推广 热搜： 采购方式滤芯带式称重给煤机甲带气动隔膜泵减速机型号无级变速机链式给煤机履带减速机

用 AI 做了一个产业研究系统:上传资料,自动生成万字深度报告

日期：2026-08-22 00:17:49 来源：网络整理作者：本站编辑评论：0

我用 AI 做了一个产业研究系统：上传研报，自动生成万字深度报告

从零到上线，一个下午，全程免费，部署到公网。这篇文章记录完整过程。

起因

作为一个经常需要阅读产业研究报告的人，我有一个痛点：

手上攒了一堆行业研报、白皮书、咨询报告，每份都几十页。每次要做某个产业的深度研究，就得翻好几份资料，手动交叉对比数据，提炼结论，最后再整理成一份自己的报告。

这个过程太重复了。

于是我想：能不能做一个系统，上传几份资料，AI 自动分析，直接生成一份高质量的产业研究报告？

不是那种一眼 AI 味的拼凑文章，而是真正有分析框架、有数据交叉验证、有独立判断的深度报告。

说干就干。

最终效果

先放结果。

最终做出来的系统长这样：

使用流程很简单：

第一步：上传资料

支持 PDF、DOCX、TXT 格式，可以一次上传多个文件。拖拽上传，体验丝滑。

第二步：配置参数

这里可以配置的内容很多：

AI 模型：支持 OpenAI、DeepSeek、或者任何兼容 OpenAI 接口的自定义服务
资料来源：两个选项——「严格基于上传资料」或「联网搜索增强」
研究主题：填写你要研究的产业方向
报告深度：深度版（15000字+）、标准版、精简版
自定义要求：可以选预设模板（券商研报风格、咨询公司风格、学术论文风格等），也可以自由填写

第三步：等待生成

系统会自动完成以下工作：

解析上传的文档，提取文本
（如果开启联网搜索）自动搜索网络上的行业报告和数据
逐文档提取核心发现、关键数据、竞争格局
多文档交叉验证，识别一致性和矛盾点
根据资料内容动态生成报告大纲
逐章节撰写，每章有独立的写作策略
撰写执行摘要和战略建议
逐章节润色，去除 AI 痕迹

第四步：下载报告

生成完成后，直接下载 .docx 格式的 Word 文档，包含封面、目录、页眉页脚、表格、附录。

架构选择：从服务端到纯客户端

这里有一个关键的架构决策，值得展开讲讲。

第一版：服务端架构

最初的设计是经典的客户端-服务端架构：

用户上传 → Express 服务端接收 → 服务端解析文档 → 服务端调用 AI → 服务端生成 .docx → 用户下载

这个方案的问题在于：需要一台持续运行的服务器。

我最初想部署到 Mule Pages（一个静态/动态页面托管平台），但它的动态运行时是无状态的——实例按需创建和销毁，不保留内存状态和文件。

这意味着：用户上传文件后，处理请求可能落在另一个实例上，状态全丢了。轮询进度、下载文件都不可行。

第二版：纯客户端架构

想清楚之后，我做了第二个关键决策：把所有处理搬到浏览器端。

用户在浏览器上传 → 浏览器解析文档 → 浏览器直接调用 LLM API → 浏览器生成 .docx → 浏览器下载

好处显而易见：

零服务器成本：纯静态页面，随便部署
隐私安全：文件不经过任何服务器，API Key 也只在浏览器本地使用
无状态限制：不受无状态运行时的约束

代价是：需要在浏览器里跑 PDF 解析（pdf.js）、DOCX 解析（mammoth）、文档生成（docx），以及直接调用 LLM API。这些库都有浏览器版本，技术上可行。

AI 分析引擎：不是一句话 Prompt 搞定

这是整个系统最核心的部分。

很多人做 AI 写作工具，就是一个 Prompt 扔给 GPT，等输出。这样出来的东西，一眼 AI 味，空洞无物。

我的方案是多步 Pipeline，把"写一份产业研究报告"这个复杂任务拆解成多个阶段，每个阶段有独立的 Prompt 策略。

6 步分析流程

Step 1：逐文档摘要提取

对每份上传的资料，提取结构化信息：

核心发现（要有明确判断，不是描述性陈述）
关键数据（指标、数值、年份、来源机构）
产业链结构（上中下游）
竞争对手（公司名、份额、优势、梯队）
技术路线（名称、TRL 等级、发展趋势）
风险因素（风险、概率、影响程度）

这一步的关键是：只提取文档中明确提到的信息，不要推测。数据必须附带来源。

Step 2：交叉验证

把多份文档的摘要放在一起，进行交叉验证：

多份资料一致认同的结论
矛盾点及判断
缺少数据支撑的领域
经过验证的高可信数据
存疑的数据及原因

这一步解决了"单一资料可能有偏"的问题。

Step 3：大纲生成

根据分析结果，动态生成报告大纲。不是固定模板，而是根据资料内容灵活调整。

大纲会标注每章建议使用的分析框架（如产业生命周期判断、三情景预测、六维竞争力分析等）。

Step 4：逐章节撰写

每个章节独立生成，有独立的 Prompt。这一步的关键设计：

传入该章节需要的参考资料摘要（不是全文，避免 token 超限）
传入交叉验证后的高可信数据
传入网络搜索的补充信息（如果开启）
传入用户的自定义要求

Step 5：执行摘要 + 战略建议

执行摘要采用"关于XXX："的标签格式，每个核心发现有数据支撑。

战略建议分四类主体：政府、国企、企业、投资机构，每类有具体的建议。

Step 6：逐章节润色

最后一步，逐章节润色：

统一术语
检查数据一致性
去除 AI 写作痕迹（关于这点，本人还专门写了一个 skill，可迁移复用）

确保每章以"战略启示"结尾

质量标准

我从一份高质量的人形机器人产业研究报告中提炼了一套质量标准，注入到每个阶段的 Prompt 中：

每章遵循"现状→关键问题→趋势判断→战略启示"的分析逻辑
每个分析维度后要有明确判断，不模棱两可
禁止使用"值得注意的是"、"综上所述"等 AI 套话
数据和观点自然穿插，不机械罗列
适当使用表格呈现对比数据

联网搜索：三个可选引擎

如果开启"联网搜索增强"，系统会自动根据研究主题生成搜索关键词，搜索网络上的行业报告和数据，与上传资料交叉验证。

支持三个搜索服务商：

服务商	免费额度	特点
Tavily（推荐）	每月 1000 次	专为 AI 搜索优化，返回结构化摘要
Brave Search	每月 2000 次	独立搜索引擎，隐私友好
Serper	2500 次（一次性）	Google 搜索结果

踩坑记录

开发过程不是一帆风顺的，记录几个典型的坑，都是技术性的，通过与 AI 反复沟通反馈，很快就修正好了。在此不再赘述。

成本

这个系统的运行成本几乎为零：

页面托管：Mule Pages 免费
AI 模型：用户自带 API Key（DeepSeek 生成一份 15000 字报告约 ¥0.5-1 元）
网络搜索：Tavily 每月 1000 次免费
开发成本：一个下午收盘后 2-3 个小时，AI 辅助编程

一些思考

关于"AI 味"

很多人觉得 AI 写的东西一眼就能看出来。其实问题不在于 AI，而在于你怎么用 AI。

一句话 Prompt 出来的东西，当然一眼 AI。但如果你把任务拆解成多个步骤，每一步都有明确的约束和质量标准，最终输出的质量会好很多。

关键原则：

不要让 AI 一次写完：分步骤、分章节，每步有明确的输入和输出（这一点从 ChatGPT对话学习如何构建产业研究知识库的时候获益良多）

要有交叉验证：多份资料对比，识别一致性和矛盾
要有质量标准：明确告诉 AI 什么能写、什么不能写、什么格式
要有润色环节：最后一步专门去除 AI 痕迹

关于纯客户端架构

把 AI 处理放到浏览器端，是一个反直觉但很实用的选择。

好处是：零服务器成本、隐私安全、无状态限制。

局限是：受限于浏览器的计算能力和内存，处理超大文件可能会慢。但对于产业研究报告这个场景，完全够用。

关于 Prompt 工程

这个系统的核心不是代码，而是 Prompt。

每个阶段的 Prompt 都经过反复调试。从最初的简单指令，到后来融入质量标准、分析框架、反 AI 写作规则，输出质量逐步提升。

Prompt 工程不是"写一句话"，而是"设计一套系统"。

最后

这个系统现在已经上线，任何人都可以使用：

使用方法：

准备几份你要研究的产业相关资料（PDF/DOCX/TXT）
准备一个 AI 模型的 API Key（推荐 DeepSeek，便宜好用）
如果要联网搜索，再准备一个 Tavily 的 API Key（免费注册）
打开链接，上传资料，配置参数，点击生成

整个过程大概 5-10 分钟，就能拿到一份万字级别的深度产业研究报告。

如果你也想做一个类似的系统，希望这篇文章对你有帮助。

本文由 AI 产业研究系统生成，没错，就是用这个系统写的关于这个系统的文章。

打赏

更多>同类资讯

0 条相关评论

推荐图文

推荐资讯

点击排行