金融分析本质上是一项多步骤的复杂推理过程。从获取原始财务数据，到解读资产负债表与利润表，再到进行估值建模与风险评估，每一步都环环相扣，任何环节的遗漏或误判都可能影响最终结论的可靠性。传统的直接提示方法往往让大语言模型跳过中间推理过程，直接给出答案，这在面对需要严谨逻辑链条的金融场景时容易产生幻觉、遗漏关键因素或混淆计算单位。Chain-of-Thought（CoT）提示技术的引入，正是为了解决这一根本性问题 —— 它引导模型将复杂问题拆解为可追溯的推理步骤，使金融分析从「直接作答」转变为「结构化推演」。
FinRobot 中的 Financial CoT 架构设计
FinRobot 作为面向金融应用的开源 AI Agent 平台，将 Financial Chain-of-Thought prompting 置于其 Financial AI Agents Layer 的核心位置。这一设计选择并非偶然，而是源于金融分析任务的特殊性质：分析师不仅需要最终结论，更需要可审计的推理路径来支撑决策。平台中的 Market Forecasting Agents、Document Analysis Agents 和 Trading Strategies Agents 均采用 Financial CoT 技术来分解金融挑战，将其转化为逻辑化的步骤序列，从而让模型的推理过程与领域专家的分析方法论保持一致。
从系统架构的视角来看，FinRobot 的 CoT 实现遵循三层结构。第一层是 Perception 模块，负责捕获和解释来自市场行情、新闻资讯和经济指标的多模态金融数据，并将其结构化以便后续分析。第二层是 Brain 模块，作为核心处理单元，它接收 Perception 模块的输出，结合大语言模型和 Financial CoT 流程生成结构化的分析指令。第三层是 Action 模块，负责执行 Brain 模块生成的指令，将分析洞察转化为可操作的输出，包括交易执行、组合调整、报告生成或告警发送。这三层架构的协同运作，使得 Financial CoT 能够在实际金融场景中落地，而不仅仅停留在理论层面。
金融 CoT 工作流的八步拆解
在 FinRobot 的财务分析师 Agent 示例中，完整的 Financial CoT 工作流被明确划分为八个步骤。第一步是数据收集，获取目标公司的 10-K 报告、市场数据和财务比率等基础信息。第二步是财务报表分析，对资产负债表、利润表和现金流量表进行深入解读。第三步是公司概览与业绩分析，包括公司描述、业务亮点和分业务板块的表现评估。第四步是风险评估，对投资风险进行全面识别和衡量。第五步是财务表现可视化，绘制市盈率（P/E）和每股收益（EPS）等关键指标的图表。第六步是将发现综合为连贯的分析段落，将前述各步骤的洞察整合为结构化的叙述。第七步是生成 PDF 报告，利用工具自动输出专业的研究报告文档。第八步是质量检查，校验报告的字数是否符合要求等质量标准。
这八个步骤的设计体现了专业金融分析师的思维框架。值得注意的是，FinRobot 在示例中明确要求模型在启动工作前先解释工作计划，并在执行过程中逐一使用工具以保持清晰度 —— 这种「先规划、后执行」的模式本身就是 CoT 思想的体现。通过强制模型显式化其推理过程，FinRobot 确保了分析的可解释性和可追溯性，这对于需要合规审查的金融应用场景尤为重要。
FinCoT 的实证启示与参数调优
FinCoT 研究为 Financial CoT 的工程实践提供了重要的实证依据。该研究系统评估了三种提示风格在金融 NLP 任务上的表现：标准提示（零样本）、非结构化 CoT（自由形式推理）和结构化 CoT（显式结构化推理步骤）。研究结果表明，结构化 CoT 虽然能够提升推理质量，但往往伴随着输出长度的大幅增加，导致推理成本攀升。为解决这一矛盾，FinCoT 提出了嵌入专家财务推理蓝图的结构化提示方法，将金融领域特有的工作流程以 Mermaid 蓝图的形式注入 CoT 模板中。
实证数据显示，FinCoT 将通用模型 Qwen3-8B-Base 在 CFA 风格金融问题上的准确率从 63.2% 提升至 80.5%，同时将输出长度压缩至原来的 8.9 分之一。对于金融专用模型 Fin-R1（7B），准确率从 65.7% 提升至 75.7%，输出长度减少为原来的 1.16 倍。这一发现揭示了一个关键洞见：CoT 提示的效果与模型的金融预训练程度密切相关 —— 对于缺乏金融后续训练的通用模型，结构化 Financial CoT 的收益最为显著；而对于已经经过金融领域优化的专用模型，增益则相对有限。
在推理深度与输出长度的权衡上，研究建议根据任务复杂度动态调整 CoT 的粒度。对于估值建模、多周期财务预测等需要严密逻辑链条的任务，应采用完整的结构化 CoT 模板，确保每一步推理都有明确的中间结论；对于信息检索、基础比率计算等相对简单的任务，则可采用轻量级的 CoT 变体，以降低 token 消耗。实践中，监控每次推理的 token 用时和输出长度，并根据业务反馈持续迭代提示模板，是实现最佳成本效益比的关键。
面向财报分析的可落地提示模板
基于上述架构设计与实证研究，以下提供面向金融报表分析任务的 Financial CoT 提示模板。在实际部署时，应根据具体需求调整步骤顺序或增删特定环节，但核心思想保持不变：强制模型显式化其分析逻辑，而非直接给出结论。
提示模板应遵循「上下文定义 — 步骤分解 — 约束条件」的框架。首先明确业务背景和分析目标，例如「请分析某公司最近财年的财务状况，重点评估其盈利能力、偿债能力和现金流健康度」。随后列出结构化的推理步骤，要求模型按顺序逐一完成，每个步骤都需输出中间结论。最后添加约束条件，如「在评估盈利能力时，需明确说明毛利率、净利率和 ROE 的计算口径及其同比变化趋势」。
对于涉及估值分析的高级任务，提示模板还应嵌入金融领域特有的检查点。例如，要求模型在完成折现现金流计算后，验证折现率的选择是否与公司风险特征匹配；在计算相对估值指标时，核对可比公司的选择标准和估值口径是否一致。这种嵌入式的领域验证机制，正是 Financial CoT 区别于通用 CoT 的核心价值所在 —— 它不仅要求模型「思考」，更要求模型按照「金融专家的方式」思考。
实施注意事项与风险边界
尽管 Financial CoT 能够显著提升金融分析的质量和可解释性，但在工程实践中仍需注意若干边界条件。首先，CoT 提示的 token 消耗显著高于标准提示，在高频交易或实时预警等对延迟敏感的场景中，需要权衡推理深度与响应速度。实践中可采用「分层 CoT」策略：对关键决策节点启用完整 CoT，对信息汇总环节则采用简化变体。其次，Financial CoT 无法完全消除模型的幻觉问题，尤其在面对复杂的会计准则判断或非标准化财务披露时，模型可能生成看似合理但实则错误的推理步骤。因此，建议在关键分析环节引入人工复核机制，或利用金融知识图谱对模型输出进行交叉验证。
此外，Financial CoT 的效果高度依赖于提示模板与实际业务场景的匹配程度。不同类型的金融分析任务 —— 如证券估值、信用风险评估、宏观经济预测 —— 需要差异化的推理步骤和领域知识嵌入。持续收集业务反馈、迭代优化提示模板，是确保 Financial CoT 长期有效性的必要投入。
资料来源
- FinRobot GitHub 仓库：https://github.com/AI4Finance-Foundation/FinRobot
- FinCoT 论文：Grounding Chain-of-Thought in Expert Financial Reasoning（arXiv:2506.16123）