[探索SEC文件数据：使用Kay.ai和LangChain实现智能问答]-CSDN博客

本文链接：https://blog.csdn.net/dsndnwfk/article/details/143870937

# 探索SEC文件数据：使用Kay.ai和LangChain实现智能问答

## 引言

在金融领域，SEC（美国证券交易委员会）文件是投资者和金融专业人士获取公司财务信息的重要来源。通过这些文件，我们可以深入了解公司经营状况、财务表现以及面临的潜在挑战。本文将介绍如何使用Kay.ai和LangChain工具，结合OpenAI的强大模型，构建一个智能问答系统，以探索和分析SEC文件数据。

## 主要内容

### 安装和设置

首先，我们需要安装`kay`包，并获取API密钥。您可以在 [kay.ai](https://kay.ai) 免费获取API密钥。然后，将其设置为环境变量`KAY_API_KEY`。

```python
# 设置Kay和OpenAI的API密钥
from getpass import getpass

KAY_API_KEY = getpass()
OPENAI_API_KEY = getpass()

import os

os.environ["KAY_API_KEY"] = KAY_API_KEY
os.environ["OPENAI_API_KEY"] = OPENAI_API_KEY

构建智能问答系统

在本例中，我们将使用KayAiRetriever来从指定的SEC文件中检索数据，并结合OpenAI的模型来回答问题。

from langchain.chains import ConversationalRetrievalChain
from langchain_community.retrievers import KayAiRetriever
from langchain_openai import ChatOpenAI

# 初始化模型和检索器
model = ChatOpenAI(model="gpt-3.5-turbo")
retriever = KayAiRetriever.create(
    dataset_id="company", data_types=["10-K", "10-Q"], num_contexts=6
)
qa = ConversationalRetrievalChain.from_llm(model, retriever=retriever)

示例问题和回答

下面是一个关于NVIDIA公司支出模式的示例问题：

questions = [
    "What are patterns in Nvidia's spend over the past three quarters?",
]
chat_history = []

for question in questions:
    result = qa({"question": question, "chat_history": chat_history})
    chat_history.append((question, result["answer"]))
    print(f"-> **Question**: {question} \n")
    print(f"**Answer**: {result['answer']} \n")