一条可行的路径。

它最大的价值在于降低了AI应用构建的门槛和成本。业务专家（比如金融分析师）可以更直接地参与甚至主导工作流的设计，因为他们最清楚业务逻辑应该是什么样子。他们只需要关注“要做什么”（What）和“怎么做”（How），而复杂的API调用、代码集成、流程控制等“如何实现”（Implementation）的问题，由Dify平台来简化。

从效果上看，这种模式能够将研报生成中大量结构化的、重复性的劳动自动化，把人从繁琐的信息搬运和格式整理中解放出来，从而更专注于需要深度洞察和创造性思维的环节。当然，这并不意味着完全替代人类分析师。当前AI生成的内容在深度、独创性和复杂判断上仍有局限，但它可以成为一个强大的“初级助理”，极大地提升整体效率。

如果你所在的团队正在为文档生成、报告撰写这类重复性工作头疼，不妨试试这个思路。从一个最小可用的工作流开始，比如先自动化生成每周的行情简报，再逐步扩展到更复杂的分析报告。在这个过程中，你会更深刻地理解如何将AI能力与具体业务场景结合，打造出真正有用的智能工具。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。