标题： FinAI数据助手：使用OpenAI函数调用API的基于大语言模型的金融数据库查询处理 显示英文标题

标题： FinAI Data Assistant: LLM-based Financial Database Query Processing with the OpenAI Function Calling API

摘要： 我们介绍了FinAI数据助手，这是一种在金融数据库上进行自然语言查询的实用方法，结合了大型语言模型（LLMs）和OpenAI函数调用API。 而不是通过文本到SQL生成完整的SQL，我们的系统将用户请求路由到一个小的经过验证的参数化查询库，以可靠性、低延迟和成本效率为代价，换取生成的灵活性。 我们实证研究了三个问题：（RQ1）LLMs是否可以在没有外部检索的情况下可靠地回忆或外推时间相关的财务数据；（RQ2）LLMs如何将公司名称映射到股票代码；以及（RQ3）函数调用是否优于文本到SQL用于端到端数据库查询处理。 在价格和基本数据上的控制实验中，仅LLM的预测表现出不可忽略的误差，并且相对于模型知识截止点，主要在股票价格上显示出前瞻偏差。 对于纳斯达克-100成分股，股票代码映射的准确性接近完美，对于标准普尔500公司的准确性较高。 最后，FinAI数据助手在我们的任务套件中比文本到SQL基线具有更低的延迟和成本以及更高的可靠性。 我们讨论了设计权衡、局限性和部署途径。 显示英文摘要

摘要： We present FinAI Data Assistant, a practical approach for natural-language querying over financial databases that combines large language models (LLMs) with the OpenAI Function Calling API. Rather than synthesizing complete SQL via text-to-SQL, our system routes user requests to a small library of vetted, parameterized queries, trading generative flexibility for reliability, low latency, and cost efficiency. We empirically study three questions: (RQ1) whether LLMs alone can reliably recall or extrapolate time-dependent financial data without external retrieval; (RQ2) how well LLMs map company names to stock ticker symbols; and (RQ3) whether function calling outperforms text-to-SQL for end-to-end database query processing. Across controlled experiments on prices and fundamentals, LLM-only predictions exhibit non-negligible error and show look-ahead bias primarily for stock prices relative to model knowledge cutoffs. Ticker-mapping accuracy is near-perfect for NASDAQ-100 constituents and high for S\&P~500 firms. Finally, FinAI Data Assistant achieves lower latency and cost and higher reliability than a text-to-SQL baseline on our task suite. We discuss design trade-offs, limitations, and avenues for deployment.