1. 项目背景与核心价值
这个项目本质上是在做一件极具创新性的事情——把巴菲特48封股东信中的投资智慧结构化、可视化。传统上，这些信件都是PDF或文本形式存在，读者需要逐篇阅读并自行建立关联。而通过知识图谱技术，我们能让这些分散的智慧结晶形成有机网络。
我在金融科技领域深耕多年，发现一个痛点：很多投资者知道该读巴菲特，但读完后依然无法系统掌握其投资哲学。问题出在两点：一是信息碎片化，二是缺乏关联分析。这正是知识图谱能解决的——把"价值投资"、"护城河理论"、"安全边际"等概念变成可追溯、可验证的节点网络。
2. 技术架构解析
2.1 数据采集与清洗
首先需要获取48封股东信的原始文本。这里有个细节：1965-1976年的信件是扫描版PDF，需要用OCR+人工校验；1977年后的可直接提取文本。我建议使用Python的pdfplumber库处理扫描件，配合Tesseract OCR，准确率能达到95%以上。
文本清洗时要特别注意：
- 表格数据的特殊处理（如伯克希尔历年业绩数据）
- 专有名词统一（比如"See's Candies"在信中可能有三种写法）
- 时间标准化（信中提到的"去年"需要转化为具体年份）
2.2 实体识别与关系抽取
这是最核心的环节。我们需要识别出：
- 公司实体（如可口可乐、GEICO）
- 投资概念（如经济护城河、市场先生）
- 人物（芒格、格雷厄姆）
- 时间节点（如1973年熊市）
我测试过三种方案：
- 纯规则方法（正则+词典）：准确率高但召回率低
- 传统NLP模型（Spacy）：效果一般
- LLM+微调（GPT-4+LoRA）：F1值能达到0.89
最终采用混合方案：先用GPT-4做初标，再用定制化的BERT模型做精标。关键是要构建高质量的标注数据集，我们找了5位CFA持证人做了三轮交叉校验。
2.3 知识图谱构建
选用Neo4j作为图数据库，其Cypher查询语言特别适合做投资逻辑的路径发现。图谱schema设计有讲究：
(概念)-[:应用案例]->(公司) (公司)-[:所属行业]->(行业) (投资原则)-[:出自年份]->(年度信件)一个实用技巧：给节点添加"置信度"属性，标注该结论是巴菲特明确陈述还是我们的推理。这对后续的可解释性很重要。
3. 交互功能实现
3.1 智能问答系统
基于LLM的问答不是简单调用API，我们设计了双层架构：
- 先通过图谱查询找到相关实体和路径
- 再用GPT-4生成自然语言回答
这样既保证准确性，又提升可读性。比如问"巴菲特如何看待航空业"，系统会：
- 从图谱提取1989-2020年间所有涉及航空业的信件内容
- 标记出态度转变的关键节点（如2017年清仓航空股）
- 生成带有引证的回答
3.2 投资决策模拟器
这是个杀手级功能：用户可以输入当前市场条件（如PE比率、利率水平），系统会从图谱中提取历史上相似时期的巴菲特策略。关键技术点：
- 构建市场环境特征向量（10个维度）
- 使用图嵌入算法计算相似度
- 加入时间衰减因子（近期的决策权重更高）
4. 踩坑实录
时间上下文丢失：早期版本没处理好"今年/去年"这类相对时间词，导致1980年信中的"去年业绩"被错误关联到1979年。解决方案是构建完整的时间锚点表。
概念漂移问题："安全边际"在早期信件指价格折扣，后期演变为质量考量。我们最终为这类概念添加了"时间版本"属性。
LLM幻觉干扰：GPT-4有时会虚构不存在的信件内容。现在的解决方案是强制所有生成内容必须关联到图谱中的具体节点。
5. 应用场景拓展
这个架构可以复用到：
- 上市公司财报分析（自动构建产业链关系图）
- 宏观经济政策研究（连接政策文本与实际影响）
- 投资组合健康度检查（关联持仓与大师原则）
最近我们尝试加入音频处理，把巴菲特历年访谈也纳入图谱，发现一个有趣现象：他在信件中更谨慎，在访谈里会透露更多真实想法。这种多模态对比本身就是珍贵的研究素材。
关键提示：构建过程中要特别注意版权边界。股东信内容虽公开，但大规模商用仍需法律评估。我们采取的策略是只存储分析结果，不直接提供原文。
