企业在金融规划与分析（FP&A）等受监管的工作流中采用大语言模型（LLM）时，面临的核心瓶颈不是模型的流畅度，而是答案的可追溯性和事后审计能力。只有当生成的答案能够映射到权威来源并提供完整的溯源链时，才被视为可用。
本文提出了知识驱动分析框架（KDAF），主张在企业金融场景下，检索增强生成（RAG）应当在审计性与准确性两条维度上进行评估。KDAF 通过六个迭代阶段构建本体驱动的知识系统，并采用上下文感知相关传播（CARP）进行证据检索，使每条检索到的事实同时携带关系类型、置信度和来源血统信息。
实验使用 FinanceBench（145 条金融问答）进行对比，基准包括零上下文直接推理、BM25、概念加权词汇检索以及无依据的图遍历。结果显示：
- 检索是必要的：零上下文推理的正确率仅为 4.1%，而检索增强条件在 10%‑12% 之间。
- 在答案正确率上，KDAF 与 BM25 的差异不显著（差值 -0.007，95% CI [-0.021, 0.000]），说明仅凭准确率不足以证明结构化检索的价值。
- 在审计性指标上，KDAF 明显领先，引用可追溯性 F1 达到 0.515，分别比无依据遍历提升 0.027（CI [0.006, 0.050]）和比 BM25 提升 0.052（CI [0.024, 0.083]），且区间不包含零。
- 基于图结构的检索完全避免了与问题主体实体无关的证据（0/426 条），而词汇基线的外部证据比例分别为 16.8% 和 20.2%。每条被选中的证据都能解析出完整的溯源链。
综上，审计性而非单纯的准确性是本体驱动检索值得投入的关键维度。KDAF 通过结构化的本体和 CARP，实现了可审计的答案生成，为企业金融中的 LLM 应用提供了可靠的技术路径。
博主点评：本文在强调金融合规需求的同时，提供了系统化的本体构建与证据传播方法。实验设计严谨，尤其是对审计性指标的量化评估，为后续研究提供了可复现的基准。未来可进一步探索跨域本体迁移和实时溯源可视化，以提升实际部署的灵活性。