在金融文档问答任务中，模型需要从结构复杂的公司文件中整合表格、文本和脚注等多源异构证据，执行复杂的多步数值推理。传统的检索增强生成方法通常采用单次检索后生成的范式，难以应对金融分析中常见的组合推理链。为突破这一瓶颈，来自研究团队的三位学者提出了FinAgent-RAG——一种专为金融数值推理精度设计的智能检索增强生成框架。
该框架的核心在于迭代检索-推理循环与自验证机制。具体而言，FinAgent-RAG包含三个领域特定的创新组件：首先是对比金融检索器，它通过难负样本挖掘训练，能够区分语义相似但数值上不同的金融段落，从而提升检索的相关性。其次是程序化思维推理模块，该模块生成可执行的Python代码来执行精确算术运算，避免了基于大语言模型的计算错误。最后是自适应策略路由器，它根据问题复杂度动态分配计算资源，在保持精度的同时将API成本降低了41.3%（在FinQA数据集上）。
在三个公开基准数据集（FinQA、ConvFinQA和TAT-QA）上的实验表明，FinAgent-RAG的执行准确率分别达到76.81%、78.46%和74.96%，比最强基线高出5.62至9.32个百分点。此外，消融研究、跨骨干网络评估（涉及四种大语言模型）以及部署成本分析进一步验证了该框架的稳健性和在金融机构中的实际可行性。例如，在跨骨干网络评估中，FinAgent-RAG在使用不同LLM作为基础时均能保持领先性能，显示出良好的泛化能力。部署成本分析还表明，该框架在保持高精度的同时，能够显著降低API调用成本，这对于金融行业的大规模应用至关重要。
FinAgent-RAG的提出为金融文档智能问答案例提供了新的解决方案，其迭代推理和资源自适应分配的设计思路也对其他需要多步推理的领域具有借鉴意义。相关论文已提交至Expert Systems with Applications期刊，代码和数据预计将在后续公开。