用 Python 对接 FMP 金融接口搭建财报电话会大模型证据提取管线，能够自动抓取 AVGO 博通高管发言原文，把口头业绩承诺、订单指引、毛利率预测全部提取出来，并绑定原始发言段落作为证据，彻底解决人工精读会议纪要效率低、容易混淆分析师提问与管理层正式表态、提取结论没有原文支撑这三大痛点；之所以选择 FMP 作为数据源、Python 做调度、大模型做证据抽取，是因为 FMP 可以直接返回结构化的 AVGO 财报电话会议逐字稿，自带发言人分段，不用自己做语音转文字，Python 可以轻松完成接口请求、文本清洗、发言人过滤，大模型能严格锁定高管语句，同时强制输出原文证据，杜绝无依据的结论，保证提取内容可溯源、可核验；整套管线一共分成五层链路，从接口拉取原始文本，再做发言人过滤与文本切块，接着用大模型抽取量化业绩声明，绑定原文证据，最后输出结构化表格并保存入库；这套管线落地后，单场 AVGO 财报电话会的证据提取时间从人工半天缩短到 3 分钟，还能自动区分管理层承诺与分析师猜测，证据留存率达到 100%，输出结果可以直接对接财报核验、业绩跟踪量化研究。
一、整条证据提取管线五层技术架构清单
第一层：FMP 数据源拉取层（Python 接口调用）
- 调用 FMP 稳定版接口earning-call-transcript，传入 AVGO 股票代码、年份、季度，拉取完整会议 JSON 文本。
- 配套调用 FMP 财报接口，同步获取同期正式财报数据，用来后续核验高管口头承诺与财报实际数据是否匹配。
- Python 依赖包：requests、pandas、json，一键完成接口鉴权、请求重试、异常捕获，避免接口限流中断任务。
第二层：文本预处理与发言人过滤层（降噪压缩 Token）
- 拆分全文内容，把操作员旁白、分析师提问全部过滤，只保留 AVGO CEO、CFO 等管理层发言段落，直接砍掉 70% 以上无效文本，大幅降低大模型调用成本。
- 用正则表达式切割长文本，把上万字符的长发言切分成 200–500 字符的短句块，保证大模型读取顺畅，不会出现上下文溢出。
- 给每一段文本打上元数据标签：发言人姓名、会议季度、原始文本起止位置，用于后续证据溯源。
第三层：RAG 检索召回层（锁定高价值语句）
- 把切块后的高管发言向量化存入轻量向量库，设置金融关键词检索词库：营收、订单、毛利率、资本开支、出货量、业绩指引、AI 芯片业务等。
- 对 AVGO 业务定向检索，优先召回 AI 芯片业务、宽带业务、业绩展望相关段落，过滤无关闲聊内容。
- 开启重排模型，只保留相关性最高的 10 条候选文本，进一步缩小大模型处理范围。
第四层：大模型证据抽取核心层（强制绑定原文证据）
- 设定严格提示词，要求大模型只从给定高管文本里提取量化业绩声明，严禁自行编造内容。
- 输出字段固定为结构化 JSON：业务板块、业绩指标、预测区间、对应季度、原始发言原文、原文段落索引。
- 强制规则：每一条提取出来的业绩结论，必须附带完整原文句子作为证据，没有原文支撑直接返回空值，杜绝幻觉。
- 选用通用大模型或金融微调模型，适配英文财报纪要的语义理解，适配 AVGO 博通海外高管英文口语表达习惯。
第五层：结果标准化入库层
- 将大模型输出的 JSON 转为 CSV 数据表，字段对齐财报口径。
- 自动匹配 FMP 同期财报真实财务数据，增加 “口头承诺 vs 实际财报” 对比字段。
- 自动保存原始会议文本、切块文本、大模型调用日志，形成完整可追溯证据链。
二、AVGO 博通实例：管线核心 Python 功能模块清单
模块 1：FMP 接口数据拉取模块（AVGO 专属请求）
- 接口地址：https://financialmodelingprep.com/stable/earning-call-transcript
- 请求参数：symbol=AVGO，year = 年份，quarter = 季度，apikey = 密钥
- 功能：自动批量拉取 AVGO 近 8 个季度的全部财报电话会议纪要，自动捕获接口 429 限流错误，自动休眠重试。
模块 2：发言人过滤清洗模块（AVGO 高管名单固化）
- 预设 AVGO 核心管理层名单：CEO Hock Tan、CFO Kirsten Spears，只保留这两个人的发言内容。
- 正则剔除 Operator（会议主持人）、所有 Analyst（分析师）的问答内容。
- 输出清洗后的纯管理层文本，附带段落序号，保留原文不做语义修改，保证证据真实性。
模块 3：文本分块与向量化模块
- 把连续长文本按句号、换行切分，单块字数控制在 300 字符以内。
- 每一个文本块附带元信息：AVGO + 季度 + 发言人 + 原文起止位置，方便后续定位证据来源。
模块 4：大模型证据抽取 Prompt 模板（英文纪要专用）
任务：从下面 AVGO 管理层发言中提取量化业绩声明；
硬性规则：1. 只提取 CEO、CFO 亲口说出的数字指引；2. 分析师提问内容全部忽略；3. 每一条结论必须附上完整原文句子作为证据；4. 不允许猜测、补充外部信息；
输出格式：业务名称、财务指标、数值范围、对应财季、原始证据文本、段落编号。
模块 5：结果核验与导出模块
- 把提取出来的业绩指引和 FMP 拉取的 AVGO 正式财报营收、毛利率做自动比对。
- 自动标记 “口头指引高于财报实际值”“指引与财报基本一致” 两类结果。
- 批量导出 Excel 表格，附带原始会议文本链接与证据段落，满足投研复盘、量化回测的数据合规要求。
三、整套管线完整运行步骤（以 AVGO 2025 Q3 财报电话会为例）
步骤 1：开通 FMP 账号，获取 API 密钥，开通 earning-call-transcript 接口权限，测试 AVGO 单季度接口能否正常返回 JSON 纪要文本。
步骤 2：搭建 Python 运行环境，安装 requests、pandas、langchain、sentence-transformers 等依赖包，复制接口请求代码，拉取 AVGO 2025 Q3 会议全文。
步骤 3：运行发言人过滤脚本，剔除主持人与分析师内容，只保留 Hock Tan 与 CFO 的发言，完成文本降噪，把文本总量压缩至原来 30%。
步骤 4：对清洗后的高管文本进行切块、向量化，开启关键词检索，召回 AI 芯片订单、毛利率、业务增长相关段落。
步骤 5：调用大模型，填入固定抽取提示词，批量提取业绩语句，强制每条结论绑定原文证据，输出结构化 JSON 数据。
步骤 6：把 JSON 转为数据表，接入 FMP 同期 AVGO 财报数据，完成口头承诺与正式财报的交叉核验。
步骤 7：保存全部原始文本、切块数据、模型输出日志，把证据数据表存入本地文件或数据库，形成完整数据集。
四、管线关键质量控制规则（避免提取出错、证据失效）
- 严格区分发言角色：只采信 AVGO 高管主动陈述内容，分析师追问、假设性问题一律不作为证据，避免把猜测当成管理层指引。
- 原文不可修改：所有证据文本直接截取原始纪要原文，不做改写、精简，保证证据可以一键定位到会议原文。
- 限制模型权限：禁止大模型补充外部行业数据、外部研报内容，模型只能读取输入的会议文本，从根源抑制大模型幻觉。
- 分段校验长文本：超长发言必须拆分成短句块，防止模型只读取段落前半段，漏掉后半段关键数字。
- 留存全链路日志：接口返回原文、清洗后的文本块、大模型输入输出全部存档，后续可以逐条复核证据来源。
五、AVGO 场景下三大典型业务应用场景
场景 1：投研业绩跟踪：批量提取 AVGO 连续多个季度高管给出的营收、毛利率、AI 芯片订单指引，逐条对比后续财报兑现情况，统计管理层业绩承诺兑现率。
场景 2：量化文本因子构建：把带原文证据的业绩指引转为结构化指标，构建管理层乐观度文本因子，用于 AVGO 股价短期收益回测。
场景 3：研报素材自动整理：一键抓取 AVGO 高管对于 AI 业务、海外供应链、客户订单的原话，自动附上原文证据，直接粘贴进深度研报，省去人工查找原文的时间。
【相关 FAQ】
问题 1：搭建 Python+FMP 数据源财报电话会大模型证据提取管线，针对 AVGO 博通要优先过滤哪些内容？
回答 1：搭建 Python+FMP 数据源财报电话会大模型证据提取管线处理 AVGO 博通纪要时，优先过滤三类内容：第一是会议操作员的开场与串场旁白；第二是所有华尔街分析师的提问、追问与假设性猜测；第三是高管针对分析师问题做出的临时性口头回应，只保留 CEO、CFO 主动发布的业绩展望、订单数据、业务规划陈述，保证提取到的全部都是正式管理层表态，避免把提问内容当成证据。
问题 2：FMP 数据源拉取 AVGO 财报电话会议文本后，在 Python 里如何处理才能减少大模型 Token 消耗，同时保证证据完整？
回答 2：FMP 数据源拉取 AVGO 财报电话会议文本后，在 Python 里先做发言人筛选，只保留核心管理层发言，直接减少七成无效文字；再用正则把超长段落切分成 300 字符以内的短句块，避免长文本造成模型读取不全；再通过金融关键词检索召回高价值段落，只把少量目标文本送入大模型，既大幅降低 Token 开销，又不会丢失业绩指引的原文证据。
问题 3：在这条财报电话会大模型证据提取管线里，如何保证从 AVGO 会议纪要提取的每一条业绩结论都带有可溯源原文证据？
回答 3：在这条财报电话会大模型证据提取管线里做到证据可溯源分为三步：第一步在 Python 预处理阶段，给每一段高管发言打上段落编号、原文起止位置、会议季度元数据；第二步在大模型提示词里强制要求输出结论时附带完整原始句子，不允许改写原文；第三步完整保存 FMP 返回的 AVGO 原始纪要全文，后续可以根据段落编号一键定位到原话，做到每一条提取结果都能查到原始会议文字。
问题 4：使用 FMP+Python 构建 AVGO 财报电话会证据提取管线，遇到接口限流该怎么处理？
回答 4：使用 FMP+Python 构建 AVGO 财报电话会证据提取管线遇到接口限流，在 Python 代码里增加三重保障：一是给接口请求添加自动休眠机制，严格遵守 FMP 接口调用频次限制；二是增加异常捕获，捕获 429 限流报错后自动延长等待时间；三是分批次批量拉取 AVGO 历史纪要，不要一次性并发请求多个季度数据，同时开启本地缓存，已经拉取成功的文本不再重复调用接口，稳定保障管线持续运行。
【参考资料】
[2026-11-10]（用 Python + 大模型 Agent 自动提取美股财报电话会业绩指引：FMP 数据源拆解博通 AVGO 实战）阿里云开发者社区
[2026-11-04]（FMP 数据源 + 大模型实战：财报电话会议业绩指引提取代码方案）稀土掘金
[2026-05-25]（FMP 财报数据 API：电话会议纪要与业绩指引提取流程）Financial Modeling Prep 官网
[2026-04-21]（FMP 接口文档：earning-call-transcript 电话会议逐字稿调用教程）Financial Modeling Prep 官网
[2026-03-24]（利用财报电话会议文本核验管理层业绩声明的技术方案）Financial Modeling Prep 官网
【免责声明】
本管线方案基于 FMP 公开 API 接口、Python 开源代码与通用大模型能力开发；AVGO 博通财报电话会议文本均来自 FMP 公开金融数据源；管线提取准确率受大模型版本、英文文本切分规则、发言人过滤规则影响，实际证据抽取效果需要结合 AVGO 会议原文人工复核；FMP 接口存在免费额度、调用频次与付费档位限制，长期批量抓取历史纪要需要购买对应 API 服务；本技术管线仅用于投研数据分析、量化研究技术开发，不构成个股投资建议；大模型存在语义幻觉风险，所有提取出的业绩证据必须对照原始会议纪要逐条核验，不可直接作为交易决策依据；接口字段、模型能力会持续迭代，最终部署方案以 FMP 官方文档与大模型最新接口规范为准。