AI行业：未来已来-AI赋能消费投研系列研究一

目 录一、行业现状：AI使用深度不一，三大阻碍约AI投研应用 5（一）AI投使现状 51AI使用况因而，技力高容心AI替代究员 52、的力/带是AI使用的要约素 53、动量投经试图对靠拢 6（二行存的遍碍 61、在求清表间障碍 62、术产化间碍 73、规信安与之间平衡 9二、投资视角：AI投研的目标是产出有价值投结论 10（一现研AI工分类 10（二）信息->理->输三环解研程 三、技术视角：如解数据准确性、推理盒深度研究问题 13（一投痛一数可靠性 13（二投痛二黑问题 141、盒三表现 142、什么AI直给投资论如不靠 153、决案多Agent叉验+蜜检测 17（三投痛三深研究力 18四、产品视角：技服于投研的落地 20（一解纯Skill无解决更杂题 20（二）AI研员 201、计的解深究问并出资论 202、调性设计AIAgent时重关注 213、用AI的二导：AI的自迭代 22（三）“活知库 231、计的储非化信并决盒题 232、层知库构 253、么是活的识库？ 264、正使场是A2A为AI投研流的环 27（四投用Harness+Agent框架 27五、风险提示 28图表目录图表1 有Coding个“单”任也要设调试 8图表2 AI+研员职责 9图表3 AI投研具本分类 图表4 AI投研程环节 12图表5 纯Skill驱的作流易现种据误 13图表6 龙技股中提至据的据 14图表7 盒三表现 15图表8 一间样示词资议不样 16图表9 微改示结果不样 17图表10 同个话修改示结也一样 17图表该题通并非一型障 17图表12 直提问AI认会索有据 19图表13 颗度细拆解析于度究有效 19图表14 AI研究结了基面技面析而输投结论 21图表15 深研框的AI主对方据验证 21图表16 AI自我习代显提能进速度 23图表17 单的识构不避的要协 24图表18 AI知识思执行程透，保助研的确度 25图表19 几常数/知识架的比 26图表20 Agent设的题解方案 26图表21 知库行限性判 27图表22 Harness+Agent框架要意图 28一、行业现状：AI使用深度不一，三大阻碍制约AI投研应用（一）AI投研使用现状1、AI使用情况因人而异，技术力较高更容易担心AI替代研究员AIAIAICode(Anthropic)+AIAIAI处理Alpha派(AI投研平台AIAIAIAIAI3月这个节点，在OpenclawOpusOpenclawAIOpenclawOpusAI可以替代一些人工工作的投研人员会更积极的使用AI替代手工工作，从而强化他们的认知。AI，恰恰会加速整个行业的AIAIAIAIAI2、人的精力/带宽是AI使用的重要制约因素精力而非意愿才是AIAI/对AIAI成功率+AIAIAI的使对于较为深度的AI使用者，精力同样限制了他们向更具颠覆性的应用场景跨越的能力。AIAIAIAge（3、主动和量化投资经理正试图朝对方靠拢主动型基金经理试图加入一些量化选股的策略。AIexcelAI点上AI量化基金经理则有兴趣了解基本面信息或定期追踪数据。AIAI双方也各自保有不愿交出的护城河。AIAIAI（二）行业存在的普遍阻碍行业还普遍存在AI这些障碍可视为行业普遍的制约AIAI与产品策略等方式可以逐步缓解这些问题。1、潜在需求与清晰表达之间障碍表达障碍的本质是：需求对自身明确，但是无法清晰表达。也有很多信息损失或者噪音加入。传统投研IT部门和外包IT正是因为该问题导致进度缓慢甚至无法落地需求。因为需求方提出的需求本身可能就很宽泛且不具体，而表述出来的同样内容，技术人员的理解也不一样，导致需求无法被正确满足，常见的几种情况如下：AI（）（推（推送。分析师提出要做一个AI的“行业相关”指的是二级市场角度，他只想看上市公司挂钩的新闻。缺乏明确标准：CAI希望AI员更新了AI投研行业还面临一个独有的“非结构化信息”困境。投资的决策过程很多是直觉性的、非结构化的“我认为这个公司管理层不行、这个行业的节奏感不对”等等，这些判断是真实且也许有效的，但如果要写成提示词或者策略规则，分析师和投资经理很难做到，甚至给技术人员表达都很困难，这是由投资本身的隐性知识属性决定的。2、技术和产品化之间的障碍AI使用。例如：AI是PythonPDFPDF输入，OCRAI24年25AI不对。为了解决该问题又需要给AI加上搜索功能和知识库。AIAI最后在测试阶段，其中的OCRAPI方案直接用Python库提取PDF。图表1 即便有Coding一个“简单”的任务需要设计调试创证券总结即便需求已简单至此，仍然经历了反复的多轮开发与测试。这个需求已经十分简单，但是仍然需要这样多次的测试和整合，且其中任何一环出现问题都可能导致整个程序无法正常使用。作为开发者可以立马排查原因并修改，但是一旦交付给同事或者客户，这种Bug会极大影响使用体验。更复杂的架构带来了黑盒风险，用户无法判断产品是否真正按照预设计划在运行。一些使用现成AIOpenclawGemini500具体去看才发现实际是GeminiSkillAgentSkill文件AgentAgent读了这个Skill文件总结给子Agent作为提示词执行，效果大打折扣还导致成本显著提升。因此AIIAI图表2AI+研究员的职责创证券总结3、合规、信息安全与效率之间的平衡AI合规问题主要聚焦于信息准确性与可复现性上。虽然信息安全和合规经常被相同部门所管理，但是实际上两者的关注点是不同的，合规主要是确保信息真实可靠，表达的内容AIAIAIAgentAIAIAI的产出效信息安全问题则在中美AIAI202678ClaudeCodeDeepseekV4FlashKimi3Opus4.8与Fable5的水平，但是全能力仍然和顶级的闭源模型存在一些差距，因此国产模型需要更多的工程优化或Harness进行组合使用，方能达到最优效果。AIAI化的工作流；而通过多Agent合作与自研避免了数据出境和泄露风险，还降低了AI二、投资视角：AI投研的目标是产出有价值的投资结论投研也不应例外。AIAIAIAIAI（一）现有投研AI工具的分类投研AIAIDAI，IDETrae，CursorGeminiAlphaAlphaEngineOpenclawAAlphaAlpha出不稳定的功能，只保留需求最普遍的功能，这也会导致边际价值的下降。图表3 AI投研工具的基本分类创证券总结（二）信息->处理->输出三环拆解投研流程因为现有AIAI同质化的AIAI工具。处理AI要达成这个目标需要多个环节的操作层层嵌套，共同合力才能实现目标。由于其中研究处理端的需求对大部分人更迫切。20AIAI或者进行自动化的数据分析或者监控，而这些都是信息处理的范畴。因此下文本报告也将从AI研究员开始介绍，以期让逻辑链符合现实需求的发展。避免“毒树之果”问题，信息才是基础设施。在三环流程中，信息经过搜集和分析，最终形成投资结论，逻辑是闭环的，因此必须确保在每个环节的数据本身与分析处理过程都合理可控。如果数据在搜集来的时候就是错误的，那么即使有着深入的分析，也只能得到错误的结论。为了避免出现类似的“毒树之果”的问题，信息系统的建设必然会成为未来AI投研的基础设施。AIAI化的Alpha派(AI投研平台)Alpha派(AI)AIAIAI长期看流程高度AI化是大势所趋。AIAIAIAIAI图表4 AI投研流程三大环节创证券总结三、技术视角：如何解决数据准确性、推理黑盒和深度研究问题AIAIAI（一）投研痛点一：数据可靠性SkillAILLM100%SkillAgent复核等方式让AILLMSkill图表5 纯Skill驱动的工作流容易出现各种据误创证券总结AISkillAI在使用Skill的碰运气情景。1000Agent图表6鲟龙科技招股书中提取至数据库的数据创证券（二）投研痛点二：黑盒问题1、黑盒的三层表现黑盒问题在投研场景下表现为三个递进层次，每一层都将前一层的问题进一步放大：跃。完全无法判断它引用的数据是从知识库检索的、从训练数据“回忆”的、还是纯粹编造的AI幻觉。即便是查看AI的推理链，也未必就真的可靠。第二层：输出不可复现。AI让AIAI理解偏差，还可能因为提示词中的某个约束条件被忽略，亦或是纯粹的概率波动。传统研究流程中，如果计算有误，分析师可以逐行检查Excel模型重新建模，但是在一个黑盒的AI流程中，这种追溯能力大幅下降。AIAI图表7 黑盒的三层表现创证券总结2、为什么AI直接给出的投资结论会如此不可靠明确的投资建议是所有人都需要的东西，但是这个投资建议真实吗？可靠吗？却很难有人做出确定性保证。因为关键差异往往体现在具体细节之中，即使看上去逻辑完善，其技术原理也未必可靠。首先，即使AI8080AI——758085。80更重要的是，即便AIAB可以接手打开ExcelAI立，没有可供接手和复用的模型框架，导致无法后续使用DCFAI的C8=3%,80图表8 同一时间同样示词投资建议却不样包图表9 稍微修改提示结果大不一样 图表10 同一个会话略修改提示词结果也一样图表该问题是通病并非单一模型故障emini,华创证券3、解决方案：多Agent交叉验证+蜜罐检测通过多AgentAgent合AI且被真Agent说明部分可能绕过了设计好的流程，或者推理出现偏差。AIAI2015AI2015AI2015AI这两个解决方案共同运作，构成了下文Harness中提到的反“过家家”系统，保障推理过程真实发生。（三）投研痛点三：深度研究能力AIAIAI深度研究的价值在于认知增量的密度。深度研究的价值在于其差异化观点——（是正确的AIAI强项，使得无论是AIAI15%AB真正的深度报告需要自建测算模型而非引用现成结论。×××可调参：可追溯：可联动：更深层的障碍在于AI理解不了要素之间的因果关系。一个行业规模可以从需求侧拆解（人群×AI解法是给AI信息。下一章中会详细介，何将研究员的思维式予AI，使其可以实现深研究图表12 直接提问AI认会搜索既有数据图表13 颗粒度更细致拆解分析对于深度究有效I研究 注：此处为简要总结，完整Skill可联系研究员获取四、产品视角：技术服务于投研的落地（一）解决单纯Skill无法解决的更复杂问题SkillSkillAISkillSkillSkill的能力AIAgent方式解决该问题，但是多Agent因此为了解决更复杂的问题，我们设计了完整的产品，以确保对信息、处理和输出三环流程的落地。AI研究员是我们设计的一整套AIAgent主要有以下特色：AIAgentAgent“AI（100+G）效率。HarnessAI提升，我们预测一个符合投研需求的Harness+AgentHarnessSkill（二）AI研究员1、设计目的：解决深度研究问题并输出投资结论AIAI完整的研究流程：完整的研究流程。依托于流程的逻辑链：如人类研究员般细致的研究：AI图表14 AI研究员结了基本面和技术面析而输出投资结论I研究图表15 深度研究框架的AI主动对三方数据进验证创证券注：该数据仅为AI推算得来，可能需要进一步人工核验2、可调优性：设计AIAgent时的重点关注新生AgentAI的工作流未经验证：AI为AIAI很多工作流都必须在开发完成后测试并改进，如果提前投入生产这个工作流的有效性就必然是未经验证的，用户必须付出额外精力检查潜在问题。AIAIAgent（训练中这个能力已经习以为常了，但是AI仍然需要比较细致的工作去协调不同AgentAI的能力与经验欠缺：AI（和经验（SkillAIOpenclaw因此不应该对AIAIAIAIAIAIAI应当确保AISkills文件以及AIAgent开发者应当了解AI运行的逻辑：AIAI应当明确AIAIAI资操作能产生正收益。如果投资结论包含的目标价在目标期间内并没有达到，就需要复核目标价形成的逻辑，检查缺失的部分并补全。3、使用AI的二阶导：AI的自我迭代AIAIL0-L5五最基础的AIAI执一阶导的状态是写Skill文件。AI使得AISkillAI特朗普最近有什么言论都通过该Skill执行。二阶导则是教给AIAI可以SkillAgent.md们的AIAgent自我迭代也需要加入验证和控制机制。类似于人学习之后要做作业和考试来验证自己的学习成果，AI的自我迭代过程也需要加入验证与控制机制。由于这里AI研究员的产出AI图表16AI自我学习迭代显著提升能力进步速度创证券总结）“活”知识库1、设计目的：储存非结构化信息并解决黑盒问题AI原因在于AIAI解法是在信息端为处理层AI知识库还需要保障信息处理的流程清晰透明。信息的筛选与输出也应当遵循一套标准化的流程，而不是单纯的概率性随机匹配。这也是之前的向量数据库在许多企业无法落地的原因，因为企业不能接受自己的信息输出基于纯粹的概率，而不是一个稳定结果。另AI图表17单一的知识库架构不可避免的需要妥协创证券总结图表18 AI知识库思执行流程全透明，保助研究的准确度合知识2、多层次知识库架构常见的三种知识库路径在技术上各有取舍。权衡。传统SQL数据库适合处理大规模结构化事实和指标RAG规模继续扩大，甚至编译后的内容也超过模型可稳定读取和维护的范围时（为了解决单一知识库的短板，我们采用了多层知识库架构形成优势互补。作而不是互相拖后腿，我们将其他技术引入该知识库，从而保障了不同架构之间的流畅并行，形成合力。图表19 几种常见数据/知识库架构的对比SQLRAG系统LLMWiki最适合处理的信息财务数据、销量、价格、库存、估值、市场份额、时间序列研报、公告、访谈纪要、电话会、新闻、政策文件、网页资料行业框架、公司画像、投资逻辑、竞争格局、关键争议、研究结论准确性高，数据结构清晰，可校验、可复算、可追溯不稳定，取决于数据清洗、切分、召回、重排序等机制较高，和编译质量、引用和校验机制挂钩信息容量企业级别，适合存储和计算大规模结构化数据企业级别，适合接入海量文档和非结构化材料个人级别，适合沉淀关键知识，但不适合把所有原始资料都总结进去非结构化信息处理能力弱，可以存文本，但不擅长理解文本语义强，可以从大量文本中检索相关片段强，可以把非结构化文本整理成概念页、实体页和研究框架投研领域长板准确性高、返回速度快处理海量信息的相关关系把非结构化信息整理成逻辑与叙事投研领域短板非结构化信息处理能力弱返回的信息碎片化，难以汇总成有用的叙事或者进一步计算依赖编译质量、信息源过多时输出不够稳定信息量增多后的风险结构僵化，难以覆盖复杂语义噪声累积、召回偏差、低质量资料干扰、高频信息淹没关键信息页面膨胀、上下文超限、摘要损失、结论冲突、更新不一致对研究员的价值提供可靠的“事实底座”和量化证据提高资料查找和证据召回效率提高研究框架复用、观点沉淀和知识传承效率创证券总结3、什么是“活”的知识库？“活”的本质在于知识库能自主学习自身内容架构与用户提问模式。由于多层架构的复杂性和对于信息准确性的高要求，问题的思考时间要更久。因此一方面为了让复杂的知识库架构可以更好运行，另一方面为了让回答速度更快，该知识库可以学习知识库本身的信息模式与内容架构和用户的提问。AIAgent会AgentAI图表20 Agent设计的问题解决方案合知识4、真正的使用场景是A2A作为AI投研全流程的一环信息环节的基础设施——检索与标准化交付。>处理——>AIAgentAgentAI代性的场景。图表21合知识（四）投研专用Harness+Agent框架预测到未来AI投研的复杂程度可能远超Agent和Skill能够解决的范畴，而LLM本身的能力上限仍然是个未知数，我们设计了一套投研领域专用的Harness，从而实现如下目标：复杂任务下数据的可靠性。AIAIAIAIClaudeCodeOpenclaw、Hermes用HarnessHarness目前该Harness已经投入试运行，并且实现了Skill的产出与查验，我们的行业框架