与通用 AI 助手的区别

把财务问题抛给通用聊天机器人，很多人试过：「XX 公司 2024 年净利润多少？」它会流畅地给出数字，可能还带着头头是道的分析。问题在于：这个数字可能是编的、过时的、口径混乱的——而且你没有办法当场验证。

这不是哪个产品做得不好，而是通用模型的工作方式使然。下面把差别拆开。

差异一：数据从哪来

通用模型的「知识」来自训练语料，有截止日期；语料里混着新闻转述、论坛帖子和几年前的旧数据，它自己分不清哪个是权威原文。

溯言的数字走另一条路：交易所公开披露的财报原文，经清洗和口径对齐后存进数据库，新报告披露后随之更新。AI 作答时现场查库，不靠记忆。

差异二：查不到的时候做什么

通用模型没有「查不到」这个状态——它的目标是把话说圆，凭训练记忆流畅补一个数字，这就是「幻觉」的本质。

溯言在架构上封死了这条路：财务数字必须由数据库查询返回，查询落空就如实说「没查到」，并告诉你可能的原因。规则本身写在设计理念。

差异三：你能不能验证它

通用模型给不出可点开核对的出处；即便附了链接，链接本身也常是编的。

溯言答案里每个关键数字带角标：点开直达来源报告与页码，命中的那一行在财报原件 PDF 上高亮。你不需要信任溯言——你可以随时验证它。

差异四：几百页 PDF 装不下的口径问题

「把年报全文发给通用 AI 不就行了？」两个现实困难：一份年报几百页，关键数字散在主表、附注、分部报表里，现场读很难读全；更麻烦的是口径——同一指标不同公司叫法不同，同一家公司跨年还会因准则调整、追溯重述换名字换口径。这些对齐工作没法在问答现场完成，得在数据加工阶段提前做好。溯言正是这么做的，见数据如何处理。

区别不在模型，在数据和约束

说到底，溯言自己也用大模型。差别在两处：

• 喂给它什么：不是整个互联网的语料，而是清洗对齐后的财报数据库，外加财报原件本身；
• 允许它做什么：数字必须来自数据库查询、查不到必须如实说、不主动荐股不给点位——这些是工程约束，违反即按缺陷处理，不是提示语里的礼貌请求。

什么时候你仍该用通用 AI

诚实地说，很多事通用 AI 做得更好也更快：学一个会计概念、了解一个行业的常识、头脑风暴研究思路。溯言不替代它们。

分工的界线清楚：一旦问题落到「具体公司的具体数字」，切到溯言——从这里开始，一个查不到出处的数字比没有数字更危险。

---

想知道「数字只能来自查询」这类约束在工程上怎么实现，见AI 如何作答。