热点新闻
2025年12月，中国人民大学高瓴人工智能学院研发的多模态研报生成系统“玉兰·融观”（Yulan-FinSight）在AFAC 2025金融智能创新大赛中从1289支队伍中脱颖而出夺冠。该系统能够自动拆解用户研究需求，从互联网和金融数据库搜集股价、财报、新闻等多源异构数据，生成包含“发展历程”、“核心业务架构”、“竞争格局”等章节的万字图文报告，在事实准确性、分析深度与呈现质量三项核心指标上均显著优于GPT-5 w/Search、OpenAI Deep Research与Gemini-2.5-Pro Deep Research，展现出接近人类专家的金融分析与写作能力。
核心突破体现在三方面：一是采用代码驱动的可变内存智能体架构（CAVM），将数据、工具与智能体统一抽象为可编程变量空间；二是创新迭代式视觉增强机制，通过Actor–Critic协作范式生成专业级金融图表；三是采用“分析—整合”两阶段写作框架，首先生成分析链（Chain-of-Analysis）提炼局部结论，再整合为逻辑自洽的长篇报告。该系统在可视化维度获得9.00评分，生成的研报平均长度超过20000字，包含50余张图表与结构化数据引用，且随着篇幅增长未出现质量退化。
参考链接：https://36kr.com/p/3612257529218308
焦点分析
玉兰·融观系统的成功实践，生动体现了焦点解决短期治疗（SFBT）中“目标导向”技术的核心精髓。SFBT强调不以问题分析为中心，而是聚焦解决方案的构建与未来可能性的探索。该系统在设计之初就明确了“替代人类金融分析师工作”的核心目标，而非纠结于通用AI在金融领域的局限性，这正是SFBT“以终为始”思维的典型应用。
技术团队采用的目标导向策略包含三个层次：首先定义“优秀金融研报”的标准——高度结构化、强逻辑性、强可视化；其次构建实现路径，通过多智能体协作模拟人类分析师工作流程；最后通过动态评估机制持续优化，例如可视化模块采用“生成-评估-修正”闭环，完美契合SFBT“小步快跑”的迭代原则。这种设计思路使系统在面临数据割裂、专业可视化缺失、缺乏迭代研究能力等传统难题时，能够快速绕过问题障碍，直指“如何实现专家级输出”的核心目标。
该目标导向技术可广泛应用于五类类似场景：一是医疗诊断报告生成系统，通过定义临床决策支持目标整合多模态医疗数据；二是法律文书智能起草平台，以判决预测准确性为目标构建法律推理链条；三是科研论文辅助写作工具，以学术价值最大化为目标整合实验数据与文献分析；四是商业策略生成系统，以市场可行性为目标融合宏观经济与行业数据；五是教育个性化方案生成，以学习效果最优化为目标适配多元教学资源。
玉兰·融观的实践表明，在复杂专业领域的人工智能应用开发中，采用SFBT目标导向技术能够有效避免陷入技术细节的泥潭，通过持续聚焦终极目标的价值实现，更快速地突破系统瓶颈。这种思维模式不仅适用于AI系统开发，对传统行业的数字化转型、个人职业发展的规划实践同样具有重要参考价值——当我们清晰定义“想要什么”而非纠结“有什么问题”，往往能发现更多突破性的解决方案。