FinSight-AI 是一款面向股票投研场景的开源 AI 平台。与许多仅停留在“文档切分 $rightarrow$ 向量检索 $rightarrow$ LLM 总结”这种轻量级 RAG Demo 的项目不同，FinSight-AI 将重心放在了工业级落地的工程化挑战上。
在真实的金融业务场景中，简单的 RAG 方案很容易在并发冲突、报告溯源失效、数据更新导致缓存污染等问题上“翻车”。FinSight-AI 的核心价值在于它构建了一套包含任务恢复、重复执行控制、版本化缓存、证据追踪及 RAG 评估的完整后端架构，使其成为研究金融级 RAG 系统工程实践的优质参考资料。
工程化视角：AI 投研平台 vs 基础 RAG Demo
大多数 AI 演示项目关注的是 LLM 输出的文字质量，而 FinSight-AI 关注的是 长流程任务的鲁棒性。它试图解决的是：当任务失败时如何续传？如何避免重复请求导致的资源浪费？数据更新后如何确保报告的时效性？
🛠️ FinSight-AI 技术栈清单
- 核心后端： Java 17 + Spring Boot（负责工作流编排）
- AI 侧边车： Python + FastAPI（处理 AI 逻辑）
- 数据检索： PostgreSQL + pgvector（实现混合检索）
- 异步与并发： Redis + RabbitMQ
- 部署运维： Docker Compose + Prometheus 监控
后端架构深度拆解
FinSight-AI 将投研工作流严格划分为五个阶段：数据摄取 $rightarrow$ 指标计算 $rightarrow$ 文档索引 $rightarrow$ 情报构建 $rightarrow$ AI 报告生成。
为了确保在高并发环境下的稳定性，该系统在数据库层引入了 幂等键 ，并结合 Redis 的 Single-flight Lease（单飞锁） 与 Fencing Token 机制。这种设计确保了同一标的的分析任务不会被重复触发，即便在网络抖动导致重试时，也能从失败断点稳妥恢复，避免队列拥堵。
其最具参考价值的另一点是 版本化缓存机制。系统摒弃了简单的 Prompt 字符串缓存，而是采用由 contextHash、dataSnapshotHash 和 reportVersion 组成的复合键。这意味着：
- 精准溯源： 记录生成报告时所依赖的具体数据版本与证据片段。
- 自动失效： 一旦底层数据快照更新，旧报告将不再被复用，有效防止 AI 被过时数据误导。
部署指南与资源需求
由于采用了全栈微服务架构，FinSight-AI 的运行资源需求较高，并非轻量级应用。建议按照以下标准配置环境：
- 内存配置： 基础 Docker 环境建议 8GB 以上可用内存。
- 本地模型增强： 若在 macOS（使用 Docker Desktop/OrbStack/Colima）上同时运行 Ollama 本地模型，建议内存提升至 16GB 或更高。
- 快速验证： 系统内置了 AI sidecar 兜底机制。在未配置外部 LLM API 或本地 Ollama 的情况下，系统会返回确定性的规则分析结果，确保开发者能先跑通整体工作流而不会因接口报错导致白屏。
注意事项
- 项目阶段： 目前处于持续迭代状态，暂无正式 Release 版本，建议将其作为架构学习或二次开发基座，生产环境接入需自行评估稳定性。
- 数据合规： Demo 依赖公开搜索接口同步 A 股数据，商业化应用需自行核实数据源的授权边界与调用稳定性。
- 非投资工具： 本项目旨在展示投研系统架构，AI 生成结论受模型能力与数据质量影响，不可直接作为买卖依据。
总的来说，FinSight-AI 并非为散户寻找交易信号而设计，而是为后端开发者和 AI Agent 团队提供了一套处理 证据溯源、并发控制、任务恢复 等硬核工程问题的解决方案。
