AI智研系列：AI智研：构建宏观数据自动点评智能体

固定收益|固定收益专题请务必阅读正文之后的信息披露和免责申明AI智研：构建宏观数据自动点评智能体AI智研系列对于宏观研究而言，经济数据具有高频更新、指标体系复杂、历史信息丰富、分析框架相对稳定等特点。传统宏观研究流程中，研究员需要耗费大量时间完成数据搜集、指标计算、图表更新、历史比较和信息整理，而真正体现研究价值的环节在于对经济运行规律、政策传导机制、市场预期差变化以及资产定价逻辑的理解。本文基于Codex构建了一套“AI智研——宏观经济数据自动点评智能体”，通过数据采集、指标计算、异常识别、逻辑分析、文本生成和合规审核等多个智能模块，实现从原始数据到研究点评的自动化辅助流程。AI为何适合赋能宏观经济研究？我们认为，相较于部分高度依赖线下调研、个体经验或非标准化信息的研究领域，宏观研究可能具备较高的AI适配度。其原因在于，宏观研究是一个围绕数据、政策、历史与资产价格进行持续更新的高频信息处理过程，大量基础工作具有标准化、重复化和可结构化的特征，而真正体现研究价值的部分，则集中在核心矛盾识别、经济逻辑推演以及资产定价判断。AI赋能的本质，是将研究员从“信息处理”推向“问题发现”，研究员的工作重心因此可以进一步向三个方向集中：第一，寻找预期差。市场已经知道什么？哪些数据已经被充分定价？什么变化可能超出市场共识？第二，识别传导变化。政策出了以后是否真正影响融资？生产改善以后是否改善利润？利润改善以后是否带动投资和就业？第三，判断资产定价。分析经济变化对于债券、股票、商品等资产分别意味着什么。AI智研：构建宏观经济数据自动点评智能体（1）主要目标与技术架构。利用Codex在本地项目目录中读取文件、调用脚本、组织研究步骤和检查输出的能力，把上述工作拆分为可复核的阶段。当前形态可表述为“由Codex调度、研究人员监督的可重复工作流”，而不是“任意底稿均可无人值守生成”的通用产品，后续月份可复用现有流程。经济月报Agent技术架构可分为六层：文件接入、事实标准化、角色编排、图表处理、Word渲染和质量控制。每一层都有明确输入、输出和停止条件，避免模型在资料不足时直接生成看似完整但无法核验的报告。（2）数据输入与标准化层。首先，输入用户Excel数据底稿。接收宏观经济数据，例如GDP、工业增加值、社零、固定资产投资、进出口、CPI/PPI等指标。此外，可以选择性补充需要重点回答的研究问题，例如“供需分化是否加剧”“内需修复的主要约束是什么”“政策传导应观察哪些变量”等。其次，标准化事实结构的输出。将Excel数据转换为AI可识别的标准化事实包，它把“某个单元格里的数字”转换为带有指标名称、月份、单位、前值、预期值、来源位置和核验状态的事实。研究角色只能引用事实包中的证据编号，不能自行补造来源或用模型记忆填补最新数据。（3）多角色研究与审查机制。宏观经济点评的Agent层是整个系统的核心，整个工作流包括多个Agent。数据底稿Agent：负责统计口径、月份、单位、缺失值和异常值等方面的检查。宏观研究Agent：负责工业、消费、投资、地产和政策传导分析；主要产出总量判断、结构变化和观察指标等。报告撰写Agent：按模板框架生成标题、摘要、正文和风险提示，主要产出结构化草稿。独立审查Agent：核对数字、时点、逻辑、证据、摘要与正文一致性和风险措辞，主要产出七项审查结果、问题台账和修改要求。实战案例：8月经济数据点评本次案例的输入为2026年8月经济数据Excel底稿（涵盖工业增加值、社零、固定资产投资等指标）、上期点评Word模板，以及三个重点研究问题：“供需分化是否加剧”“内需修复的主要约束是什么”“政策传导应观察哪生产回升，内需约束仍在》，包括标题、摘要、正文四个部分以及图表和风险提示。需要说明的是，本案例中研究员仍承担了三个环节：研究问题的设定、审查状态为REVIEW事项的人工判断，以及终稿的确认。AI输出可以提供初步判断但并非最终观点，研究员仍需进一步完成核心观点确认、逻辑修正以及投资含义提炼。风险提示：数据口径调整风险；模型误读与因果推断风险；AI生成内容的局限性风险。证券研究报告作者谭逸鸣分析师SAC执业证书编号：S1110525050005tanyiming@谢瑶分析师SAC执业证书编号：S1110525070009xieyao@近期报告2《固定收益：全球流动性收紧-海外3《固定收益：转债供需再平衡-可转固定收益|固定收益专题请务必阅读正文之后的信息披露和免责申明内容目录1.AI为何适合赋能宏观经济研究？ 32.AI智研：构建宏观经济数据自动点评智能体 62.1.主要目标与技术架构 62.2.为什么使用Codex？ 62.3.数据输入与标准化层 72.4.多角色研究与审查机制 72.5.图表与Word生成 93.实战案例：8月经济数据点评 104.风险提示 14图表目录图1：传统宏观研究流程与AI智研流程对比 4图2：AI赋能宏观研究的价值迁移 5图3：宏观经济数据自动点评的Agent技术架构 6图4：建议的标准化事实层 7图5：宏观经济点评的Agent层 8图6：“engine.py”基础流程引擎 8图7：AI智研：8月经济数据点评输出（首页与摘要） 11图8：AI智研：8月经济数据点评输出（总量与结构分析） 12图9：AI智研：8月经济数据点评输出（工业生产章节） 固定收益|固定收益专题请务必阅读正文之后的信息披露和免责申明3对于宏观研究而言，经济数据具有高频更新、指标体系复杂、历史信息丰富、分析框架相对稳定等特点。传统宏观研究流程中，研究员需要耗费大量时间完成数据搜集、指标计算、图表更新、历史比较和信息整理，而真正体现研究价值的环节在于对经济运行规律、政策传导机制、市场预期差变化以及资产定价逻辑的理解。随着大模型技术的发展，AI有望通过自动化处理重复性工作，提升宏观研究效率，并进一步辅助研究员发现数据背后的经济逻辑。本文基于Codex构建了一套“AI智研——宏观经济数据自动点评智能体”，通过数据采集、指标计算、异常识别、逻辑分析、文本生成和合规审核等多个智能模块，实现从原始数据到研究点评的自动化辅助流程。我们认为，AI赋能宏观研究并非简单替代研究员完成文字生成，而是通过沉淀研究框架、历史经验和资产定价逻辑，形成连接“数据—分析—观点—资产”的智能研究。我们认为，相较于部分高度依赖线下调研、个体经验或非标准化信息的研究领域，宏观研究可能具备较高的AI适配度。其原因在于，宏观研究是一个围绕数据、政策、历史与资产价格进行持续更新的高频信息处理过程，大量基础工作具有标准化、重复化和可结构化的特征，而真正体现研究价值的部分，则集中在核心矛盾识别、经济逻辑推演以及资产定价判断。从这一角度而言，AI赋能宏观研究的核心并不是“让模型替研究员写报告”，而是重新划分人和机器在研究流程中的分工：将数据整理、文本检索、历史比较和基础归纳更多交给程序和AI完成，将研究员的时间进一步集中到假设形成、逻辑验证、预期差识别和投资判断上。具体而言：（1）宏观研究通常涉及高频、多源的信息处理过程从一个完整的宏观研究月度周期来看，研究员需要持续跟踪制造业PMI、通胀、进出口、金融数据、工业增加值、消费、投资、房地产、财政收支等一系列经济金融指标；与此同时，还需要同步观察高频数据、政策变化、海外经济以及大类资产表现。不同数据发布时点并不一致，一个月内往往需要多次完成“数据更新—分析判断—观点修正”的循环。从表面上看，每个月宏观数据都在变化，但研究员实际执行的很多基础工作具有较强重复性：获取最新数据→更新历史序列→计算同比和环比→与前值和市场预期比较→更新图表→查找历史同期→阅读官方解释→寻找相关高频指标→最终形成分析。而这恰恰是人工智能及自动化技术具有比较优势的环节。程序可以稳定完成同比、环比、移动平均、历史分位数等确定性计算；大模型则可以承担大量非结构化文本的信息提取、分类和归纳工作。例如，从统计局新闻稿中提取数据变化，从政策文件中识别新增表述，从过去数年的报告中检索类似阶段，并将不同来源的信息组织成结构化研究底稿。因此，AI对宏观研究最直接的价值，并不是替代最终判断，而是首先压缩传统研究中大量用于“查找数据、计算数据、做图和找材料”的时间。我们可以将传统宏观研究流程简化为：数据获取→数据处理→信息整理→逻辑分析→观点形成→资产映射。固定收益|固定收益专题请务必阅读正文之后的信息披露和免责申明4图1：传统宏观研究流程与AI智研流程资料来源：天风证券研究所（2）宏观研究强调“跨变量连接”，大模型有望强化结构分析能力宏观经济从来不是单一变量决定的。一个指标发生变化，往往需要放在完整经济链条中理解。例如：出口改善→工业生产改善→企业收入改善→利润改善→制造业投资改善→就业和工资改善→消费改善。但现实中，这一传导链条并不一定完整。可能出现：出口很强，但利润偏弱；也可能出现：工业生产很强，但居民消费偏弱的现象。因此，宏观研究真正需要回答的不是“哪个指标上升了”，而是不同指标之间的传导是否顺畅？这也是宏观研究逐渐从单纯总量分析向结构分析转变的重要原因。在这一过程中，大模型的潜在优势在于能够同时处理更多维度的信息，并辅助识别传统单指标分析中容易忽略的矛盾。例如，当系统发现：工业增加值较强；出口高增长；社零低增长；固定资产投资较弱；通胀偏低；私人信用不足。AI可以提示研究员：当前经济可能存在“生产端强于终端需求”的结构特征，需要进一步分析生产增长究竟通过出口、库存还是其他资本形成消化。这种“异常组合识别”，可能比简单地自动写一篇数据点评更有研究价值。未来AI智研的重要方向之一，可能就是从自动描述数据进一步升级到自动发现数据之间不容易被察觉的矛盾。（3）AI赋能的本质，是将研究员从“信息处理”推向“问题发现”传统研究流程往往是：研究员花大量时间准备材料，再用剩余时间形成判断。未来更理想的研究流程可能变为：系统准备材料→AI筛选异常→研究员寻找核心矛盾→AI辅助验证→研究员形成判断。请务必阅读正文之后的信息披露和免责申明研究员的工作重心因此可以进一步向三个方向集中：第一，寻找预期差。市场已经知道什么？哪些数据已经被充分定价？什么变化可能超出市第二，识别传导变化。政策出了以后是否真正影响融资？生产改善以后是否改善利润？利第三，判断资产定价。分析经济变化对于债券、股票、商品等资产分别意味着什么。从这一角度看，AI并不会降低宏观研究员的重要性。相反，当基础信息获取成本下降之后，真正能够区分研究质量的，将更加集中在：如何提出问题、如何识别核心矛盾，以及如何理解经济变化最终如何映射到资产价格。资料来源：天风证券研究所请务必阅读正文之后的信息披露和免责申明2.AI智研：构建宏观经济数据自动点评智能体2.1.主要目标与技术架构宏观数据点评通常需要在数据发布后的较短时间内完成以下工作：核对当期值、前值和市场预期，识别总量与结构变化，形成主要判断，更新图表，撰写报告，并完成数字、逻辑和版式审查。传统流程依赖分析师在Excel、Word、数据库和研究框架之间反复切换，容易出现月份错位、单位误用、摘要与正文不一致、图表未更新和模板排版漂移等问题。本项目利用Codex在本地项目目录中读取文件、调用脚本、组织研究步骤和检查输出的能力，把上述工作拆分为可复核的阶段。当前形态可准确表述为“由Codex调度、研究人员监督的可重复工作流”，而不是“任意底稿均可无人值守生成”的通用产品，后续月份可以复用现有流程。核心目标不是替代分析师作最终判断，而是把重复的数据处理、文档更新和检查动作自动化，并把研究判断的依据、未知项和审查结果显式保留下来。经济数据月报的Agent技术架构可以分为六层：文件接入、事实标准化、角色编排、图表处理、Word渲染和质量控制。每一层都有明确输入、输出和停止条件，避免模型在资料不足时直接生成看似完整但无法核验的报告。图3：宏观经济数据自动点评的Agent技术架构资料来源：天风证券研究所2.2.为什么使用Codex？Codex在本项目中不是单纯的文本生成器，而是工作流执行和协调层。它可以同时理解目录中的代码、配置、研究框架和模板处理脚本，并在授权范围内操作本地文件。对于本文宏观经济数据点评，稳定性来自“清晰输入+确定性脚本+结构化研究输出+多重审查”，而不是只依赖一条宽泛提示词。这种能力主要体现在以下方面：第一，Codex可以读取Excel、JSON、Markdown、Python、PowerShell和Word等不同类型的文件，理解它们之间的依赖关系。请务必阅读正文之后的信息披露和免责申明7第二，Codex可以调用确定性程序进行单元格读取、数字复算、图表导出和文档生成，把适合程序处理的任务与适合模型处理的研究写作分开。第三，Codex可以按角色组织分析与审查，限制不同角色能看到的上下文，减少未经核验的信息在角色之间传播。第四，Codex可以保留执行记录、候选输出、问题台账和状态文件，使失败后恢复和事后追溯成为可能。第五，Codex可以把Word转为页面图像后检查版式，避免仅凭文本抽取判断文档是否2.3.数据输入与标准化层首先，输入用户Excel数据底稿。接收宏观经济数据，例如GDP、工业增加值、社零、固定资产投资、进出口、CPI/PPI、社融信贷等指标数据。此外，可以选择性补充需要重点回答的研究问题，例如“供需分化是否加剧”“内需修复的主要约束是什么”“政策传导应观察哪些变量”等。其次，标准化事实结构的输出。将Excel数据转换为AI可识别的标准化事实包，标准化事实包是自动化稳定运行的关键。它把“某个单元格里的数字”转换为带有指标名称、月份、单位、前值、预期值、来源位置和核验状态的事实。研究角色只能引用事实包中的证据编号，不能自行补造来源或用模型记忆填补最新数据。资料来源：Codex，天风证券研究所2.4.多角色研究与审查机制宏观经济点评中的Agent层是整个系统的核心，整个工作流包括数据底稿Agent、宏观研究Agent、报告撰写Agent、独立审查Agent。数据底稿Agent：负责统计口径、月份、单位、缺失值和异常值等方面的检查，主要产出是冻结事实、可写项、不可写项和问题清单；宏观研究Agent：负责工业、消费、投资、地产和政策传导分析；主要产出总量判断、结构变化和观察指标等；报告撰写Agent：按模板框架生成标题、摘要、正文和风险提示，主要产出结构化草稿及所引用证据；固定收益|固定收益专题请务必阅读正文之后的信息披露和免责申明8独立审查Agent：核对数字、时点、逻辑、证据、摘要与正文一致性和风险措辞，主要产出七项审查结果、问题台账和修改要求。独立审查的七项内容为：文字与标点；敏感与绝对化表述；摘要与正文一致性；数据口径与时间匹配；事件和指标覆盖；是否存在无数据支撑或来源缺失；修改是否引起前后文、摘要、图表和风险提示的连锁变化。审查状态分为PASS、FAIL和REVIEW。FAIL必须定位到草稿原句并给出明确修改要求；REVIEW表示模型无法独立确认，需要人工判断。核心职责主要产出数据底稿Agent核对月份、口径、单位、前值、预期冻结事实、可写项、不可写项和问题宏观研究员Agent分析工业、服务、消费、投资、地产、出口、物价和政策传导总量判断、结构变化、竞争解释和观察指标报告撰写员Agent按模板组织标题、摘要、正文和风险提示结构化草稿及所引用证据独立审查员Agent检查数字、时点、逻辑、证据、摘要正文一致性和措辞七项审查结果、问题台账和修改要求资料来源：天风证券研究所此外，两个Python文件“engine.py”与“enhanced.py”是智能体的“流程控制中枢”。“engine.py”是基础流程引擎，类似“项目经理”。它主要负责把任务拆成数据整理、研究写作、独立审查等阶段；决定每个角色可以读取哪些输入和前序结果；按顺序执行各个阶段；检查模型是否按规定格式返回结果；支持暂停、继续、停止、深化分析和发起修订；网络或模型调用失败后，从已保存状态继续运行等。“enhanced.py”是增强控制层，类似“质量管理和审查系统”。它在“engine.py”的基础上，允许角色调用经过授权的查询或数值计算工具；把数字错误和审查意见登记到“问题台账”；要求撰写员修改后，由审查员逐项复验，处理“审查不通过→打回修改→再审查”的循环逻辑，而非线性执行。总体而言，现有的“engine.py”与“enhanced.py”已经实现角色隔离、阶段执行、工具调用、问题复验和状态恢复，下一步是让审查后的正文自动流向Word渲染器。资料来源：天风证券研究所固定收益|固定收益专题请务必阅读正文之后的信息披露和免责申明92.5.图表与Word生成首先，图表处理。本项目优先复用Excel中已经维护的数据和图表，以减少重复建模。Excel图表先通过本机Excel导出为PNG，再由图表处理脚本执行筛选、尺寸放大、背景转换和图例修整。7月经济数据点评样例选择了工业增加值、服务业增加值、社零、消费结构、投资和房地产等10张图表。其次，Word模板复用。Word生成器读取上期模板，在不重建整份文档的前提下替换标题、摘要、正文、图注、来源和图片。这样可以最大限度保留机构品牌、字体、表格结构、页眉页脚、署名和免责声明。当前8月经济数据点评样例，按Word段落编号和表格单元格位置写入内容。最后，版式验收。DOCX能被程序重新打开只说明文件包结构有效，不能证明页面没有截断、重叠、孤行、字体缺失或图表错位。最终报告必须经过以下验收1）用Word或受控渲染器把DOCX转为PDF2）把PDF渲染为逐页PNG3）检查全部页面的标题、段落、表格、图表、页眉页脚和分页4）修改Word后重新渲染，直至页面无明显缺陷；（5）最终只把DOCX放入“output”文件夹，中间PDF和页面图片放入临时目录或归固定收益|固定收益专题请务必阅读正文之后的信息披露和免责申明3.实战案例：8月经济数据点评本文以2026年8月经济数据点评为样例，展示智能体从真实Excel底稿和上期Word模板到最终DOCX文件的完整交付。当前形态可准确表述为“由Codex调度、研究人员监督的可重复工作流”，而不是“任意底稿均可无人值守生成”的通用产品，后续月份可以复用现有流程。（1）案例设置与报告交付本次案例的输入为2026年8月经济数据Excel底稿（涵盖工业增加值、社零、固定资产投资等指标）、上期点评Word模板，以及三个重点研究问题：“供需分化是否加剧”“内需修复的主要约束是什么”“政策传导应观察哪些变量”。输出为一份完整的数据点评DOCX——《经济数据点评20260915：生产回升，内需约束仍在》，包括标题、摘要、正文四个部分以及图表和风险提示。（2）输出总览：版式与形态图7为输出报告首页及摘要，标题《生产回升，内需约束仍在》即为总量判断，图8-9为正文页面的示例，分别是总量结构分析与工业生产章节，报告的图表由Excel底稿图表经导出、筛选、尺寸放大和背景转换后自动插入。仅从版式看，输出与人工撰写的点评报告形态基本一致，这正是“模板复用＋逐页版式验收”流程的目标。（3）关键内容节选：研究框架如何落地以下为输出报告的摘要节选（报告撰写Agent生成，并经独立审查Agent“摘要与正文一致性核验” 摘要中的数据引用均对应标准化事实包中的证据编号。以“工业增加值增长5.2%，较前值回升0.7个百分点并高于预期0.5个百分点”为例，当期值、前值、预期值及偏离幅度均来自事实包的确定性计算，而非模型记忆，从机制上避免了月份错位和数字编造。以下为正文“核心判断”段落节选（宏观研究Agent产出 这一段落体现了本工作流与普通文本生成的差异：报告不仅给出总量判断，同时给出替代解释、后续观察指标，使观点可跟踪、可检验。该输出对应宏观研究Agent“总量判断、结构变化和观察指标”的职责设定。（4）事实核验的落地：“停止机制”实例 这处的处理正是通用“一键生成”流程最容易出错、也最不易被人工发现的地方——模型倾向于用记忆补齐缺失数字，使报告看似完整但无法核验。本工作流通过“事实包证据编号＋不可写项清单＋独立审查”的组合，把“不知道”显式写入报告，这是自动点评可信度的核心来源。（5）AI智研的局限与下一步需要说明的是，本案例中研究员仍承担了三个环节：研究问题的设定、审查状态为REVIEW固定收益|固定收益专题请务必阅读正文之后的信息披露和免责申明事项的人工判断，以及终稿的确认。AI输出可以提供初步判断但并非最终观点，研究员仍需进一步完成核心观点确认、逻辑修正以及投资含义提炼。图7：AI智研：8月经济数据点评输出（资料来源：wind，天风证券研究所注：AI输出报告《生产回升，内需约束仍在》并非正式外发报告请务必阅读正文之后的信息披露和免责申明图8：AI智研：8月经济数据点评输出（总量与结构分析）资料来源：wind，天风证券研究所注：AI输出报告《生产回升，内需约束仍在》并非正式外发报告请务必阅读正文之后的信息披露和免责申明图9：AI智研：8月经济数据点评输出（工业生产章节）资料来源：wind，天风证券研究所注：AI输出报告《生产回升，内需约束仍在》并非正式外发报告固定收益|固定收益专题请务必阅读正文之后的信息披露和免责申明4.风险提示1）数据口径调整风险：宏观数据普遍存在修订、季节调整、基数效应和口径变化，AI智研若未同步最新修订值或误用初值、旧口径，可能基于不准确数据生成点评，导致结论发生偏差。2）模型误读与因果推断风险：AI容易将统计相关性误作因果关系，忽视政策影响、外部环境和领先滞后关系，可能输出“看似专业”但缺乏依据的结论，对经济拐点、异