固收量化系列专题报告：债市研究智能体，“Prompt+”与多Agent协同.pdf

固收量化系列专题报告：债市研究智能体，“Prompt+”与多Agent协同。大语言模型（LLM）的出现为二级市场投研工作带来了更大的拓展空间。 但简单的“提问+聊天互动”还远远无法满足复杂的工作需求，如何更好地 使用大模型正在成为更值得研究的问题。优化提示词（Prompt）是引导大 模型生成高质量内容的基础，我们建议使用思维链和完整框架进行强化。 而后，还可以继续对大模型进行三项“升级改造”：1、搭建智能体系统， 使用多个 Agent 协同，分步分环节完成复杂任务，类似 Manus等；2、使 用知识库+RAG，通过结合信息检索与生成模型，提升大语言模型回答的 准确性与可信度；3、使用Socratic-Prompt与Self-Check削弱模型幻觉。

大模型提示词（Prompt）的原理、方法与设计框架

大模型的提示词（Prompt）就是经过人为思考后给出更有“含金量”的上 下文，目的就是引导大模型生成高质量内容，众多研究者将此称为 Prompt Engineering。Prompt 对大语言模型引导的底层机制可以归纳为三个：激 活相关参数、调整概率分布和减少歧义或不可靠输出。由此延伸，一个完 整的 Prompt 一般有四个核心要素：1、指示（Instructions），告诉模型需 要执行的具体操作；2、上下文（Context），譬如相关背景信息，帮助模型 理解任务；3、示例（Examples）； 4、输出（Output），应清晰描述期望大 模型输出的格式。实践中已涌现出许多有效框架，典型如RAPPEL等 。

进阶1.0：搭建多 Agent协同的智能体系统

主观研究作为多环节、多任务且需反复迭代的复杂工程，单 Prompt 通常 难以胜任。实战中需构建多 Agent 协作系统，模拟人类团队的协作模式， 各智能体承担不同角色：Leader 统筹全局，Researcher 负责细分领域研 究，还可设置风格润色、逻辑校验等专项模块。该系统一般需要包含三个 核心模块：1）任务分配机制，通过差异化 Prompt 明确各 Agent 职责； 2）信息共享通道，确保数据与结果的实时交互；3）反馈优化回路，通过 循环迭代持续优化输出质量。这种协作模式既能保持系统弹性，又能实现 研究深度与广度的平衡。各模块配套Prompt可参考我们提供的样例。

进阶2.0：RAG技术与本地知识库

RAG（检索增强生成）通过结合信息检索与生成模型，提升大语言模型回 答的准确性与可信度。使用 RAG 构建本地知识库需四步：1、清洗并分块 领域文档；2、通过 Embedding 模型将文本向量化，存储至向量数据库； 3、根据用户提问检索相似文本块；4、将检索结果与问题合并为增强提 示，驱动LLM生成基于事实的答案。集成多Agent系统时，可设计“检索 Agent”负责与知识库交互，或为每个 Agent 嵌入 RAG，使其在任务中自 动检索权威资料，提升决策可靠性。在实践中，我们优先推荐lightRAG等 轻量化框架作为主要工具，降低部署门槛，有利于实现快速集成。

进阶3.0：使用Socratic-Prompt与 Self-Check削弱模型幻觉

大模型幻觉的根源在于其底层是基于文本模式预测的统计模型，缺乏事实 校验机制。因此当面对知识盲区或未明确约束的推理任务时，大模型会 “填补空白”甚至编造信息，导致输出虚假但看似合理的答案。普通 Prompt 缺乏推理引导和自我检查环节，使模型倾向于跳过逻辑推演，直接 生成表面连贯却错误的回答。有两种方法可以有效缓解大模型的幻觉：1、 苏格拉底提示（Socratic Prompting）。通过提问-回答循环引导模型逐步拆 解问题、反思假设，强化推理深度；2、自我检查（Self-Check）。让模型 在生成初稿后进行二次验证，核对事实矛盾、逻辑漏洞并修正错误。