大模型如何阅读全球ESG报告：RAG、来源引用与数据可信度

从文档结构建立索引

全球 ESG 报告具有不同语言、版式和指标名称。解析时应把段落、表格、脚注与图像分开处理，把企业主键、财年、披露标准和报告版本作为元数据。向量索引擅长找语义相近段落，但具体数值查询还要结合关键词和结构化字段，避免检索到另一家公司的相似表格。

RAG 回答要可核验

系统先检索候选证据，再生成回答；每一个关键数值都应附报告名称、页码和原文链接。引用片段与回答中的数字必须一致，不能只附一条看似相关的来源。跨年比较时，还要核对是否出现重述，以及市场法和位置法是否被混用。没有足够证据时，明确回答“未找到可靠披露”比编出精确数值更有用。

评估要覆盖困难样本

2026 年的 ESG 领域 RAG 研究使用真实报告评估模型，提示我们不宜只用少量演示问题判断系统质量。测试集应包括扫描表格、多语言脚注、同名企业、缺失数据和互相矛盾的版本。分别统计检索召回率、引用准确率、数值误差与拒答正确率，才能看出问题出在解析、检索还是生成。

人机协作是可信度的一部分

对于排名、合规或重大风险结论，可让模型给出候选答案与证据包，审核员确认后再发布。反馈应回流到字段字典与检索规则，而不是直接篡改原文。大模型扩大了阅读规模，可信度仍来自来源追踪、边界判断和持续评估。

研究实践：把方法落实到记录

可为每个问题记录‘正确来源集合’与可接受答案范围。例如问某年排放量，若报告同时给出重述前和重述后数值，测试集要指明使用哪个版本；问不存在的数据，正确答案应是拒答并说明检索范围。这样才能测出模型是否真的理解证据，而不只是拼接看似合理的段落。

进一步观察

研究系统可以把问题分成三类：直接查值、跨年比较和解释原因。直接查值主要检验解析与定位；跨年比较检验单位、边界和版本；解释原因则需要将报告叙述与结构化指标结合。若同一模型在第一类表现好，却在第三类编造因果，产品界面应限制自动结论的范围，而不是用平均准确率掩盖风险。

引用质量需要单独评估。模型给出的文档链接可能正确，但页码对应的是另一项指标；也可能引用旧版报告，数字看似合理。可以要求系统输出“原句或表格单元格—标准化字段—最终回答”的链条。审核员随机抽查链条的每一层，才能知道错误来自 OCR、检索、映射还是语言生成。

实践中的判断边界

产品界面可以设置证据等级：原表格直接支持、由多个片段推导、模型推测，以及未找到。用户问到监管或投资敏感问题时，只允许前两类形成结论，并要求人工复核。系统应允许点击每条证据返回报告原页，这种交互比在答案末尾堆一串笼统链接更有用。

研究建议

在展示层，可以要求每个回答附‘可核验程度’而非模型自信分数。可核验程度来自引用是否直达原页、数值是否通过规则校验、是否经过人工复核。模型给出高概率并不意味着这些证据齐全；两者应严格分开。