简介：一份专为金融商贸领域投资者与财务分析师设计的AI财报分析提示词文档。文档系统梳理了基于大模型开展上市公司财报解读的完整提示词框架，涵盖资产负债表、利润表、现金流量表三大报表的指标计算与判断方法，并附有整体分析、杜邦分析法等多套可直接套用的提示词模板，帮助使用者快速获得关于企业安全性、管理层营运能力、盈利能力、成长能力及现金流组合类型的结构化结论。资源以单个PDF文件形式提供，文件大小约484KB。已有186人学习下载。内容包括华尔街资深分析师角色设定、分步工作流、关键财务指标计算公式（如速动比率、资产负债率、净资产收益率、毛利率等），以及八种现金流组合的解读逻辑，适合希望借助AI提升财报解读效率、辅助投资决策的入门与进阶用户。
1. 为什么“AI财报分析”到最后都卡在提示词上？
当你把一份财报丢给大模型，最常得到的不是分析，而是复述。营收多少、毛利多少、净利多少，指标都对，却没有一个判断：这份财报到底哪里变了、哪里要担心、下一步查什么。
把“AI财报分析”做成能落地的工作流，真正的分水岭不在模型选哪个，而在提示词怎么写。同样一套模型，用“请分析以下财报”和用一段带角色、带口径、带勾稽要求、带输出格式的提示词，结果质量差得不只一点半点。我拿同一份数据反复对比过，通用问法得到的是教科书式流水账，带结构提示词得到的是可以直接拿去开会讨论的结论。
它适合每天要和财报打交道的人——投研、财务、创业者，也适合想搭“财报解读自动化”的开发者。我会从提示词背后的设计逻辑讲起，给你可以直接复制的模板，再把常见的翻车点一条条拆开。按着做，能省掉不少加班读报表的时间。
2. 财报分析提示词的底层逻辑：模型不变，变的是“读法”
先说结论：大模型的参数和推理能力在今天已经不再是瓶颈，财报分析效果好不好，取决于提示词能不能把“读财报的方法”讲清楚。模型读过大量财报和研报，拿到数字就能把一段通顺的文字补全，但“补全”不等于“诊断”。你让它“分析这份财报”，它默认走的是“行业背景—公司概况—财务指标—风险提示”那条研报模板，这套结构用在招股书摘要里说得过去，但没法告诉你要不要继续跟进、下一季度要盯住哪个科目。
提示词工程在这里真正要解决的是“读法”。同一份三张表，有经验的财务人员会先看收入增速是否匹配成本，再看利润有没有变成现金，最后回到资产负债表上找漏洞。模型不会自己按这条路径走，必须由提示词牵引。下面三节分别回答三个问题：为什么通用提示词在财报场景会失效，一份能落地的提示词包含哪些要素，为什么我不建议一上来就微调或者上 RAG。
2.1 通用提示词为何在财报场景失效
通用提示词的第一个问题是池子太大。你写“请分析以下财务数据，并给出建议”，模型会把“营业收入同比增长 13.85%”复述一遍，再跟一句“建议关注成本控制”。这句话不算错，但没有信息增量。增长率、毛利率这些数字本来就在数据区里，模型的任务不是重复它们，而是解释它们：这个增速在加速还是减速？成本增速比收入快，原因在原材料价格、产能利用率，还是销售折让？
第二个问题是注意力稀释。一份财报通常有几十个科目，模型读的时候会在这些字段上平均分配注意力，导致真正关键的科目反而不突出。我实测过，数据区超过 20 行之后，模型对后半段字段的敏感度会明显下降，经常发生前面算毛利率、后面又引错金额的情况。提示词里如果不做“先看什么、后看什么”的筛选，模型很容易被次要科目带偏。这也是后面模板里都单独设置核心观察字段的原因。
第三个问题是单位与口径。年报里“元、千元、万元、百万元”混着用，模型不会主动换算。你把“百万元”数据丢进去，它当成“元”来叙述绝对值，比率不受影响，但只要它引用绝对数，就一定错。这个坑很难靠模型自我修正，因为它生成数字时认为前提合理。唯一可靠的办法是在提示词一开始就把“单位：百万元”写清楚，并在计算要求里再强调一遍。
通用提示词之所以失效，根子在于任务定义得太开放。模型默认按训练语料里的统计规律生成回答，而不是按你的工作流来分析。只要提示词里没有强制性的分析路径、阈值、输出结构，每次输出都是概率性的泛泛而谈。
2.2 一份能落地的提示词，必须有这五个要素
我把财报分析提示词的结构固定成五层。第一层是角色。角色不只是给模型一个称呼，它决定模型以什么身份、按什么风险偏好回答。买方研究员关注边际变化，审计师关注错报，信贷员关注偿债能力。同一份数据，换一个角色，结论重点会完全不一样。所以在模板最前面把角色写死，不要让它自由发挥。
第二层是数据声明。数据区的格式要严格，单位在前，字段对齐，注明报表类型和时间范围。模型不需要对数据区做任何创意加工，它唯一要做的是以数据区为事实来源。我会在数据区结束之后加一句“未出现在数据区中的科目一律视为不可得”，这句话能显著减少模型发明指标的行为。
第三层是计算规则。计算规则要精确到公式和保留位数，比如“毛利率＝（营业收入－营业成本）/营业收入，保留一位小数”。只要能让模型按步骤算的，就不要让它一步心算。心算次数越多，出错概率越高。计算规则里还要声明异常情况：上期为 0 或为负时，不要给百分比。第四层是分析角度。同样的数据，是看趋势、看结构，还是看风险，必须逐条写。我建议把“先指出变动幅度最大的两个科目”放在分析角度之首，模型会自动锚定异常值，而不是平均用力。分析角度不要超过 5 条，否则模型会把任务变成碎清单。第五层是输出格式。输出格式定义回答的边界。我固定用“一张表、三个结论、一句核心判断”，表格用于指标汇总，结论用于解释，核心判断用于决策参考。
这五层结构在实操中有一个总原则：先算后判、结论必须挂数据。四字总结就是“口径写死、格式锁死”。写一次模板，后面就能套在所有场景上。后期要调整分析重点，只需要替换第四层，其他四层不用动。我一直建议把提示词当配置来维护，而不是每次重新写一遍。
2.3 为什么我不建议一上来就微调或上 RAG
总有人问，既然要做更精准的财报分析，为什么不用微调或 RAG。这两条路在最终效果上确实能做到更深的定制，但构建顺序应该放在提示词后面。提示词是试错成本最低的探索层。你不知道什么样的分析逻辑对你的业务有效，就先写三套提示词去跑真实数据，从输出里找感觉。
微调要求你把分析方法压缩到大量标注样本里，连预期输出样例都还没稳定时，标注自然会产生噪音。RAG 解决的是数据来源和检索，可它之后还是要回到提示词来决定如何使用数据。换个说法，提示词是控制端，RAG 是供给端。控制端没理顺，供给端喂再多数据也不会变成好的分析。
我的实践经验是先写提示词，把逻辑打磨稳定后，再拿这套提示词产生的输出样例去微调一个小模型，作为自动化服务部署。顺序反过来，往往几个月后才发现标注数据里混了完全不同的判断口径，回头纠错的成本非常高。
3. 直接可用的财报分析提示词：三种场景直接抄
下面三套模板对应三个最常见的场景：只看利润表、做流动性审查、三张表连起来查异常。每套都按上面说的五层结构写，但会根据场景调整侧重点，避免提示词过长占用上下文。你只需要把数据区替换成自己表格里的字段。
3.1 利润表分析提示词：从营收到净利率的逐级拆解
第一套模板用于回答“这份利润表表现算好还是算坏，主要变化来自哪里”。它适用于季报、半年报、年报，采用本期对上期的对比结构。
# 角色 你是一名买方分析师，擅长从利润表的结构变化中找出核心矛盾， 你的风格是直接给判断，不做行业前景铺垫。 # 数据（单位：百万元） 本期：营业收入 1280，营业成本 892，销售费用 78，管理费用 61， 研发费用 95，财务费用 12，净利润 148，补贴收入 5 上期：营业收入 1124，营业成本 756，销售费用 72，管理费用 58， 研发费用 84，财务费用 9，净利润 133，补贴收入 8 # 计算要求 1. 计算毛利率、营业利润率、净利率，统一保留一位小数。 2. 计算销售费用率、管理费用率、研发费用率，并对比上期。 3. 如果上期基数小于等于0，不计算百分比，输出“基数异常”。 # 分析要求 1. 列出变动幅度最大的两个科目，并解释是经营性变化还是偶发性变化。 2. 剔除补贴收入后重新计算净利变化，判断利润增长质量。 3. 给出一个最需要追问的科目，并写一个追问方向。 # 输出格式 - 先输出一张对比表，包含本期/上期/变动幅度，表内最多四行 - 再输出三个结论，每行不超过40字 - 最后用一句话回答：这份利润表的核心矛盾是什么？逻辑说明：计算要求第 3 条防止基数异常导致比例失真；分析要求第 2 条迫使模型把非经常性收益从利润质量里剥离；输出格式那句“一句话回答”能让结论直接搬进汇报材料。参数说明：数据区数字可以替换成你自己的 Excel 内容；如果数据里没有补贴收入，把分析要求第 2 条改成“剔除资产处置收益或其他业务收入”。
第一次跑模板时，建议把输出拿回去人工复核一遍，重点看两个地方：模型有没有用“可能、大概”这类模糊词掩盖缺口，有没有把上期和本期搞反。模板本身不能保证纵向对比绝对正确，但好的提示词至少能让错误变得显眼。
3.2 现金流与资产负债分析提示词：把“造血能力”放在第一位
利润表好看，不代表企业真的有钱花。只看利润表去分析一家公司，容易踩到“纸面富贵”的坑。这一套模板用来回答“公司的钱从哪来、花到哪去、还能撑多久”。
# 角色 你是一名信贷分析师，关注偿债能力和现金流持续性， 分析过程要求用数据说话，不展开公司战略话题。 # 数据（单位：百万元） 【现金流量表】 经营活动现金流净额: -38（上期: 42） 投资活动现金流净额: -210（上期: -150） 筹资活动现金流净额: 205（上期: 130） 【资产负债表】 货币资金: 112（上期: 96） 短期借款: 58（上期: 72） 应付账款: 133（上期: 102） 存货: 98（上期: 77） 总资产: 910（上期: 836） 净资产: 420（上期: 402） # 计算要求 1. 计算流动比率、现金流动负债比、经营现金流/净利润比率。 2. 把经营现金流净额与净利润做差，并注明差额方向。 # 分析要求 1. 判断经营现金流转负后，公司用什么渠道补上了资金缺口， 引用筹资活动数据作为佐证。 2. 以最近一个季度的经营现金流净额为基础，做外推试算： 假设未来两个季度仍是这个水平，资金缺口是多少。 试算过程必须在回答中呈现。 3. 指出资产负债表中变动最突兀的一个科目， 并给出验证该科目真实性的步骤。 # 输出格式 - 三个计算结果 - 两段判断：资金缺口、补血渠道 - 一段话“你最担心什么”，按风险程度从高到低排列逻辑说明：分析要求第 2 条实际上是在让模型做粗粒度压力测试。它没有真实预测能力，但明确外推假设后，能让模型展示“如果情况不变会怎样”的推演路径，而不是说一句“需持续关注”就把问题带过。参数说明：外推季度数和差额阈值都可以改，比如把两个季度改成三个，或在计算要求里追加“若经营现金流为负且缺口超过净利润 20%，单独警示”。这一套模板同样适用于客户信用审核，只需把“公司”改成“客户”。
3.3 三表联动综合排查提示词：把勾稽关系做成显式约束
三张表单独看都问题时不大，不等于没有风险。应收增速远高于收入、利润不错但经营现金流为负、存货越堆越高，这些矛盾必须把三张表并在一起看才能发现。综合排查模板就是为此设计的。
# 角色 你是一名财务尽调顾问，同时审阅利润表、资产负债表和现金流量表， 你的任务是发现表与表之间的不一致。 # 数据（单位：百万元） 利润表：营业收入 1280，营业成本 892，净利润 148 资产负债表：应收账款 186（上期142），存货 98（上期77）， 短期借款 58，净资产 420 现金流量表：经营现金流净额 -38，处置资产收入 12 # 勾稽校验（按顺序执行） 1. 对比营业收入增速与应收账款增速。如果应收增速明显高于收入增速， 判定为“收入含水分嫌疑”，并列出支撑数据。 2. 对比净利润与经营现金流净额。如果两者方向相反， 判定为“利润未转化为现金”，并列出可能的未回收项目。 3. 对比存货增速与营业成本增速。如果存货增速更快， 判定为“存货积压风险”，需要复核销售回款情况。 # 输出格式 - 按三条勾稽规则输出：通过/不通过/存疑 - 对每个“存疑”项列出交叉证据：来自哪张表、对应哪个科目、差值是多少 - 最后给一个“下一步核什么”的清单，最多列三项逻辑说明：输出格式里的“通过/不通过/存疑”是一个实用约束，它强迫模型先做判断，而不是用“可能相关”来糊弄。每一条存疑都要求列出证据，等于在提示词层面实现可追溯。参数说明：比较阈值没有写死在模板里，因为要按行业习惯调节。通常我会在模板里补一句“应收增速高于收入增速 5 个百分点算存疑，高于 8 个百分点算不通过”，给模型一条明确分界线，输出稳定性会再上一个台阶。
三表联动模板适合放在最后用。先用前两套单看，再用这套联动查交叉异常，三层下来基本能覆盖财报分析最主要的决策场景。
4. 财报分析提示词避坑：五条高频翻车记录
模板给完了，这部分是更值钱的经验。提示词分析财报翻车，多数时候不是模型不行，而是提示词少了半句话。下面五条是我反复对比之后总结下来的，每条都给你现象、原因和改法。
4.1 现象：模型算同比时出现离奇错误
现象：上期净利润 86，本期净利润 90，模型输出的同比增长率是 20%。人一眼能看出的错误，模型却自信地列在结论里，追问后它改成 4.7%，但你不知道它哪一步又开始错。原因：比例计算是“先抽取数字、再还原公式、再做除法”的多步推理，模型在任意一步发生注意力偏移就会出错，而生成时会补全一个看起来合理的数字。解决：把计算步骤写进提示词，要求“先列减法算式，再做除法，最后统一保留一位小数”。这个改动看着笨拙，却能把准确率从七成提到九成以上。
更稳的做法是再往前一步，把计算直接前置到数据准备阶段。用一段脚本把同比字段算好，模型拿到的表格里已经有变化率，它只需要读，不需要心算。
import pandas as pd # 本期的 Excel 和上期的 Excel，科目名作为行索引 df_now = pd.read_excel("current.xlsx", index_col=0) df_prev = pd.read_excel("prev.xlsx", index_col=0) # 按科目合并，算出差值与变化率 merged = df_now.join(df_prev, lsuffix="_now", rsuffix="_prev", how="inner") merged["diff"] = merged["val_now"] - merged["val_prev"] merged["pct"] = merged["diff"] / merged["val_prev"] # 基数为 0 的科目不计算百分比，避免给模型造成误导 merged.loc[merged["val_prev"] == 0, "pct"] = 0 merged["pct"] = (merged["pct"] * 100).round(1) merged.to_excel("prepared.xlsx")逻辑说明：脚本把计算从前移到数据处理阶段，模型看到的是现成的 diff 和 pct 列，出错概率显著下降。参数说明：如果两份 Excel 的科目名不完全一致，join 会产生空值，建议先核对科目字典；pct 只在基数大于 0 时有解释意义，基数为 0 的行要额外标记为“异常”，不要直接留 0 给模型。
4.2 现象：模型编造数据区里根本不存在的指标
现象：数据区只有营业收入、营业成本、销售费用、管理费用，模型输出里却出现“研发费用率”和研发费用的具体数字，而数据区根本没有研发字段。原因：模型训练语料中研发费用率和利润表高度相关，它自动补全了缺失字段。出现这种情况，说明提示词没禁止模型引用数据区外信息，或者数据区声明不够强硬。解决：在数据区结束处加一句“未在数据区中出现的字段一律视为不可得，输出‘无此数据’，禁止估计或推理”。只写“不要臆测”不够，模型的生成倾向太强，指令得强硬得像是直接给机器下命令。
4.3 现象：同一段输出里，结论和数据分析互相打架
现象：提示词要求列出“利润质量差”的证据，模型前面给了经营现金流为负、应收增速过快等三条证据，结论却写成“公司经营稳健，建议关注”。原因：模型的自回归生成机制决定了它无法整体回看自己已经写出的文字，生成结论时是从当前概率分布里选择，而不是执行一次全局逻辑推理。解决：把输出分阶段，不要在一轮里同时问证据和结论。我在模板里加一句“结论必须引用上一条分析中给出的三个证据，禁止出现新的判断词”。更稳的是拆成两轮：第一轮只要求证据清单，第二轮把证据清单粘贴回去，再请它做判断。两轮之间隔几分钟，第二轮把它当作外部数据来读，长对话产生的记忆污染会小很多。
4.4 现象：数据字段换个顺序，结论就变样
现象：把数据区里“营业收入”和“营业成本”的位置互换，同样的数据、同样的提示词，模型输出从“毛利率大幅下滑”变成“营收增长质量不高”。原因：模型对位置敏感，尤其是纯文本表格里靠前的字段更容易参与后续分析，字段顺序变了，等于输入特征序列变了。解决：固定字段顺序，做横向对比时永远用同一顺序。把高优先级科目放前面，比如“营业收入、营业成本、销售费用、管理费用”固定不变，数据更新时只替换数值。还要在提示词里写“按数据区字段排列顺序复核计算结果，若你发现顺序变化导致结果不同，请提醒我”。这句实测有效，模型会主动帮你发现模板改动。
4.5 现象：多轮对话后模型开始编造更详细的“数据细节”
现象：第一轮模型说“应收账款约 186 百万元”，第二轮继续追问时，模型补充“其中账期超过一年的有 60 万元”，但原始数据里根本没有账期字段。原因：长会话让模型把前文当成资料来源，再结合训练语料的表述风格，生成符合追问预期的补充内容，是典型的幻觉累积。解决：每一轮分析都重新粘贴一次数据区，并在新的一轮开始前明确写“上一轮对话仅用于参考背景，不是事实来源；本轮的数值以刚粘贴的数据区为准”。如果你想把多轮问答串起来，就把上轮结论汇总成摘要放进“背景区”，背景区不参与计算，模型就不会把对话数字扩展成事实。
5. 把提示词升级成多轮工作流：两轮交叉核对与一致性验证
模板在手，问题就从“怎么让 AI 帮我读财报”变成了“怎么确保它读到的是同一个答案”。我最常做的升级，是把前面的提示词套进一个两轮交叉核对的工作流，用来对抗模型最典型的软肋：过于自信地坚持自己的第一个判断。
第一轮用 3.3 的三表联动模板，跑出存疑清单。第二轮把存疑清单单独拿出来，加一段反向验证提示词：
现在请切换为审计师视角，对上一轮分析中每一条“存疑”结论做反向验证。 逐一列出支持该结论的证据，再列出反驳该结论的证据。 如果双方证据都不足，请将结论降级为“待确认”。 输出三列表格：原结论 | 支持证据 | 反对证据 | 终判结论这段提示词逼着模型做自我反驳，原本含糊的存疑项会被迫摊开成支持证据和反对证据两条线。当你同时处理多份财报时，这套双轮流程会让输出稳定性大幅提升；如果连续两次跑出不同终判，那多半不是模型随机，而是模板本身的阈值设定有问题。我的习惯是给模板加一个明确区间，比如“应收账款增速高于收入增速 5 个百分点才算存疑”。阈值没写清楚时，模型今天觉得 4% 可疑，明天觉得 6% 可疑，结果就成了玄学。
另外一个已经养成的习惯是每次调整完提示词，拿一套过去人工复盘过的财报做回归测试，同一份数据跑三遍，看结论一致比例。低于六成就回头去修提示词，而不是怀疑模型。这个方法听着麻烦，实际只需要十分钟，但它能把乱糟糟的提示词实验变成一个可积累的版本库。
AI 财报分析做到最后，拼的不是模型有多前沿，而是你给自己的提示词装了多少约束力。希望这一天跑下来，你手里已经有一套能反复用、少翻车的模板，希望帮到你。
本文还有配套的精品资源，点击获取
