Beta獵手系列之七：追上投資熱點(diǎn)-基于LLM的產(chǎn)業(yè)鏈圖譜智能化生成

內(nèi)容目錄一、從大語言模型到智能體” 4如何理解智能體5Agents的運(yùn)行機(jī)制 6二、Agent的應(yīng)用與實(shí)踐 8單一智能體的部署——以為例 8多智能體的交互部署 10人與智能體的交互部署 10三、利用LLM-BasedAgent快速梳理產(chǎn)業(yè)鏈，捕捉投資熱點(diǎn) 10方法介紹 10產(chǎn)業(yè)鏈?zhǔn)崂碇悄荏w的構(gòu)建 12基于新聞數(shù)據(jù)進(jìn)行產(chǎn)業(yè)鏈知識的拓展 14產(chǎn)業(yè)鏈?zhǔn)崂砑?xì)化——相關(guān)投資標(biāo)的推薦 15如何針對投資主題梳理其產(chǎn)業(yè)鏈信息？ 16四、產(chǎn)業(yè)鏈?zhǔn)崂戆咐故尽浴叭A為供應(yīng)鏈”主題為例 17投資主題梳理結(jié)果展示 17投資標(biāo)的梳理結(jié)果展示 20五、總結(jié) 21風(fēng)險(xiǎn)提示 21圖表目錄圖表1：GPT商店界面 5圖表2：自定義GPTs界面 5圖表3：OpenAI提供的DataAnalysis應(yīng)用案例 4圖表4：智能體技術(shù)演變 6圖表5：LLM-BasedAgent運(yùn)行機(jī)制示例 6圖表6：智能體運(yùn)行流程示意圖 7圖表7：LLM-BasedAgent三大應(yīng)用場景 8圖表8：AutoGPT整體邏輯流程與模塊調(diào)用概念圖 8圖表9：AutoGPT生成的模板 9圖表10：多智能體交互模式示例 10圖表11：大語言模型擁有充足的產(chǎn)業(yè)鏈知識 11圖表12：手機(jī)產(chǎn)業(yè)鏈推導(dǎo)示意圖 12圖表13：產(chǎn)業(yè)鏈Agent運(yùn)行流程示意圖 12圖表14：大語言模型產(chǎn)業(yè)鏈?zhǔn)崂斫Y(jié)果展示 13圖表15：Wind智能手機(jī)產(chǎn)業(yè)鏈?zhǔn)崂斫Y(jié)果展示 13圖表16：智能手機(jī)-顯示屏高相關(guān)新聞示例 14圖表17：智能手機(jī)-顯示屏上游（GPT3.5未疊加新聞） 14圖表18：智能手機(jī)-顯示屏上游（GPT3.5+202303-202306新聞） 15圖表19：智能手機(jī)-顯示屏上游（GPT3.5+202303-202310新聞） 15圖表20：智能手機(jī)-顯示屏上游投資標(biāo)的推薦案例 16圖表21：投資主題拆解結(jié)果展示 17圖表22：“華為供應(yīng)鏈”梳理（GPT4） 18圖表23：“華為供應(yīng)鏈”梳理（GPT3.5+新聞） 19圖表24：“華為供應(yīng)鏈”投資標(biāo)的梳理結(jié)果 20的首屆開發(fā)者大會上公布了一系列新成果，但其中給人們帶來最大沖擊的不是全GPT商店。自推出以來，人們一直在尋找方法讓它成為適應(yīng)特定使用目標(biāo)的定制化產(chǎn)品，而正是為此而來。GPT進(jìn)行“角色扮演”。當(dāng)前GPTStore也已正式上線，包含超300萬個(gè)用戶設(shè)計(jì)的GPTs。OpenAIGPTsDataAnalysisGPTs圖表1：OpenAI提供的DataAnalysis應(yīng)用案例來源：OpenAI，GPTsInstructions的具體行動內(nèi)容，還可以KnowledgeCapabilities調(diào)用代碼或其他接口的能力，GPTs并題問，它會自主地調(diào)用編程軟件并求解，直到它認(rèn)為我們給出的問題已得到解答。圖表2：GPT商店界面 圖表3：自定義GPTs界面來源：OpenAI， 來源：OpenAI，實(shí)際上，類似的思路早已有雛形。之前火爆一時(shí)的AutoGPT項(xiàng)目可以實(shí)現(xiàn)用戶提問后大模型自主尋找解決方案，包括由模型規(guī)劃解決問題的步驟、使用哪些工具、以及得到反饋后自動進(jìn)行下一步思考，在這一框架下模型獲得了一定的自主能力，并能夠獨(dú)立實(shí)現(xiàn)智能體get。如何理解智能體（Agent）？人工智能領(lǐng)域的“智能”概念與傳統(tǒng)理解有所不同，它更強(qiáng)調(diào)的是行使意志、做出選擇和采取行動的能力，強(qiáng)調(diào)物體不是單純被動地受外部刺激而做出反應(yīng)。智能體則是泛指滿足上述行動要求的實(shí)體。歷史上的智能體實(shí)踐經(jīng)歷了多輪迭代。最初智能體僅停留在概念的層面，強(qiáng)調(diào)符號邏輯與反應(yīng)速度。伴隨深度強(qiáng)化學(xué)習(xí)的發(fā)展，基于深度學(xué)習(xí)的智能體（RL-BasedAgents）開始發(fā)展，AlphaGo等廣為人知的項(xiàng)目獲得成功標(biāo)志著智能體開始進(jìn)入實(shí)際應(yīng)用環(huán)境。不過，強(qiáng)化學(xué)習(xí)作為核心也帶來訓(xùn)練時(shí)間長、采樣效率低以及穩(wěn)定性問題。大語言模型快速興起為智能體的發(fā)展也帶來了豐富想象，越來越多的人開始嘗試將大語言模型作為內(nèi)核，來構(gòu)建LLM-BasedAgent。大語言模型天生自帶的多模態(tài)感知、推理能力以及強(qiáng)大的泛化能力，為智能體帶來了豐富的應(yīng)用場景。圖表4：智能體技術(shù)演變來源：《TheRiseandPotentialofLargeLanguageModelBasedAgents:ASurvey》，智能體=大語言模型+規(guī)劃+工具+記憶大語言模型作為模型內(nèi)核，為智能體提供理解、推理與生成能力，也是其他所有功能的實(shí)現(xiàn)基礎(chǔ)。規(guī)劃步驟幫助智能體獲得對問題求解步驟進(jìn)行拆分的能力，實(shí)現(xiàn)從“一問一答”向“自主思考”轉(zhuǎn)變，其本質(zhì)上依賴于大語言模型的推理能力。工具賦予智能體與環(huán)境交互的能力，是智能體行動的載體；記憶則記錄智能體每一輪的思考、行動以及獲取的反饋，幫助它在多輪迭代中保持思考的連貫。以下我們對這類基于大語言模型的智能體進(jìn)行更詳細(xì)的介紹。LLM-BasedAgents的運(yùn)行機(jī)制Agents的運(yùn)行機(jī)制。當(dāng)人類詢問“明天這里是否會-sdgnt圖表5：LLM-BasedAgent運(yùn)行機(jī)制示例來源：《TheRiseandPotentialofLargeLanguageModelBasedAgents:ASurvey》，感知模塊將指令轉(zhuǎn)換為大語言模型可以理解的表示形式；然后大腦模塊開始根據(jù)天氣的圖片、地理位置或是其他天氣相關(guān)的數(shù)據(jù)進(jìn)行推理和行動規(guī)劃；最后由行動端做出響應(yīng)并將雨傘遞給人類。以上只是大致的運(yùn)作流程，實(shí)際上該流程內(nèi)部可能存在多輪迭代，譬如：第一輪，智能體識別出需要對下雨的概率進(jìn)行估計(jì)，那么會規(guī)劃對天氣相關(guān)的數(shù)據(jù)進(jìn)行實(shí)時(shí)收集，行為模塊就會執(zhí)行聯(lián)網(wǎng)的查詢或是數(shù)據(jù)庫調(diào)取這類操作；第二輪，模型讀取收集到的數(shù)據(jù)，再決定是基于自有知識或是直接調(diào)用天氣預(yù)測模型，來給出下雨的概率；……最終，智能體在重復(fù)上述過程中不斷與環(huán)境交互并獲得反饋，最后得出結(jié)論?？偨Y(jié)來說，智能體的運(yùn)行流程可以簡化為：感知(Perception)、規(guī)劃(Planning)、行動(Action)。圖表6：智能體運(yùn)行流程示意圖來源：《TheRiseandPotentialofLargeLanguageModelBasedAgents:ASurvey》，感知的核心目的是將數(shù)據(jù)統(tǒng)一化為模型可以操作的向量形式，當(dāng)然在實(shí)踐層面它還負(fù)責(zé)Prompt的編寫等工作。規(guī)劃模塊則負(fù)責(zé)進(jìn)行推理和決策，主要是基于模型自身的參數(shù)來給出回答。在大語言模型的加持下，它能獲得“記憶”能力，結(jié)合自身過去的觀察、思考和行動進(jìn)行規(guī)劃。行動模塊接收規(guī)劃給出的行動安排，并與環(huán)境產(chǎn)生互動，這也是讓智能體擁有自主性的最關(guān)鍵部分。工具一般以API或函數(shù)的形式提供，豐富的工具選擇可以大大拓寬智能體的能力范圍，補(bǔ)足大語言模型不擅長的方面。例如模型并不擅長數(shù)學(xué)運(yùn)算，在需要涉及運(yùn)算時(shí)我們允許模型調(diào)用代碼（Codeinterpreter）進(jìn)行輔助，這樣可以明顯提升模型運(yùn)算的準(zhǔn)確度。大語言模型為智能體帶來如下的具體優(yōu)勢：知模塊也能添加圖像編碼器，在編碼器與大語言模型之間增添中間層的方式將Based的感知域擴(kuò)展到視覺輸入層面；聽覺輸入方面，智能體可以以級聯(lián)方式調(diào)用現(xiàn)有工具集或模型庫來處理音頻信息，將感知空間從純文字領(lǐng)域擴(kuò)展到包括文字、聽覺和視覺模式在內(nèi)的多模態(tài)領(lǐng)域。之外，針對復(fù)雜問題，我們還可以使用思維鏈（CoT）等技術(shù)有效提升智能體的推理能力。zero-shotfew-shot能力，允許我們通過描述工具功能或進(jìn)行少量演示的提示方法來幫助智能體理解工具，這有助于模型進(jìn)行復(fù)雜任務(wù)的拆分規(guī)劃；大語言模型還能夠按照指定的格式進(jìn)行輸出，便于行動模塊準(zhǔn)確讀取規(guī)劃的結(jié)果，這為智能體帶來更靈活且廣泛的工具調(diào)用能力。實(shí)踐中，我們一般要求模JSON格式給出選擇的工具名稱以及參數(shù)信息?！坝洃洝惫δ軒椭悄荏w從反饋中學(xué)習(xí)，與環(huán)境互動的能力幫助其在多輪推理中不斷接近目標(biāo)。反饋包括環(huán)境反饋與人類反饋，智能體會識別自身行為給環(huán)境帶來的所有改變，包括任務(wù)是否完成等；在人類提供反饋時(shí)，智能體也會從人類給出的顯性評價(jià)或隱性行為中讀取反饋信息。類場景；除此之外，大語言模型還可以隨時(shí)補(bǔ)充專業(yè)領(lǐng)域的知識，以在特定任務(wù)上有更的知識庫搭載和微調(diào)FneTunngPrompt層面告訴模型一些專業(yè)知識來提升能力，而后者直接從參數(shù)層面對模型進(jìn)行專業(yè)知識方向的提升。此外，若底層的大語言模型具有足夠的智能，LLM-BasedAgent還能通過生成可執(zhí)行程序或?qū)F(xiàn)有工具進(jìn)行集成來創(chuàng)建工具，甚至在多個(gè)智能體的系統(tǒng)中為其他智能體制作軟件包。推測未來，智能體可能會變得自給自足，在工具方面表現(xiàn)出高度的自主性。LLM-BasedAgent的優(yōu)秀能力已被初步應(yīng)用于各種現(xiàn)實(shí)場景，如軟件開發(fā)和科學(xué)研究等，但距離全方位的推廣還有一定距離。LLM-BasedAgent目前，LLM-BasedAgent應(yīng)用實(shí)例的發(fā)展十分活躍，各類項(xiàng)目層出不窮。它們大致可以分為三種應(yīng)用場景：單一智能體部署、多智能體交互部署和人與智能體交互部署。單個(gè)智能體擁有多種能力，在各種應(yīng)用方向上都能表現(xiàn)出出色的任務(wù)解決能力。當(dāng)多智能體互動時(shí)，它們可以通過合作或?qū)剐曰尤〉眠M(jìn)步。目前單一智能體部署方面已有許多大膽嘗試，例如AutoGPT、Langchain等，此外還包括最近推出的GPTs。多智能體交互部署是未來的重點(diǎn)發(fā)展方向。圖表7：LLM-BasedAgent三大應(yīng)用場景來源：《TheRiseandPotentialofLargeLanguageModelBasedAgents:ASurvey》，單一智能體的部署——以AutoGPT為例AutoGPT是目前非常流行的開源項(xiàng)目之一，旨在實(shí)現(xiàn)完全自主的問題解決系統(tǒng)。除了GPT-4等大型語言模型的基本功能外，AutoGPT框架還集成了各種實(shí)用的外部工具和長短期內(nèi)存管理。理論上，用戶在輸入目標(biāo)后就可以解放雙手，等待AutoGPT自動生成想法并執(zhí)行特定任務(wù)，所有這些都不需要用戶的額外提示。是將用戶的多目標(biāo)復(fù)雜任務(wù)進(jìn)行分步執(zhí)行，每一步使用何種工具以完成何種命令，都是通過調(diào)用大語言模型的返回結(jié)果決定的，從而極大程度上提升決策透明度，實(shí)現(xiàn)自我推理決策。此外，調(diào)用大語言模型時(shí)會將前幾輪推理結(jié)果的歷史信息一同傳給模LLM綜合全局的信息給出下一步要執(zhí)行的命令。其邏輯流程與模塊調(diào)用關(guān)系大致如下：圖表8：AutoGPT整體邏輯流程與模塊調(diào)用概念圖來源：GitHub，AutoGPT，從功能上來看，整個(gè)AutoGPT執(zhí)行可以分為四個(gè)步驟：任務(wù)構(gòu)建、LLM調(diào)用與結(jié)果解析、命令執(zhí)行、緩存處理四個(gè)部分。任務(wù)構(gòu)建是整個(gè)項(xiàng)目的核心所在，包括用戶的輸入以及Prompt生成兩大部分。用戶可以在最初的配置文件中指定任務(wù)目標(biāo)、智能體角色和可使用的工具等。之后AutoGPT會對用戶的輸入進(jìn)行整合與標(biāo)準(zhǔn)化形成Prompt文本，這也是該項(xiàng)目中最具特色的部分。目前階段，大語言模型的回答結(jié)果對Prompt依賴程度依舊較高，很可能使用了某些詞匯或句式可以大幅提升模型表現(xiàn)。因此，智能體的表現(xiàn)好壞與否很大程度上取決于其底層Prompt模板。命令、約束、表現(xiàn)評估和輸出格式的整個(gè)流程是在不斷地推理、行動與反思的循環(huán)中接近最終答案。圖表9：AutoGPT生成Prompt的模板來源：GitHub，AutoGPT，命令ommnds：通俗來說就是允許智能體調(diào)用的工具，包括執(zhí)行代碼、瀏覽網(wǎng)約束onstrants：約束主要給定一些輸入信息上的限制，防止多輪對話后智能體的“記憶”超出大語言模型的輸入上限。通過緩存來處理此前的行動與結(jié)果，為智能體賦予“記憶”的特性，但受限于當(dāng)前大語言模型的輸入文本存在一定上限，智能體必須對記憶進(jìn)行取舍。表現(xiàn)評估Prformncevutons：要求utoPT在每輪回答中對自己給出的回答進(jìn)行反思，持續(xù)判斷思考的方向是否準(zhǔn)確；同時(shí)要求后續(xù)求解步驟要盡可能精簡，以減少資源消耗。輸出格式RsponsectJSON格式輸出內(nèi)容。使用統(tǒng)一化的格式是為了方便后續(xù)調(diào)用命令時(shí)能讀取到具體的參數(shù)傳遞，提升智能體運(yùn)行的穩(wěn)健性。隨后，大腦模塊進(jìn)行新一輪思考并輸出標(biāo)準(zhǔn)化結(jié)果，同時(shí)判斷是否得到最終答案；若未獲得答案，行動模塊將開始解析輸出內(nèi)容并具體執(zhí)行命令；執(zhí)行得到的結(jié)果則進(jìn)入記憶模塊，在下一輪流程開始時(shí)再導(dǎo)入模型。記憶模塊也是項(xiàng)目的一大特點(diǎn)，是由大語言模型向智能體邁進(jìn)中不可或缺的功能。記憶性確保了思考的連續(xù)，可以將歷史信息一起喂給模型，以便得到更優(yōu)、更全局思考的結(jié)果，同時(shí)也可以避免重復(fù)執(zhí)行而浪費(fèi)計(jì)算資源。不過，這些功能能否按預(yù)期實(shí)現(xiàn)都依賴于大語言模型自身的能力是否足夠。AutoGPT在實(shí)際使用中經(jīng)常會陷入對某幾輪思考的循環(huán)中，這實(shí)際上就是受到了大語言模型輸入Token長度的限制導(dǎo)致智能體難以保留長期記憶；另一個(gè)現(xiàn)實(shí)問題就是成本，多輪思考通常會帶來較高的費(fèi)用。不過這些問題在可預(yù)見的未來內(nèi)都將基本獲得解決。多智能體的交互部署Agent已展現(xiàn)出強(qiáng)大能力，且由于模型應(yīng)用場景的固定化導(dǎo)致其實(shí)現(xiàn)多智能體的互動非常方便，例如擅長下圍棋的智能體之間進(jìn)行對弈等。相比之下，LLM之間基于文本進(jìn)行交流則更容易出現(xiàn)信息的丟失，這天生限制了它們從多輪反饋中學(xué)習(xí)以提高性能的潛力。不過伴隨參數(shù)量的上升，大語言模型展現(xiàn)出強(qiáng)大的文本理解和生成能力，從而大大提高了交互效率。這也是當(dāng)前的發(fā)展趨勢之一。如下圖所示，基于大語言模型的多智能體交互模式可以大致分為：取長補(bǔ)短的合作式交互以及互利共贏的對抗式交互。在合作互動中，智能體以無序或有序的方式進(jìn)行協(xié)作，以實(shí)現(xiàn)共同目標(biāo)；在對抗式交互中，智能體以針鋒相對的方式展開競爭，以提高各自的性能。圖表10：多智能體交互模式示例來源：《TheRiseandPotentialofLargeLanguageModelBasedAgents:ASurvey》，具體來說，基于大語言模型的多智能體系統(tǒng)可以提供專業(yè)分工的優(yōu)勢。具備專業(yè)技能和領(lǐng)域知識的單個(gè)智能體可以從事特定的任務(wù)。同時(shí)，將復(fù)雜任務(wù)分解為多個(gè)子任務(wù)，可以省去在不同流程之間切換的時(shí)間。最終，多個(gè)智能體之間的高效分工可以完成比沒有專業(yè)化分工時(shí)大得多的工作量，從而大大提高整個(gè)系統(tǒng)的效率和產(chǎn)出質(zhì)量。人與智能體的交互部署人類能對LLM-BasedAgent進(jìn)行最有效的指導(dǎo)和監(jiān)督，確保它們符合人類的要求和目標(biāo)。人類的參與可以作為彌補(bǔ)數(shù)據(jù)不足的重要手段，從而促進(jìn)更順利、更安全的協(xié)作過程。因此，智能體不應(yīng)該完全依賴于用預(yù)先標(biāo)注的數(shù)據(jù)集訓(xùn)練出來的模型；相反，它們應(yīng)該通過在線互動和參與來發(fā)展。實(shí)際上，目前我們使用ChatGPT等產(chǎn)品都是在進(jìn)行這樣的交互，這也是最自然的交互形式之一。方法介紹當(dāng)前市場熱點(diǎn)輪動速度不斷加快，而主題投資的核心就在于對主題相關(guān)產(chǎn)業(yè)鏈的快速梳理與分析，以及進(jìn)一步對相關(guān)投資標(biāo)的的迅速定位。因此，產(chǎn)業(yè)鏈研究也是當(dāng)前市場上關(guān)注的熱點(diǎn)之一。如何快速了解一個(gè)完全陌生的產(chǎn)業(yè)或是投資熱點(diǎn)，乃至于定位其中的投資標(biāo)的？投資者們迫切需要能實(shí)現(xiàn)以上功能的工具。我們嘗試基于大語言模型來做到這一點(diǎn)。對主動投資者來說，傳統(tǒng)的產(chǎn)業(yè)鏈?zhǔn)崂硎紫刃枰芯繂T對相關(guān)產(chǎn)業(yè)有較深入研究，且為了避免信息滯后需要定期跟蹤與實(shí)地調(diào)研才能掌握最新情況。而使用大語言模型進(jìn)行產(chǎn)業(yè)鏈的梳理可以極大程度縮減反應(yīng)速度，快速給出結(jié)果，盡管梳理結(jié)果的精度方面無法達(dá)到人工的程度，但在模型初步結(jié)果之上再進(jìn)行手動檢查與修正同樣能顯著提升投資的反應(yīng)速度；模型也能基于大數(shù)據(jù)給主觀投資提供增量信息，可能帶來新的投資視角。對量化投資者來說，本身了解新的產(chǎn)業(yè)鏈就存在一定壁壘，也需要大量資料搜集與專業(yè)的溝通之后才能逐步梳理出產(chǎn)業(yè)框架。使用大語言模型來輔助梳理產(chǎn)業(yè)鏈可以簡化工作，減少產(chǎn)業(yè)鏈投資中的各類成本。實(shí)踐結(jié)果顯示，盡管大語言模型具備充分的產(chǎn)業(yè)鏈知識，但無法直接給出完整的產(chǎn)業(yè)鏈結(jié)構(gòu)。梳理產(chǎn)業(yè)鏈?zhǔn)且粋€(gè)相對復(fù)雜的任務(wù)，通常人類專家需要在閱讀大量資料、積累豐富的產(chǎn)業(yè)相關(guān)知識后才能實(shí)現(xiàn)，并且需要對產(chǎn)業(yè)鏈上每個(gè)產(chǎn)品的供需結(jié)構(gòu)有清晰的認(rèn)識。當(dāng)前的大語言模型當(dāng)然也無法直接實(shí)現(xiàn)整個(gè)產(chǎn)業(yè)鏈結(jié)構(gòu)的推導(dǎo)，事實(shí)上，若我們單純詢PT4也可以給出比較完善的回答，但當(dāng)面對較復(fù)雜的產(chǎn)業(yè)或需要給出更多產(chǎn)業(yè)鏈細(xì)節(jié)時(shí)，模型就無法處理了。不過從回答中我們可以看出，大語言模型的訓(xùn)練文本中確實(shí)包含了充分的產(chǎn)業(yè)鏈知識，自身是有能力去回答產(chǎn)業(yè)鏈這種專業(yè)問題的。圖表11：大語言模型擁有充足的產(chǎn)業(yè)鏈知識來源：OpenAI，產(chǎn)業(yè)鏈中每一層級之間通過產(chǎn)品進(jìn)行連接，上下游關(guān)系通過產(chǎn)品的供需關(guān)系得以建立。因此，整條產(chǎn)業(yè)鏈可以拆解到對其中每個(gè)產(chǎn)品的上下游分析中去。我們以智能手機(jī)為例，它的“直接組成產(chǎn)品”包括顯示屏、鋰電池、處理器、存儲等，這些也就是手機(jī)的“上游”產(chǎn)品；對其中顯示屏分析其直接組成產(chǎn)品，可以找出液晶面板、觸控模塊、二極管……末端條件：產(chǎn)品本身為原材料、或從整個(gè)產(chǎn)業(yè)鏈來看沒有繼續(xù)拆分必要的產(chǎn)品。比如對鋰電池我們最終會追溯到鎳、鈷等正極原材料，但對顯示屏來說到液晶材料、玻璃基板等就已經(jīng)足夠詳細(xì)了。以上方法需要我們首先給定一個(gè)核心產(chǎn)品，然后向上游或下游對每個(gè)節(jié)點(diǎn)逐步追索，直到觸及末端，最終給出完整的產(chǎn)業(yè)鏈結(jié)構(gòu)。這正是本次研究的核心框架。圖表12：手機(jī)產(chǎn)業(yè)鏈推導(dǎo)示意圖來源：大語言模型自身具備邏輯推理能力以及一定的產(chǎn)業(yè)鏈知識，非常適合用于處理這類非結(jié)構(gòu)化的信息。同時(shí)，產(chǎn)業(yè)鏈結(jié)構(gòu)相對穩(wěn)定，因此大語言模型用歷史信息也可以梳理出產(chǎn)業(yè)鏈結(jié)構(gòu)。因此，我們希望構(gòu)造一個(gè)以大語言模型為核心的智能體“產(chǎn)業(yè)鏈Agent”來自動化地完成產(chǎn)業(yè)鏈?zhǔn)崂砣蝿?wù)。產(chǎn)業(yè)鏈?zhǔn)崂碇悄荏w的構(gòu)建智能體的交互核心在于行動模塊，我們首先需要明確“產(chǎn)業(yè)鏈Agent”應(yīng)當(dāng)能夠?qū)崿F(xiàn)哪些功能。除了上文提到的直接組成產(chǎn)品分析和是否觸及末端外，一個(gè)完整的產(chǎn)業(yè)鏈分析結(jié)果還需要能體現(xiàn)各個(gè)產(chǎn)品在其中的重要程度，這同樣是一個(gè)較為復(fù)雜的問題。這里我們簡單以成本占比作為排序標(biāo)準(zhǔn)，讓大語言模型根據(jù)其掌握的知識進(jìn)行重要度的判斷。因此我們對框架進(jìn)行細(xì)化，每次向上游分析出原產(chǎn)品的直接組成產(chǎn)品有哪些之后，要進(jìn)一步判斷：1、各組成產(chǎn)品的重要性；2、各組成產(chǎn)品是否為末端產(chǎn)品。類似地，向下游探索時(shí)也需要首先找到對原產(chǎn)品依賴度高的下游產(chǎn)成品或服務(wù)，再判斷各自的重要性以及是否末端。以上兩個(gè)任務(wù)我們同樣基于大語言模型來完成。最后的行動模塊中，我們?yōu)楫a(chǎn)業(yè)鏈Agent增添了數(shù)據(jù)寫入以及新聞檢索的工具。數(shù)據(jù)寫入是最為基本的功能，需要實(shí)時(shí)保存對話記錄以及梳理后的產(chǎn)業(yè)鏈信息；新聞檢索則是對模型專業(yè)知識的巨大拓展，我們留到后文進(jìn)行說明。完整的產(chǎn)業(yè)鏈?zhǔn)崂砜蚣苋缦滤荆簣D表13：產(chǎn)業(yè)鏈Agent運(yùn)行流程示意圖來源：其中，調(diào)用大語言模型的部分依舊需要我們維護(hù)一個(gè)完善的Prompt模板，來獲取上下游產(chǎn)品信息以及對應(yīng)的重要性等。我們調(diào)用GPT4模型來進(jìn)行初步實(shí)驗(yàn)，得到如下回復(fù)：圖表14：大語言模型產(chǎn)業(yè)鏈?zhǔn)崂斫Y(jié)果展示來源：OpenAI，我們可以與上現(xiàn)成的“智能手機(jī)產(chǎn)業(yè)鏈”進(jìn)行對比，發(fā)現(xiàn)產(chǎn)業(yè)鏈Agent梳理出來的產(chǎn)業(yè)鏈結(jié)構(gòu)與結(jié)果基本保持一致；結(jié)果中的PCB等產(chǎn)品位于處理器、內(nèi)存的更上游，也將出現(xiàn)在產(chǎn)業(yè)鏈Agent最終完整的梳理結(jié)果中。我們認(rèn)為產(chǎn)業(yè)鏈Agent具有正確梳理產(chǎn)業(yè)鏈結(jié)果的能力，并能最終導(dǎo)出網(wǎng)狀結(jié)構(gòu)的產(chǎn)業(yè)鏈圖譜。圖表15：智能手機(jī)產(chǎn)業(yè)鏈?zhǔn)崂斫Y(jié)果展示來源：，基于新聞數(shù)據(jù)進(jìn)行產(chǎn)業(yè)鏈知識的拓展針對手機(jī)這樣較為常見的產(chǎn)品，我們在分析產(chǎn)業(yè)時(shí)更想觀察到它在不同時(shí)間節(jié)點(diǎn)上的動態(tài)變化；而對一些相關(guān)信息較少的產(chǎn)品，模型可能掌握的相關(guān)知識較少，無法基于自有知識給出答案。為了解決這些問題，我們給出了基于檢索增強(qiáng)生成（RAG）的解決方案，為產(chǎn)業(yè)鏈Agent配置了新聞檢索的工具就是基于自然語言模型，在外部提供的知識庫或數(shù)據(jù)庫中尋找與所需回答問題相關(guān)性最高的文檔；生成步驟就是將用戶問題與檢索得到的信息結(jié)合后，放入大語言模型生成回復(fù)。Embedding轉(zhuǎn)換成向量格式，以便快速計(jì)算文本相似性，Embedding我們選擇“text2vec-large-chinese”模型。LangchainAgent項(xiàng)目都采用向量數(shù)據(jù)庫來實(shí)現(xiàn)中的檢索步驟，這是一個(gè)高效的相似性搜索和聚類的庫，能夠快速處理大規(guī)模數(shù)據(jù)，并在高維空間中進(jìn)行相似性搜索。相似性搜索會計(jì)算我們以智能手機(jī)的顯示屏為例，新聞時(shí)間區(qū)間為2023年3月至10月，篩選出與該產(chǎn)品相關(guān)性最高的新聞文本。以下新聞數(shù)據(jù)均來源于數(shù)庫。圖表16：智能手機(jī)-顯示屏高相關(guān)新聞示例新聞文本 文本距離液晶顯示屏及模組產(chǎn)品可應(yīng)用于智能家居、可視對講產(chǎn)品，各種需要屏控的家電及電器產(chǎn)品（冰箱、洗衣機(jī)、溫控器、智能機(jī)器人、音響設(shè)備等）以及需要屏幕的車載、工控等領(lǐng)域的相關(guān)產(chǎn)品。發(fā)行人根據(jù)產(chǎn)品功能及應(yīng)用領(lǐng)域不同細(xì)分產(chǎn)品類別，與同行業(yè)公司主要產(chǎn)品劃分基本相同，但是由于各家公司細(xì)分業(yè)務(wù)不同，產(chǎn)品分類略有不同。公司現(xiàn)已擁有豐富的顯示芯片產(chǎn)品系列，主要包括面板顯示驅(qū)動芯片、電源管理芯片、LEDLCD、LED、OLEDLED智能手機(jī)、平板電腦、超大屏電視、頭顯設(shè)備……顯示屏正在集成更多功能，衍生出更多形態(tài)，應(yīng)用到更多場景。在眾多新型顯示技術(shù)中，牢牢占據(jù)主流地位的LCD和穩(wěn)步上升的OLED處不在的未來世界，唯有創(chuàng)新應(yīng)用，才能在激烈的競爭中充分釋放各自的價(jià)值，撬動更大的市場。作為信息交互的第一觸點(diǎn)和重要端口，新型顯示行業(yè)的重要地位不言而喻，而在人工智能、大數(shù)據(jù)、5G等新興科技的加持下，人類AMOLED調(diào)研時(shí)表示，在智能手機(jī)領(lǐng)域，得益于第6代AMOLEDAMOLED來源：數(shù)庫，

350.30084359.53342368.74445371.05957從新聞文本中我們可以看出，液晶顯示屏、顯示芯片、OLED等與顯示屏相關(guān)度較高的新聞都被篩選了出來，其中包含的市場現(xiàn)狀、專業(yè)知識等將為大語言模型的回答帶來增量信息。將篩選之后的新聞放入Prompt中，并告知大語言模型將自有知識與補(bǔ)充新聞進(jìn)行綜合之后給出回答。疊加新聞數(shù)據(jù)后，使用ChatGPT-3.5模型進(jìn)行產(chǎn)業(yè)鏈?zhǔn)崂硗瑯幽塬@得較高質(zhì)量的回答，ChatGPT3.5進(jìn)行掛載新聞的測試，測試的對象為智能手機(jī)的顯示屏。我們對比一下情況：未疊加新聞數(shù)據(jù)、疊加2023年3月到6月新聞、以及疊加2023年3月到10月新聞的回答結(jié)果。圖表17：智能手機(jī)-顯示屏上游（GPT3.5未疊加新聞）序號產(chǎn)品名稱具體作用成本比例是否末端0液晶面板顯示圖像0.4是1OLED面板顯示圖像0.3是2背光模組提供背光0.15否3觸摸屏實(shí)現(xiàn)觸摸功能0.1否4驅(qū)動IC控制顯示屏驅(qū)動0.05否來源：OpenAI，圖表18：智能手機(jī)-顯示屏上游（GPT3.5+202303-202306新聞）序號產(chǎn)品名稱具體作用成本比例是否末端0液晶顯示屏顯示屏幕0.4是1模組產(chǎn)品整合顯示相關(guān)電路0.3是2面板顯示驅(qū)動芯片控制顯示面板0.15否3電源管理芯片管理顯示屏電源0.1否4LED顯示驅(qū)動芯片控制LED顯示0.05否來源：OpenAI，數(shù)庫，圖表19：智能手機(jī)-顯示屏上游（GPT3.5+202303-202310新聞）序號產(chǎn)品名稱具體作用成本比例是否末端0面板顯示驅(qū)動芯片用于控制顯示屏的工作和功能0.15否1LED顯示驅(qū)動芯片用于控制顯示屏的LED背光0.1否2控制芯片用于控制顯示屏的各項(xiàng)功能和接口0.1否3TFT-LCD顯示面板用于實(shí)現(xiàn)圖像的顯示0.25是4AMOLED半導(dǎo)體顯示面板用于實(shí)現(xiàn)圖像的顯示0.1是來源：OpenAI，數(shù)庫，可以看出，疊加新聞后的產(chǎn)業(yè)鏈Agent能給出更加細(xì)致的答案。例如在疊加新聞之前，它只能大致知道圖像顯示分為液晶面板和OLED面板；疊加全時(shí)間段新聞后，產(chǎn)業(yè)鏈Agent可以清楚知道當(dāng)前主流采用的液晶技術(shù)為TFT-LCD，而自發(fā)光顯示方面目前主流采用AMOLED技術(shù)。同樣我們可以看出伴隨新的新聞數(shù)據(jù)加入數(shù)據(jù)庫后，產(chǎn)業(yè)鏈Agent梳理出來的結(jié)構(gòu)也會出現(xiàn)變化，掛載的新聞數(shù)據(jù)范圍更大，產(chǎn)業(yè)鏈Agent得到的產(chǎn)業(yè)鏈結(jié)構(gòu)也更加具體。當(dāng)然，出現(xiàn)這樣明顯變化的原因可能在于我們提供的新聞數(shù)據(jù)范圍依然較短，這導(dǎo)致梳理出來的產(chǎn)業(yè)鏈結(jié)構(gòu)易于改變，但同時(shí)也證明產(chǎn)業(yè)鏈Agent掛載新聞數(shù)據(jù)之后，可以梳理出隨時(shí)間變化的動態(tài)產(chǎn)業(yè)鏈結(jié)構(gòu)。產(chǎn)業(yè)鏈?zhǔn)崂砑?xì)化——相關(guān)投資標(biāo)的推薦在實(shí)際投資中，投資者們梳理產(chǎn)業(yè)鏈的根本目的是獲取相關(guān)的投資標(biāo)的，這也是我們梳理產(chǎn)業(yè)鏈后進(jìn)一步想實(shí)現(xiàn)的功能。而在掛載新聞數(shù)據(jù)后，這一目標(biāo)同樣可以通過新聞檢索與文本識別來實(shí)現(xiàn)。在底層新聞數(shù)據(jù)中，部分文本本身來源于個(gè)股的公告數(shù)據(jù)，或是會在新聞開頭或其他標(biāo)模型尋找出與新聞較為相關(guān)的上市公司信息，在檢索出新聞數(shù)據(jù)的同時(shí)便可查詢到對應(yīng)投資標(biāo)的。我們依舊以“智能手機(jī)-顯示屏”這一產(chǎn)品為例，給出該產(chǎn)品及其完整上游的相關(guān)投資標(biāo)的梳理情況，淡藍(lán)色標(biāo)簽表示產(chǎn)品，深藍(lán)色為投資標(biāo)的及其代碼。需要注意的是，當(dāng)前我們僅使用產(chǎn)業(yè)鏈上的產(chǎn)品信息篩選股票，若需要個(gè)股同時(shí)屬于某產(chǎn)業(yè)概念或有其他篩選條件，則需要在所有新聞文本中重新檢索并提取標(biāo)的信息。圖表20：智能手機(jī)-顯示屏上游投資標(biāo)的推薦案例來源：OpenAI，數(shù)庫，如何針對投資主題梳理其產(chǎn)業(yè)鏈信息？最后，我們在范圍更大的投資主題或投資概念下應(yīng)用產(chǎn)業(yè)鏈?zhǔn)崂矸椒?。多?shù)時(shí)候，投資者更關(guān)注的是整個(gè)投資主題而非其中某個(gè)產(chǎn)品。投資主題形式多樣化，可以是某個(gè)公司、產(chǎn)品、地區(qū)，甚至沒有對應(yīng)的實(shí)體而僅僅是一種技術(shù)或概念，例如華為供應(yīng)鏈、AR/VR、新能源汽車等等。我們利用業(yè)務(wù)的聯(lián)接作為切入，來處理相同主題下的不同產(chǎn)業(yè)鏈。此處，我們梳理的投資主題需要具有特定的業(yè)務(wù)作為核心，因此可能無法應(yīng)用于一些聯(lián)系處于業(yè)務(wù)以外的概念，例如“中特估”等。如何確立主題相關(guān)業(yè)務(wù)同樣是較復(fù)雜，傳統(tǒng)的做法是依賴行業(yè)分析師的經(jīng)驗(yàn)來確定哪些業(yè)務(wù)與該主題相關(guān)，并進(jìn)一步匹配相關(guān)標(biāo)的。這種方法結(jié)果準(zhǔn)確，但需要消耗大量的精力和時(shí)間，不利于在主題行情啟動時(shí)迅速跟進(jìn)。為此，我們在梳理產(chǎn)業(yè)鏈的基礎(chǔ)上為產(chǎn)業(yè)鏈Agent增加了拆解投資主題的功能。以“華為供應(yīng)鏈”為例，我們給出GPT4的回答結(jié)果：圖表21：投資主題拆解結(jié)果展示來源：OpenAI，從回答中可以看出，大語言模型首先將“華為供應(yīng)鏈”投射到業(yè)務(wù)層面上，找出與概念相關(guān)性較高的數(shù)個(gè)業(yè)務(wù)板塊，再由業(yè)務(wù)去尋找相關(guān)度較高的終端產(chǎn)品或服務(wù)。有了具體的產(chǎn)品，我們可以很方便地調(diào)用產(chǎn)業(yè)鏈Agent來進(jìn)行梳理，最終將各個(gè)產(chǎn)品的產(chǎn)業(yè)鏈進(jìn)行匯總，得到“華為供應(yīng)鏈”概念的上下游信息。投資主題梳理結(jié)果展示我們以“華為供應(yīng)鏈”為例，梳理這一投資主題的上下游結(jié)構(gòu)。前文產(chǎn)業(yè)鏈Agent已總結(jié)出與該投資主題關(guān)聯(lián)最強(qiáng)的三個(gè)產(chǎn)品為：智能手機(jī)、5G基站設(shè)備、云服務(wù)。在此基礎(chǔ)上我們分別梳理各自的產(chǎn)業(yè)鏈信息，并進(jìn)行匯總。我們首先使用GPT4為內(nèi)核的產(chǎn)業(yè)鏈Agent對“華為供應(yīng)鏈”投資主題進(jìn)行梳理。結(jié)果如下：圖表22：“華為供應(yīng)鏈”梳理（GPT4）來源：OpenAI，

5G基站設(shè)備的梳理結(jié)果GPT4的訓(xùn)練5G基站設(shè)備本身專業(yè)程度更高，網(wǎng)絡(luò)相關(guān)討GPT4對這部分的掌握較少。隨后，我們使用GPT3.5作為內(nèi)核，同時(shí)給Agent提供新聞檢索的能力來增強(qiáng)生成結(jié)果。圖表23：“華為供應(yīng)鏈”梳理（GPT3.5+新聞）來源：OpenAI，數(shù)庫，

可以看出，5GGPT4的智能體先將云服務(wù)拆解成硬件、軟件等大類，再做上游劃分，GPT3.5模型在劃分上游時(shí)，其分類依據(jù)更加貼近于業(yè)務(wù)或功能，同時(shí)也能給出的節(jié)點(diǎn)產(chǎn)品更加細(xì)節(jié)化。整體來看，疊加新聞數(shù)據(jù)能對智能體的回答效果帶來明顯增益。GPT3.5GPT3.5模型給出節(jié)點(diǎn)信息后，再GPT4投資標(biāo)的梳理結(jié)果展示最后，我們給出產(chǎn)業(yè)鏈Agent檢索得到的個(gè)股推薦結(jié)果。在篩選過程中，我們僅保留每只個(gè)股及其同時(shí)出現(xiàn)次數(shù)最多的產(chǎn)品節(jié)點(diǎn)，同時(shí)剔除掉了部分末端節(jié)點(diǎn)對應(yīng)的個(gè)股。最終保留板塊股數(shù)量在72只。圖表24：“華為供應(yīng)鏈”投資標(biāo)的梳理結(jié)果個(gè)股代碼股票簡稱相關(guān)產(chǎn)品節(jié)點(diǎn)產(chǎn)業(yè)鏈個(gè)股代碼股票簡稱相關(guān)產(chǎn)品節(jié)點(diǎn)產(chǎn)業(yè)鏈300603.SZ002179.SZ003021.SZ002184.SZ002194.SZ立昂技術(shù)電源管理功率放大器內(nèi)存射頻濾波器5G5G5G5G5G002384.SZ002463.SZ002916.SZ002938.SZ300456.SZ東山精密PCBPCBPCBPCB半導(dǎo)體硅片智能手機(jī)002138.SZ300134.SZ001255.SZ600760.SH002975.SZ300322.SZ000063.SZ002635.SZ碩貝德射頻天線射頻天線5G5G5G5G5G5G5G5G300691.SZ603773.SH300598.SZ300496.SZ002241.SZ603160.SH688110.SH300183.SZ聯(lián)合光電沃格光電誠邁科技中科創(chuàng)達(dá)歌爾股份匯頂科技東芯股份東軟載波處理器電解液智能手機(jī)智能手機(jī)智能手機(jī)智能手機(jī)智能手機(jī)智能手機(jī)智能手機(jī)智能手機(jī)002792.SZ002881.SZ002229.SZ002261.SZ300379.SZ688171.SH300302.SZ東方通安全防護(hù)安全防護(hù)安全防護(hù)安全防護(hù)儲存設(shè)備5G基站設(shè)備5G基站設(shè)備云服務(wù)云服務(wù)云服務(wù)云服務(wù)云服務(wù)300543.SZ002185.SZ603005.SH300397.SZ688020.SH002158.SZ002456.SZ朗科智能華天科技晶方科技天和防務(wù)方邦股份漢鐘精機(jī)歐菲光電解液隔膜智能手機(jī)智能手機(jī)智能手機(jī)智能手機(jī)智能手機(jī)智能手機(jī)智能手機(jī)000034.SZ301128.SZ600498.SH603912.SH002123.SZ002334.SZ000977.SZ601138.SH佳力圖英威騰冷卻設(shè)備冷卻設(shè)備冷卻設(shè)備冷卻設(shè)備軟件開發(fā)數(shù)據(jù)中心硬件設(shè)備硬件設(shè)備云服務(wù)云服務(wù)云服務(wù)云服務(wù)云服務(wù)云服務(wù)云服務(wù)云服務(wù)000049.SZ300340.SZ300400.SZ688123.S