手机产业链推导示意图

以上方法需要我们首先给定一个核心产品，然后向上游或下游对每个节点逐步追索，直到触及末端，最终给出完整的产业链结构。这正是本次研究的核心框架。

图表12：手机产业链推导示意图

来源：国金证券研究所

大语言模型自身具备逻辑推理能力以及一定的产业链知识，非常适合用于处理这类非结构化的信息。同时，产业链结构相对稳定，因此大语言模型用历史信息也可以梳理出产业链结构。因此，我们希望构造一个以大语言模型为核心的智能体“产业链Agent”来自动化地完成产业链梳理任务。

3.2产业链梳理智能体的构建

智能体的交互核心在于行动模块，我们首先需要明确“产业链Agent”应当能够实现哪些功能。除了上文提到的直接组成产品分析和是否触及末端外，一个完整的产业链分析结果还需要能体现各个产品在其中的重要程度，这同样是一个较为复杂的问题。这里我们简单以成本占比作为排序标准，让大语言模型根据其掌握的知识进行重要度的判断。

因此我们对框架进行细化，每次向上游分析出原产品的直接组成产品有哪些之后，要进一步判断：1、各组成产品的重要性；2、各组成产品是否为末端产品。类似地，向下游探索时也需要首先找到对原产品依赖度高的下游产成品或服务，再判断各自的重要性以及是否末端。以上两个任务我们同样基于大语言模型来完成。

最后的行动模块中，我们为产业链Agent增添了数据写入以及新闻检索的工具。数据写入是最为基本的功能，需要实时保存对话记录以及梳理后的产业链信息；新闻检索则是对模型专业知识的巨大拓展，我们留到后文进行说明。

图表13：产业链Agent运行流程示意图

来源：国金证券研究所

其中，调用大语言模型的部分依旧需要我们维护一个完善的Prompt模板，来获取上下游产品信息以及对应的重要性等。我们调用GPT4模型来进行初步实验，得到如下回复：