AI行業：未來已來-AI賦能消費投研系列研究一

目 錄一、行業現狀：AI使用深度不一，三大阻礙約AI投研應用 5（一）AI投使現狀 51AI使用況因而，技力高容心AI替代究員 52、的力/帶是AI使用的要約素 53、動量投經試圖對靠攏 6（二行存的遍礙 61、在求清表間障礙 62、術產化間礙 73、規信安與之間平衡 9二、投資視角：AI投研的目標是產出有價值投結論 10（一現研AI工分類 10（二）信息->理->輸三環解研程 三、技術視角：如解數據準確性、推理盒深度研究問題 13（一投痛一數可靠性 13（二投痛二黑問題 141、盒三表現 142、什么AI直給投資論如不靠 153、決案多Agent叉驗+蜜檢測 17（三投痛三深研究力 18四、產品視角：技服于投研的落地 20（一解純Skill無解決更雜題 20（二）AI研員 201、計的解深究問并出資論 202、調性設計AIAgent時重關注 213、用AI的二導：AI的自迭代 22（三）“活知庫 231、計的儲非化信并決盒題 232、層知庫構 253、么是活的識庫？ 264、正使場是A2A為AI投研流的環 27（四投用Harness+Agent框架 27五、風險提示 28圖表目錄圖表1 有Coding個“單”任也要設調試 8圖表2 AI+研員職責 9圖表3 AI投研具本分類 圖表4 AI投研程環節 12圖表5 純Skill驅的作流易現種據誤 13圖表6 龍技股中提至據的據 14圖表7 盒三表現 15圖表8 一間樣示詞資議不樣 16圖表9 微改示結果不樣 17圖表10 同個話修改示結也一樣 17圖表該題通并非一型障 17圖表12 直提問AI認會索有據 19圖表13 顆度細拆解析于度究有效 19圖表14 AI研究結了基面技面析而輸投結論 21圖表15 深研框的AI主對方據驗證 21圖表16 AI自我習代顯提能進速度 23圖表17 單的識構不避的要協 24圖表18 AI知識思執行程透，保助研的確度 25圖表19 幾常數/知識架的比 26圖表20 Agent設的題解方案 26圖表21 知庫行限性判 27圖表22 Harness+Agent框架要意圖 28一、行業現狀：AI使用深度不一，三大阻礙制約AI投研應用（一）AI投研使用現狀1、AI使用情況因人而異，技術力較高更容易擔心AI替代研究員AIAIAICode(Anthropic)+AIAIAI處理Alpha派(AI投研平臺AIAIAIAIAI3月這個節點，在OpenclawOpusOpenclawAIOpenclawOpusAI可以替代一些人工工作的投研人員會更積極的使用AI替代手工工作，從而強化他們的認知。AI，恰恰會加速整個行業的AIAIAIAIAI2、人的精力/帶寬是AI使用的重要制約因素精力而非意愿才是AIAI/對AIAI成功率+AIAIAI的使對于較為深度的AI使用者，精力同樣限制了他們向更具顛覆性的應用場景跨越的能力。AIAIAIAge（3、主動和量化投資經理正試圖朝對方靠攏主動型基金經理試圖加入一些量化選股的策略。AIexcelAI點上AI量化基金經理則有興趣了解基本面信息或定期追蹤數據。AIAI雙方也各自保有不愿交出的護城河。AIAIAI（二）行業存在的普遍阻礙行業還普遍存在AI這些障礙可視為行業普遍的制約AIAI與產品策略等方式可以逐步緩解這些問題。1、潛在需求與清晰表達之間障礙表達障礙的本質是：需求對自身明確，但是無法清晰表達。也有很多信息損失或者噪音加入。傳統投研IT部門和外包IT正是因為該問題導致進度緩慢甚至無法落地需求。因為需求方提出的需求本身可能就很寬泛且不具體，而表述出來的同樣內容，技術人員的理解也不一樣，導致需求無法被正確滿足，常見的幾種情況如下：AI（）（推（推送。分析師提出要做一個AI的“行業相關”指的是二級市場角度，他只想看上市公司掛鉤的新聞。缺乏明確標準：CAI希望AI員更新了AI投研行業還面臨一個獨有的“非結構化信息”困境。投資的決策過程很多是直覺性的、非結構化的“我認為這個公司管理層不行、這個行業的節奏感不對”等等，這些判斷是真實且也許有效的，但如果要寫成提示詞或者策略規則，分析師和投資經理很難做到，甚至給技術人員表達都很困難，這是由投資本身的隱性知識屬性決定的。2、技術和產品化之間的障礙AI使用。例如：AI是PythonPDFPDF輸入，OCRAI24年25AI不對。為了解決該問題又需要給AI加上搜索功能和知識庫。AIAI最后在測試階段，其中的OCRAPI方案直接用Python庫提取PDF。圖表1 即便有Coding一個“簡單”的任務需要設計調試創證券總結即便需求已簡單至此，仍然經歷了反復的多輪開發與測試。這個需求已經十分簡單，但是仍然需要這樣多次的測試和整合，且其中任何一環出現問題都可能導致整個程序無法正常使用。作為開發者可以立馬排查原因并修改，但是一旦交付給同事或者客戶，這種Bug會極大影響使用體驗。更復雜的架構帶來了黑盒風險，用戶無法判斷產品是否真正按照預設計劃在運行。一些使用現成AIOpenclawGemini500具體去看才發現實際是GeminiSkillAgentSkill文件AgentAgent讀了這個Skill文件總結給子Agent作為提示詞執行，效果大打折扣還導致成本顯著提升。因此AIIAI圖表2AI+研究員的職責創證券總結3、合規、信息安全與效率之間的平衡AI合規問題主要聚焦于信息準確性與可復現性上。雖然信息安全和合規經常被相同部門所管理，但是實際上兩者的關注點是不同的，合規主要是確保信息真實可靠，表達的內容AIAIAIAgentAIAIAI的產出效信息安全問題則在中美AIAI202678ClaudeCodeDeepseekV4FlashKimi3Opus4.8與Fable5的水平，但是全能力仍然和頂級的閉源模型存在一些差距，因此國產模型需要更多的工程優化或Harness進行組合使用，方能達到最優效果。AIAI化的工作流；而通過多Agent合作與自研避免了數據出境和泄露風險，還降低了AI二、投資視角：AI投研的目標是產出有價值的投資結論投研也不應例外。AIAIAIAIAI（一）現有投研AI工具的分類投研AIAIDAI，IDETrae，CursorGeminiAlphaAlphaEngineOpenclawAAlphaAlpha出不穩定的功能，只保留需求最普遍的功能，這也會導致邊際價值的下降。圖表3 AI投研工具的基本分類創證券總結（二）信息->處理->輸出三環拆解投研流程因為現有AIAI同質化的AIAI工具。處理AI要達成這個目標需要多個環節的操作層層嵌套，共同合力才能實現目標。由于其中研究處理端的需求對大部分人更迫切。20AIAI或者進行自動化的數據分析或者監控，而這些都是信息處理的范疇。因此下文本報告也將從AI研究員開始介紹，以期讓邏輯鏈符合現實需求的發展。避免“毒樹之果”問題，信息才是基礎設施。在三環流程中，信息經過搜集和分析，最終形成投資結論，邏輯是閉環的，因此必須確保在每個環節的數據本身與分析處理過程都合理可控。如果數據在搜集來的時候就是錯誤的，那么即使有著深入的分析，也只能得到錯誤的結論。為了避免出現類似的“毒樹之果”的問題，信息系統的建設必然會成為未來AI投研的基礎設施。AIAI化的Alpha派(AI投研平臺)Alpha派(AI)AIAIAI長期看流程高度AI化是大勢所趨。AIAIAIAIAI圖表4 AI投研流程三大環節創證券總結三、技術視角：如何解決數據準確性、推理黑盒和深度研究問題AIAIAI（一）投研痛點一：數據可靠性SkillAILLM100%SkillAgent復核等方式讓AILLMSkill圖表5 純Skill驅動的工作流容易出現各種據誤創證券總結AISkillAI在使用Skill的碰運氣情景。1000Agent圖表6鱘龍科技招股書中提取至數據庫的數據創證券（二）投研痛點二：黑盒問題1、黑盒的三層表現黑盒問題在投研場景下表現為三個遞進層次，每一層都將前一層的問題進一步放大：躍。完全無法判斷它引用的數據是從知識庫檢索的、從訓練數據“回憶”的、還是純粹編造的AI幻覺。即便是查看AI的推理鏈，也未必就真的可靠。第二層：輸出不可復現。AI讓AIAI理解偏差，還可能因為提示詞中的某個約束條件被忽略，亦或是純粹的概率波動。傳統研究流程中，如果計算有誤，分析師可以逐行檢查Excel模型重新建模，但是在一個黑盒的AI流程中，這種追溯能力大幅下降。AIAI圖表7 黑盒的三層表現創證券總結2、為什么AI直接給出的投資結論會如此不可靠明確的投資建議是所有人都需要的東西，但是這個投資建議真實嗎？可靠嗎？卻很難有人做出確定性保證。因為關鍵差異往往體現在具體細節之中，即使看上去邏輯完善，其技術原理也未必可靠。首先，即使AI8080AI——758085。80更重要的是，即便AIAB可以接手打開ExcelAI立，沒有可供接手和復用的模型框架，導致無法后續使用DCFAI的C8=3%,80圖表8 同一時間同樣示詞投資建議卻不樣包圖表9 稍微修改提示結果大不一樣 圖表10 同一個會話略修改提示詞結果也一樣圖表該問題是通病并非單一模型故障emini,華創證券3、解決方案：多Agent交叉驗證+蜜罐檢測通過多AgentAgent合AI且被真Agent說明部分可能繞過了設計好的流程，或者推理出現偏差。AIAI2015AI2015AI2015AI這兩個解決方案共同運作，構成了下文Harness中提到的反“過家家”系統，保障推理過程真實發生。（三）投研痛點三：深度研究能力AIAIAI深度研究的價值在于認知增量的密度。深度研究的價值在于其差異化觀點——（是正確的AIAI強項，使得無論是AIAI15%AB真正的深度報告需要自建測算模型而非引用現成結論。×××可調參：可追溯：可聯動：更深層的障礙在于AI理解不了要素之間的因果關系。一個行業規模可以從需求側拆解（人群×AI解法是給AI信息。下一章中會詳細介，何將研究員的思維式予AI，使其可以實現深研究圖表12 直接提問AI認會搜索既有數據圖表13 顆粒度更細致拆解分析對于深度究有效I研究 注：此處為簡要總結，完整Skill可聯系研究員獲取四、產品視角：技術服務于投研的落地（一）解決單純Skill無法解決的更復雜問題SkillSkillAISkillSkillSkill的能力AIAgent方式解決該問題，但是多Agent因此為了解決更復雜的問題，我們設計了完整的產品，以確保對信息、處理和輸出三環流程的落地。AI研究員是我們設計的一整套AIAgent主要有以下特色：AIAgentAgent“AI（100+G）效率。HarnessAI提升，我們預測一個符合投研需求的Harness+AgentHarnessSkill（二）AI研究員1、設計目的：解決深度研究問題并輸出投資結論AIAI完整的研究流程：完整的研究流程。依托于流程的邏輯鏈：如人類研究員般細致的研究：AI圖表14 AI研究員結了基本面和技術面析而輸出投資結論I研究圖表15 深度研究框架的AI主動對三方數據進驗證創證券注：該數據僅為AI推算得來，可能需要進一步人工核驗2、可調優性：設計AIAgent時的重點關注新生AgentAI的工作流未經驗證：AI為AIAI很多工作流都必須在開發完成后測試并改進，如果提前投入生產這個工作流的有效性就必然是未經驗證的，用戶必須付出額外精力檢查潛在問題。AIAIAgent（訓練中這個能力已經習以為常了，但是AI仍然需要比較細致的工作去協調不同AgentAI的能力與經驗欠缺：AI（和經驗（SkillAIOpenclaw因此不應該對AIAIAIAIAIAIAI應當確保AISkills文件以及AIAgent開發者應當了解AI運行的邏輯：AIAI應當明確AIAIAI資操作能產生正收益。如果投資結論包含的目標價在目標期間內并沒有達到，就需要復核目標價形成的邏輯，檢查缺失的部分并補全。3、使用AI的二階導：AI的自我迭代AIAIL0-L5五最基礎的AIAI執一階導的狀態是寫Skill文件。AI使得AISkillAI特朗普最近有什么言論都通過該Skill執行。二階導則是教給AIAI可以SkillAgent.md們的AIAgent自我迭代也需要加入驗證和控制機制。類似于人學習之后要做作業和考試來驗證自己的學習成果，AI的自我迭代過程也需要加入驗證與控制機制。由于這里AI研究員的產出AI圖表16AI自我學習迭代顯著提升能力進步速度創證券總結）“活”知識庫1、設計目的：儲存非結構化信息并解決黑盒問題AI原因在于AIAI解法是在信息端為處理層AI知識庫還需要保障信息處理的流程清晰透明。信息的篩選與輸出也應當遵循一套標準化的流程，而不是單純的概率性隨機匹配。這也是之前的向量數據庫在許多企業無法落地的原因，因為企業不能接受自己的信息輸出基于純粹的概率，而不是一個穩定結果。另AI圖表17單一的知識庫架構不可避免的需要妥協創證券總結圖表18 AI知識庫思執行流程全透明，保助研究的準確度合知識2、多層次知識庫架構常見的三種知識庫路徑在技術上各有取舍。權衡。傳統SQL數據庫適合處理大規模結構化事實和指標RAG規模繼續擴大，甚至編譯后的內容也超過模型可穩定讀取和維護的范圍時（為了解決單一知識庫的短板，我們采用了多層知識庫架構形成優勢互補。作而不是互相拖后腿，我們將其他技術引入該知識庫，從而保障了不同架構之間的流暢并行，形成合力。圖表19 幾種常見數據/知識庫架構的對比SQLRAG系統LLMWiki最適合處理的信息財務數據、銷量、價格、庫存、估值、市場份額、時間序列研報、公告、訪談紀要、電話會、新聞、政策文件、網頁資料行業框架、公司畫像、投資邏輯、競爭格局、關鍵爭議、研究結論準確性高，數據結構清晰，可校驗、可復算、可追溯不穩定，取決于數據清洗、切分、召回、重排序等機制較高，和編譯質量、引用和校驗機制掛鉤信息容量企業級別，適合存儲和計算大規模結構化數據企業級別，適合接入海量文檔和非結構化材料個人級別，適合沉淀關鍵知識，但不適合把所有原始資料都總結進去非結構化信息處理能力弱，可以存文本，但不擅長理解文本語義強，可以從大量文本中檢索相關片段強，可以把非結構化文本整理成概念頁、實體頁和研究框架投研領域長板準確性高、返回速度快處理海量信息的相關關系把非結構化信息整理成邏輯與敘事投研領域短板非結構化信息處理能力弱返回的信息碎片化，難以匯總成有用的敘事或者進一步計算依賴編譯質量、信息源過多時輸出不夠穩定信息量增多后的風險結構僵化，難以覆蓋復雜語義噪聲累積、召回偏差、低質量資料干擾、高頻信息淹沒關鍵信息頁面膨脹、上下文超限、摘要損失、結論沖突、更新不一致對研究員的價值提供可靠的“事實底座”和量化證據提高資料查找和證據召回效率提高研究框架復用、觀點沉淀和知識傳承效率創證券總結3、什么是“活”的知識庫？“活”的本質在于知識庫能自主學習自身內容架構與用戶提問模式。由于多層架構的復雜性和對于信息準確性的高要求，問題的思考時間要更久。因此一方面為了讓復雜的知識庫架構可以更好運行，另一方面為了讓回答速度更快，該知識庫可以學習知識庫本身的信息模式與內容架構和用戶的提問。AIAgent會AgentAI圖表20 Agent設計的問題解決方案合知識4、真正的使用場景是A2A作為AI投研全流程的一環信息環節的基礎設施——檢索與標準化交付。>處理——>AIAgentAgentAI代性的場景。圖表21合知識（四）投研專用Harness+Agent框架預測到未來AI投研的復雜程度可能遠超Agent和Skill能夠解決的范疇，而LLM本身的能力上限仍然是個未知數，我們設計了一套投研領域專用的Harness，從而實現如下目標：復雜任務下數據的可靠性。AIAIAIAIClaudeCodeOpenclaw、Hermes用HarnessHarness目前該Harness已經投入試運行，并且實現了Skill的產出與查驗，我們的行業框架