AI赋能固收研究——基于LLM+Wiki和Obsidian的信用研究知识库建设.pptxVIP

1、理论基础与工具选择

信用研究需对多方面情况进行系统性跟踪，研究员每天面临大量、多源、非结构化的信息，并需将分散于不同来源的信息整合为持续判断。研究员的判断依据、分析框架与行业、区域认知等内容往往以相对隐性的经验形式存在，相关内容可能散落于不同位置，不同来源的碎片化信息难以有效关联，信息溯源往往需要耗费较多时间。

针对上述问题，我们认为可以引入Obsidian为载体、WorkBuddy为执行环境的知识积累机制，将研究员“一次性阅读”的信息消费行为，转化为“持续积累并进化的知识资产”。该机制的理论基础，来自于OpenAI联合创始成员AndrejKarpathy提出的LLMWiki模式，即让大语言模型将原始素材预先编译为结构化、可链接的Markdown知识库，使知识在摄取阶段被编译并保持更新，而非在查询阶段被反复推导。

具体操作中，可通过Obsidian与WorkBuddy的组合，让WorkBuddy在文件进入知识库时即完成提炼与结构化，将原始素材编译为Wiki层的结构化笔记。用户使用时，WorkBuddy直接读取已编译好的笔记，实现“先编译、后查询”。

2、信用研究知识库的运行机制

该方案运行机制分为三个层次。1）知识累积：将研究员日常获取的碎片化信息，通过Agent提炼并归档至相应目录，使原本散落于