用 Python+FMP 数据源 构建财报电话会的大模型证据提取管线:以 AVGO 为例

简介: 本文以博通2025财年Q3财报电话会为例,提出结构化提取新流程:先用Python精准划分发言角色、编号证据段落,再让大模型输出带引用的JSON结果,最后程序自动验证每条引文是否真实存在于原文中,避免摘要失真、混淆业绩与指引等问题。(239字)

把一场英文财报电话会直接交给大模型,容易得到一张看似完整、却难以核对的摘要表:分析师提问被写成公司指引,当季业绩和下季度预测混在一起,表里的数字找不到对应原句。解决这些问题,可以先在 Python 层完成角色划分和证据编号,再让模型提取结构化结果,最后检查引用是否真的存在于输入中。

本文以博通 AVGO 的 2025 财年第三季度电话会为固定历史样本,演示“获取原文 → 保留完整发言 → 筛选候选段 → 生成提取任务 → 验证引用”的流程。数据通过 FMP(Financial Modeling Prep)电话会接口读取。样本会议召开于 2025-09-04,以下业务数字均表示当时的披露或预测,不作为当前经营预测。

一、先区分财年、会议日期和数据粒度

这两个接口承担不同任务:

接口 必要参数 用途
/stable/earning-call-transcript-dates symbol 查询可用会议的 fiscalYear、quarter、date
/stable/earning-call-transcript symbol、year、quarter 读取指定财年季度的 content 原文

不要把会议召开日期中的自然年直接当成财年。应先查目录,核对财年与季度,再请求正文;AVGO 本例对应 year=2025, quarter=3。日期目录和正文还应一并落盘,便于数据源更新后回查本次输入。

下面使用 Python 3 标准库读取数据。示例接入地址为 F 站的数据服务地址,可替换为你已有授权的兼容入口;凭据通过环境变量提供,不写进文章或源码。

import json
import os
import urllib.error
import urllib.parse
import urllib.request
from pathlib import Path

BASE = os.environ.get("FMP_BASE_URL", "https://quote-fmp.com/stable").rstrip("/")
KEY = os.environ["FMP_API_KEY"]

def get_rows(endpoint, **params):
    query = urllib.parse.urlencode({
   **params, "apikey": KEY})
    request = urllib.request.Request(
        f"{BASE}/{endpoint}?{query}", headers={
   "User-Agent": "transcript-example/1.0"}
    )
    try:
        with urllib.request.urlopen(request, timeout=30) as response:
            rows = json.load(response)
    except urllib.error.HTTPError as exc:
        raise RuntimeError(f"数据请求失败:HTTP {exc.code},请检查授权和参数") from None
    if not isinstance(rows, list) or not rows:
        raise ValueError("接口未返回非空记录列表,请检查授权、财年和季度")
    return rows

dates = get_rows("earning-call-transcript-dates", symbol="AVGO")
matches = [r for r in dates if int(r["fiscalYear"]) == 2025 and int(r["quarter"]) == 3]
if not matches:
    raise ValueError("日期目录未列出 AVGO 2025 财年 Q3")

records = get_rows("earning-call-transcript", symbol="AVGO", year=2025, quarter=3)
record = next(
    r for r in records
    if r.get("symbol") == "AVGO" and str(r.get("year")) == "2025" and r.get("period") == "Q3"
)
if not isinstance(record.get("content"), str) or not record["content"].strip():
    raise ValueError("电话会正文为空")
Path("avgo_dates.json").write_text(json.dumps(dates, ensure_ascii=False, indent=2), encoding="utf-8")
Path("avgo_transcript.json").write_text(json.dumps([record], ensure_ascii=False, indent=2), encoding="utf-8")
print({
   k: record[k] for k in ("symbol", "year", "period", "date")})

在 PowerShell 中先设置 $env:FMP_API_KEY = "你的已有访问凭据",再执行保存好的脚本。已有同格式 JSON 时,可以直接从下一步开始,不必重复请求。

二、保留完整发言,再筛选管理层候选段

本例原文采用 Speaker Name: Speech 结构,但解析时仍需保留不带发言人前缀的续行,不能把所有含冒号的行都视作新发言。高管白名单只适用于这一场历史会议,换公司或季度时需要重新核对;白名单之外的文本单独留存,不直接断言它们全是分析师提问。

以下代码与后面的校验函数可以保存在同一个文件中。

import json
import re
from pathlib import Path

MANAGEMENT = {
   "Hock Tan", "Kirsten Spears"}
SIGNALS = re.compile(r"\b(guidance|forecast|expect|backlog|orders|ship|shipping)\b", re.I)
SPEAKER = re.compile(r"^([A-Za-z][A-Za-z .\-'’]{0,70}):\s*(.*)$")

def split_turns(content):
    turns = []
    for line in content.splitlines():
        line = line.strip()
        if not line:
            continue
        match = SPEAKER.match(line)
        if match:
            turns.append({
   "paragraph_id": len(turns) + 1,
                          "speaker": match[1].strip(), "text": match[2].strip()})
        elif turns:
            turns[-1]["text"] += "\n" + line
        else:
            turns.append({
   "paragraph_id": 1, "speaker": "UNKNOWN", "text": line})
    return turns

def make_packet(record):
    turns = split_turns(record["content"])
    management = [p for p in turns if p["speaker"] in MANAGEMENT]
    candidates = [p for p in management if SIGNALS.search(p["text"])]
    total_words = len(record["content"].split())
    kept_words = sum(len(p["text"].split()) for p in candidates)
    return {
   
        "source": {
   k: record.get(k) for k in ("symbol", "year", "period", "date")},
        "stats": {
   
            "total_turns": len(turns), "management_turns": len(management),
            "other_turns": len(turns) - len(management), "candidate_turns": len(candidates),
            "total_words": total_words, "candidate_words": kept_words,
            "word_reduction_pct": round(100 * (1 - kept_words / total_words), 1) if total_words else 0,
        },
        "candidates": candidates,
        "remaining_turns": [p for p in turns if p not in candidates],
    }

record = json.loads(Path("avgo_transcript.json").read_text(encoding="utf-8"))[0]
packet = make_packet(record)
Path("avgo_evidence_packet.json").write_text(
    json.dumps(packet, ensure_ascii=False, indent=2), encoding="utf-8"
)
print(json.dumps(packet["stats"], ensure_ascii=False, indent=2))

2026-11-11 对上述固定历史样本重新请求并执行后的输出:

{
   
  "total_turns": 60,
  "management_turns": 19,
  "other_turns": 41,
  "candidate_turns": 8,
  "total_words": 7375,
  "candidate_words": 3480,
  "word_reduction_pct": 52.8
}

这里的 52.8% 是用空白分词统计的候选正文词数减少比例,不是模型 Token 降幅,也不是账单降幅。实际费用还取决于 tokenizer、提示词、输出长度和模型计费方式。

关键词筛选只用于生成第一轮候选输入,不能证明剩余段落没有重要指引。原文与 remaining_turns 已保留;需要检查遗漏时,再做第二轮复核。

三、让模型返回带来源编号的 JSON

提交给模型的是 source 和 candidates,无需把 remaining_turns 再塞回第一轮输入。可以使用下面的任务模板,适用于你已有的大模型交互界面或服务端调用流程:

你负责从财报电话会候选发言中提取信息。输入包含会议背景 source 和候选段 candidates。
候选段只是筛选结果,不代表事实全集。仅根据本轮输入回答。

输出 JSON 数组,每项包含:
paragraph_id、speaker、category、item、period_raw、period_normalized、
amount_raw、evidence_quote、needs_review。

规则:
1. category 只能为 actual(已实现)、guidance(预测指引)、order(订单)、other。
2. 订单不等于已确认收入;指引不等于之后实际实现的业绩。
3. evidence_quote 必须是对应段落内逐字连续存在的原文,不拼接不同句子,不改写数字。
4. 未披露的数量填 null,不补算、不猜测客户身份。
5. period_raw 保留原词;无法确定自然年还是财年时,period_normalized 填 null,
   needs_review 填 true,不强制把 next year 换算成某个财年。
6. 不推导投资建议,也不根据会议之后的信息回写当时指引。

本例适合核查的三类事项如下。下表是对历史样本和公司同期财报发布稿的人工核对示例,不是本轮调用大模型生成的实测输出。

核查事项 应归入的口径 核对时需要保留的区别
Q3 自由现金流约 70 亿美元 actual 电话会为取整表述;同期发布稿为 70.24 亿美元,保留来源精度
Q4 合并营收约 174 亿美元 guidance 是当时的下一季度预测,不能写成已实现收入
Q4 调整后 EBITDA 占预计营收 67% guidance 非 GAAP 指标、比例而非金额,必须保留“调整后”

四、程序先检查引用,再由人核对语义

模型输出能解析成 JSON,不代表内容正确。下面至少检查段落编号、发言人、类别和原文引用。把函数加到上面的预处理脚本中,并将模型返回数组保存为 model_rows.json 后调用。

def validate_evidence(rows, packet):
    originals = {
   p["paragraph_id"]: p for p in packet["candidates"]}
    allowed = {
   "actual", "guidance", "order", "other"}
    for row in rows:
        p = originals.get(row.get("paragraph_id"))
        if p is None:
            raise ValueError("证据段落编号不存在")
        if row.get("speaker") != p["speaker"]:
            raise ValueError("发言人与证据段落不一致")
        quote = row.get("evidence_quote")
        if not isinstance(quote, str) or not quote.strip() or quote not in p["text"]:
            raise ValueError("证据必须是原段落连续子串")
        if row.get("category") not in allowed:
            raise ValueError("类别不在允许范围内")
    return rows

# 完成模型提取后执行;前面的预处理不依赖本文件。
# rows = json.loads(Path("model_rows.json").read_text(encoding="utf-8"))
# checked = validate_evidence(rows, packet)

这层校验能拦下错误编号、张冠李戴和编造引用,不能证明模型对财季、金额单位或事实类别的理解正确。引用通过后,仍需核对 actual 与 guidance 是否分清、订单是否被误写成收入,以及时间表是否在原文允许的确定范围内。

最终保留四份材料即可回查一次提取:会议目录、原始逐字稿、带段落编号的证据包、模型结果。完整原文只需本地存档,文章不必大段转载电话会内容。

参考资料

目录
相关文章
|
2月前
|
机器学习/深度学习 前端开发
发动机故障诊断智能体(三):特征可分性优化与加权对比投影层
在基础时序编码网络完成对正常工况的压缩表征后,尽管模型具备了提取稳态规律的能力,但在面对多种不同类型的微量气路故障时,潜在空间中的特征分布仍可能存在相互交叠的现象。该组件致力于通过引入度量对比学习机制,在特定的低维投影空间内重塑特征拓扑结构,系统性优化不同故障模式之间的几何可分性。
|
9天前
|
人工智能 自然语言处理 芯片
用 Python + 大模型 Agent 自动提取美股财报电话会业绩指引:FMP 数据源拆解博通(AVGO)百亿 AI 芯片订单实战
博通 2025 Q3 电话会全文 4.17 万字符、60 段,41 段是分析师提问。整篇投喂大模型既费 Token,又易把提问当成承诺。改用 FMP 电话会纪要接口拉结构化文本,按「发言人: 正文」锁 CEO/CFO 白名单,筛出 6 段核心语料(2,180 词,省 70.4% 上下文),交 DeepSeek 生成附原句证据的指引表,提取 1,100 亿积压订单等数字。
129 0
|
开发者
2024 乘风者计划全新启航!快来加入吧!
 2021年,阿里云开发者社区焕新升级,重磅推出“乘风者计划”!诚邀四海技术博主入驻社区,泼墨云间,书写天地。入驻社区,即可享丰厚权益! 新的一年,乘风者计划重磅升级!
252745 81
|
6天前
|
Linux Go 开发工具
手机上跑 DeepSeek 智能体:开源安卓客户端 DSH Go 安装与使用指南
DSH Go 是一款开源安卓客户端,将 DeepSeek Harness 智能体引擎装进手机:免 Root、免 Termux,一键安装即用;支持本机运行(内置 Ubuntu+Node.js)或远程接管电脑会话;具备插话打断、过程折叠、屏幕操控、端到端加密分享等特色功能,真正实现智能体“口袋化”。
7656 19
|
6天前
|
弹性计算 人工智能 API
Codex超详细入门指南(下载·安装·登录·上手,全版本覆盖,2026最新版)
建议收藏本教程,2026 全年各版本更新随时回来查阅。如果你在搭建过程中遇到任何问题,欢迎结合 阿里云工单系统 提交技术支持请求,或在 阿里云开发者社区 搜索 Codex 相关话题交流。 祝你编码愉快,效率翻倍!
2492 12
|
1天前
|
人工智能 安全 应用服务中间件
NGINX 爆出两处高危漏洞 可导致未经身份验证的远程代码执行
NGINX曝出两个高危漏洞(CVE-2026-123633和CVE-2026-123007),CVSS 9.2分,均属HTTP/2内存安全缺陷,无需认证即可远程执行代码。影响自2015年起的多个版本,静态站点亦受威胁。修复版本为开源版1.30.7/1.31.9。(239字)
1222 0
NGINX 爆出两处高危漏洞 可导致未经身份验证的远程代码执行
|
4天前
|
传感器 安全 区块链
Windows 电脑运行安卓应用教程:开源工具 ApkStart 双击 APK 即装、独立窗口运行
ApkStart 是一款开源Windows工具,让安卓APP像原生软件一样运行:双击APK即安装、生成真实图标、独立窗口启动、开始菜单可搜索。无需传统模拟器,内置QEMU运行时,支持数据互通、ARM兼容与命令行操作。(239字)
|
9天前
|
人工智能 前端开发 API
阿里云Qwen4-Max 大模型详解:定位、特征、能力、适用场景与相对Qwen3-Max差异解析
2026年11月11日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问AI平台Token Plan并接入千问办公、Qoder等入口。该版本聚焦知识理解、世界感知、编程与Agentic四项升级,主打复杂编程、专业办公、前端设计与专业软件操作等真实任务。预览期为11月11日10:00至11月25日24:00,仅支持Token Plan调用,到期后模型标识下线;限时2折、新用户再享5折,最低1折可体验。
|
9天前
|
JSON 前端开发 API
阿里云最新Qwen4-Max大模型介绍:模型定位、特征、能力、适用场景解析
2026 年 11 月 11 日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问 AI 平台 Token Plan,并同步接入千问办公、Qoder 等入口。该版本聚焦知识理解、世界感知、编程与 Agentic 四项升级,主打复杂编程、专业办公、前端设计与专业软件操作。预览期至 11 月 25 日 24:00,到期后模型标识下线;限时 2 折、新用户再享 5 折,最低 1 折可体验。

热门文章

最新文章