朝阳永续 FastGPT 最佳实践：AI 赋能金融数据服务的完美选择

在金融数据服务行业深耕二十年，朝阳永续面临的挑战其实很直白：数据量在爆炸式增长，客户的需求越来越复杂，AI 的发展又日新月异。怎么才能高效处理海量数据？怎么快速响应那些个性化的需求？又如何把最新的 AI 技术真正落地，而不是停留在概念里？这些问题，可以说是悬在每个从业者心头的“达摩克利斯之剑”。

跟不上，就会被甩开。这一点，在这个行业里尤其真切。

朝阳初升：二十载金融数据耕耘

朝阳永续在金融数据领域扎根超过 20 年，总部在杭州，核心业务就是为金融机构提供高质量的数据和分析工具。旗舰产品里，盈利预测数据库的市场占有率超过了 90%，可以说已经是行业的一个标杆。公司名字“朝阳”的由来，本身就是一个故事——它源自一句佛经：“我佛恒生，我佛永续。恒生朝阳，朝阳永续”。寓意着生生不息、蓬勃发展，倒也契合了这家公司这些年的发展轨迹。

挑战：痛点不止一个

在引入 FastGPT 之前，我们有几个很具体的痛点。

第一个痛点是数据提取。传统的方式效率低得让人头疼。投研团队想查个数据，比如“过去十年沪深300指数成分股的每股盈余和分红情况”，他们自己没法直接干，得把需求写成文档，再交给技术团队。技术团队拿到需求后，需要把这些指令翻译成 SQL 代码，再去数据库里查询。这个流程走下来，既繁琐又耗时。但现在，大语言模型已经相当专业了，投资研究人员可以直接通过一个产品来满足数据需求，中间那层繁琐的技术环节，完全可以省掉。

第二个痛点是开发模式。金融行业对创新速度的要求极高，但传统的开发模式，一套完整的逻辑设计加研发周期，没有几个月下不来。等你的想法落地，市场可能早就变天了。这种节奏，显然跟不上现在的步伐。

第三个痛点是产品体验。我们的 Go-Goal 金融终端功能强大，但迭代了五六年后，里面集成了几百个不同的功能工具。对于客户来说，使用门槛自然就高了。功能一更新，用户可能就找不到原来那个熟悉的按钮了，得重新学习。这其实是很多成熟产品都会面临的“功能冗余”问题。

可以说，金融行业对技术的敏感度本身就高，投资本质上就是关注变化。这些痛点，也促使我们更迫切地寻找技术上的突破口。

为什么是 FastGPT？

在评估了不少方案后，我们最终选择了 FastGPT。关键因素有几个。

首先，是它基于可视化编程的平台能力。之前接触过一些工具链产品，基本都是纯代码的，得懂 Python 才能用，门槛太高，只有程序员能操作。产品经理或者业务设计人员，在技术层面很难上手。FastGPT 的可视化编程，让产品经理也能自己动手，而不是把想法写在文档里，等开发排期。这直接拉低了应用开发的门槛。

其次，是模型选择的灵活性。FastGPT 支持接入多种主流大模型，我们可以根据不同的任务，选最合适的模型来干。比如有的任务适合 GPT-4，有的可能更适合 GLM。这一点很重要。以前也调研过其他平台，比如“扣子”，在国内使用时很不方便（没开“魔法”的情况下功能受限，只能用火山大模型，OpenAI 的模型没法用），模型切换的灵活性很差。还看过“元宝”背后的“元器”，它在流程编排上和 FastGPT 区别很大，组件拉取和工作流长度方面限制相对严格。

再者，金融场景的工作流通常非常复杂，可能有近百个步骤。FastGPT 对复杂工作流的支持很好，这是很多平台做不到的。

除此之外，FastGPT 还能快速搭建产品 Demo，通过已有的 API 嵌入端，进行市场验证。这种“快进快出”的能力，大大提高了创新型产品的研发效率。

当然，团队合作的体验也很重要。与 FastGPT 团队的几次接触，感觉他们响应速度很快，沟通起来很顺畅，这种“人”的因素，在技术选型时往往也很关键。

最后，也是最重要的一点：FastGPT 能够快速集成我们内部的多个数据源，包括盈利预测这些核心数据。这对我们来说至关重要，很多业务都依赖于这些数据的快速调用和处理。

落地：从需求到产品

FastGPT 的落地过程，大致可以分为几个阶段。

先是需求分析和方案设计。我们和 FastGPT 团队坐下来，把业务痛点和目标掰开揉碎了聊清楚，由他们来设计定制化的解决方案。

然后是平台搭建和配置，包括模型接入、工作流创建这些基础工作。

之后是内部测试和培训。我们请产品经理和技术人员一起试用，FastGPT 团队也提供了详细的培训，帮助大家快速上手。

最后是产品开发和迭代。基于这个平台，我们开始开发新的 AI 应用，并根据用户反馈不断优化。

举个例子，我们利用 FastGPT 开发了一个叫“AI 金融工厂”的平台。它就像一个 DIY 平台，把我们公司的多种数据——盈利预测、一致预期、其他基本金融数据——全部包装成知识库，放在这个平台上。然后我们发现，不只是我们自己的产品经理有想法，客户的业务产品经理也有不少独到的见解。所以，在这个平台上，客户也可以自己动手 DIY，构建他们需要的功能。

同时，我们也在积极把一些成熟的产品改造成智能问答或智能体，测试客户对这种新形态的接受度。

为了帮助客户理解和使用这个平台，我们每周都会办培训。当然，实施过程中也遇到过一些问题，比如版本更新导致权限配置出错，但 FastGPT 团队都及时响应并解决了。

技术原理：可视化的“AI 指挥系统”

FastGPT 的核心技术原理，可以理解为“可视化编排的 AI 工作流引擎”。如果把大模型比作一个聪明的大脑，那 FastGPT 就像一个高效的指挥系统。它能把复杂的任务拆成一个个简单的步骤，然后指挥大脑一步步完成。

它提供了几个关键能力：

• 可视化编排
  ：通过拖拽组件来创建工作流，就像搭积木一样，把不同功能模块组合起来。

• 多模型支持
  ：可以接入 GPT-4、GLM 等多种大模型，相当于给指挥系统配了多个不同专长的“大脑”，按需调用。

• 知识库集成
  ：能把结构化的金融数据（如盈利预测、研究报告等）封装成知识库。

• API 输出
  ：支持 API 输出，可以把 AI 能力无缝集成到现有产品里。

通过这些技术，很多痛点就迎刃而解了。比如数据提取任务，可以建一个工作流：用户的自然语言查询进去，转化为 SQL 语句，从数据库里把数据捞出来，最后用自然语言返回结果。整个过程不需要人工写代码，效率自然就上来了。

场景：从搜索到报告生成

FastGPT 在我们公司的应用场景比较广，这里举几个典型的例子。

场景一：Go-Goal 金融终端的 AI 搜索

Go-Goal 终端功能太多，用户经常找不到想要的。我们开发了 AI 搜索功能，用户只需输入自然语言，比如“查基金净值应该用哪个功能？”，FastGPT 就能快速定位到相关工具。目前，这个功能已经能满足大约 70% 的客户需求。

场景二：智能金融信息检索

除了找工具，用户还需要找资讯，比如新闻、财报、研究报告。以前只能用类似 Elasticsearch 的方法做文本检索，把可能命中的条目列出来。现在，利用 FastGPT 的向量搜索服务，我们可以基于语义去检索、整合，给出更完整的结果。比如用户问“最近研究员对白酒行业的评论”，系统就能把相关研究报告的片段整合起来。过去财经编辑需要一篇篇读报告、提炼观点，现在大模型可以自动化完成大部分工作。

场景三：AI 辅助报告生成

我们编辑团队利用 FastGPT 做 AI 辅助报告生成。以前，一位编辑一天最多能写 3 到 5 篇财报分析文章。现在，借助 AI 的帮助，他们一天可以写超过 50 篇。这些文章主要呈现数据结果，比如盈利预测与业绩对比，不像新闻稿那样需要复杂的叙述。虽然 AI 在深度上可能还比不上资深编辑，但在数量上，效果非常显著。

效果总结：实实在在的改变

引入 FastGPT 带来的改变是全方位的。它不只是一个产品开发工具，更成了团队日常工作中不可或缺的助手。尤其是它能横向比较众多大模型的能力，这一点让我们的产品经理印象深刻。

平台搭建后，技术和产品团队很快就用起来了。一些嗅觉敏锐的编辑也开始主动探索 AI 的可能性——虽然最开始他们只能用个人 OpenAI 账号小范围尝试。FastGPT 的出现，打通了内部数据调用的瓶颈，让每个团队成员都能方便地利用 AI 提升工作效率。

具体来看，几组数据很说明问题：

• 效率提升
  ：数据提取效率大幅提高，研究人员获取信息的速度明显加快，投资决策的效率和准确性也随之提升。

• 成本降低
  ：编辑团队从 35 人精简到 1 人，人力成本大幅下降。同时在 AI 辅助下，单人日产能从 3-5 篇文章提升到 50 篇以上。

• 用户体验提升
  ：Go-Goal 终端的 AI 搜索，让用户用自然语言就能找到功能，约 70% 的需求可以通过智能检索满足。

• 创新加速
  ：产品经理可以独立用 FastGPT 开发原型验证想法，新产品的开发周期从几个月缩短到几周甚至几天。

另外，FastGPT 在工作流编排上非常灵活，组件丰富，迭代响应快。我们目前正在积极收集客户对“AI 金融工厂”等新产品的反馈，继续优化。