SEC MD&A RAG 是一个针对美国上市公司 10-K 报告中 MD&A（管理层讨论与分析）章节的 RAG 系统。项目使用 FAISS + BM25 的混合检索，再通过 Reciprocal Rank Fusion 融合排序，并在回答中提供段落级引用。它提供命令行和 Streamlit 交互界面，适合学习一个较完整但不臃肿的金融 RAG 项目。

MD&A 是财报中信息密度很高的部分，管理层会解释收入、成本、风险、流动性、资本支出和未来趋势。与完整 10-K 相比，聚焦 MD&A 可以减少噪声，训练学习者理解金融问答为什么需要先定义文档范围和章节范围，而不是盲目全库检索。

• 面向 SEC 10-K MD&A 章节的专业 RAG。
• 使用 dense retrieval 和 BM25 混合检索，提升金融术语和语义检索覆盖。
• 提供段落级 citation grounding，减少无来源生成。
• 适合学习金融披露文件问答的最小可用架构。

这个项目适合学习 RAG 的关键细节：为什么只用向量检索可能漏掉专有名词和精确术语，为什么 BM25 对金融缩写、公司名称、指标名仍有价值，为什么引用要落到段落级。银行从业者可以借此迁移到制度问答、授信政策问答、风险报告问答。

• 财报 MD&A 分析和问答。
• 对公客户公开披露材料摘要。
• 银行行业研究资料 RAG。
• 内部制度或监管文件的混合检索问答原型。

RAG 只解决“基于资料回答”的一部分问题，仍可能检索错段落、遗漏关键章节或生成过度总结。对金融指标和风险表述必须返回原文证据。迁移到中文银行制度时，需要重新处理分段、术语、表格和权限。