如何用GPT-3.5-turbo基于财务数据生成报告？ChatCompletion.create()使用遇阻

1. 适配ChatCompletion的提示词重构 #

• 明确角色定位：在system消息中直接锁定专业身份与输出要求，避免模型偏离定位，例如：

  {"role": "system", "content": "你是拥有10年经验的注册会计师，需基于给定财务数据生成符合上市公司标准的结构化财务分析报告，报告必须包含核心业绩指标解读、同比趋势分析、潜在风险提示三个固定模块，语言严谨无冗余"}
  

• 结构化注入数据：将零散财务数据整理为清晰的列表形式，放在user消息中，减少模型信息提取成本，例如：

  {"role": "user", "content": "基于以下2023年度合并财务数据生成报告：\n- 营业收入：1200万元，同比+15%\n- 归母净利润：180万元，同比+8%\n- 资产负债率：62%，同比+3pct\n- 经营活动现金流净额：-50万元，同比-120万元"}
  

• 强制格式约束：在提示词中明确要求输出格式，比如指定用Markdown一级标题划分模块，避免生成无结构的文本。

2. 整合Pinecone知识库补充上下文 #

如果需要结合历史财务数据或行业基准，需将Pinecone检索到的关联内容融入对话上下文：

1. 通过Pinecone向量检索，获取目标数据对应的行业均值、企业历史同期数据、同赛道竞品指标等补充信息
2. 将检索结果作为附加内容加入user消息，例如：

   {"role": "user", "content": "基于以下2023年度合并财务数据生成报告：\n[核心数据]\n- 营业收入：1200万元，同比+15%\n...\n[补充行业数据]\n- 同行业平均净利润增速：12%\n- 行业平均资产负债率：55%"}
   

3. 调整模型参数优化输出质量 #

• temperature设为0.3-0.5：平衡专业严谨性与内容灵活性，避免生成过于生硬或偏离主题的表述
• max_tokens按需设置：根据报告预期篇幅调整（如1000-2000），确保完整覆盖所有要求模块
• top_p设为0.9：聚焦高概率的专业财务表述，减少无关内容生成

4. 分阶段拆解生成流程 #

针对复杂报告需求，拆分生成步骤以提升内容逻辑性：

1. 第一步：让模型梳理核心指标异动及初步原因
2. 第二步：基于异动分析生成趋势解读与风险提示
3. 第三步：整合内容输出标准化报告
   示例代码片段：

# 第一步：梳理指标异动
step1_msgs = [
    {"role": "system", "content": "你是财务分析师，仅梳理给定财务数据中的核心异动指标及可能原因"},
    {"role": "user", "content": "2023财务数据：营收1200万（+15%），净利润180万（+8%），资产负债率62%（+3%），现金流-50万（-120万）"}
]
step1_res = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=step1_msgs,
    temperature=0.2
)

# 第二步：生成完整报告
step2_msgs = [
    {"role": "system", "content": "基于异动分析结果生成结构化财务报告，包含指标解读、趋势分析、风险提示"},
    {"role": "user", "content": f"异动分析：{step1_res.choices[0].message.content}\n请生成符合要求的财务报告"}
]
final_report = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=step2_msgs,
    temperature=0.3,
    max_tokens=1500
)

内容的提问来源于stack exchange，提问作者BladeMartin