AI Agent重構主動投研工作流：從數據底座到復雜應用

AI Agent重塑投研范式：從單點問答到流程引擎

隨著大語言模型能力的持續演進，AI應用形態正經歷從單輪問答、內容生成向具備任務拆解、工具調用及流程沉淀能力的AI Agent階段轉變。對于主動投研領域而言，這一變革的核心意義并非讓AI直接替代研究員給出最終投資結論，而是將其定位為“投研助手+流程引擎+知識沉淀工具”的組合體。傳統投研工作流中，研究員面臨信息來源分散、數據口徑不一、歷史觀點難以回溯及調研內容沉淀不足等痛點，導致工作重心從“信息不足”轉向“信息過載”。AI Agent通過承擔資料檢索、數據調用、文本摘要、報告初稿及代碼輔助等高頻重復工作，顯著降低基礎信息處理的時間消耗；同時，通過將行業研究、公司跟蹤、調研整理及投決會討論等工作拆解為標準化步驟，在流程中提示證據缺口與風險假設，并將聊天記錄、會議紀要及研究報告持續歸檔，形成可檢索、可追溯、可復用的專有知識資產。

數據底座構建：標準化數據調用的雙重路徑

數據是AI Agent深度介入投研工作流的基礎。只有當底層數據具備清晰口徑、穩定接口和可追溯來源時，Agent生成的內容才具備進一步分析和復盤的價值。在數據層，Agent主要通過兩條路徑實現標準化數據調用。一是外部數據調用，依托Wind MCP（Model Context Protocol）等工具，將金融數據服務封裝為Agent可調用的工具層。Wind MCP不僅支持股票、指數、基金、債券及宏觀指標等基礎數據查詢，還能跟蹤公告、新聞及市場異動等事件和文本信息，其優勢在于嵌入Agent連續工作流，使數據調用、文本整理和觀點生成處于同一任務鏈條中，相比傳統終端手工查詢或Excel插件取數，大幅提升了調用準確性和效率。二是自建數據庫調用，內部因子庫作為量化投研的重要數據底座，通過技能化封裝（如DongWuFactor Skill），降低取數門檻并提升因子使用過程中的口徑一致性。Agent可自動完成因子查詢、樣本篩選及結果導出，減少重復取數代碼，提高因子測試、復核及策略迭代效率。

知識資產沉淀：構筑AI時代的差異化競爭力

在大模型日益普及、通用數據和外部供應商覆蓋范圍趨同的背景下，機構競爭優勢將更多來自可供AI調用的專有知識資產。這些資產包括內部研究框架、歷史討論記錄、專家判斷、行業跟蹤經驗、投后復盤及跨團隊協作中形成的隱性知識。通過將這些專有知識系統化、結構化、可調用化，機構能讓AI延續自身的研究方法、投資風格與判斷能力，從而構筑難以復制的核心競爭力。

在知識層，ima知識庫與WorkBuddy的協同應用成為關鍵。ima知識庫作為騰訊推出的AI知識管理工具，支持將研報、網頁、文章及筆記等分散資料沉淀為可檢索、可調用、可復用的知識資源。其瀏覽器插件功能實現了“邊閱讀、邊沉淀、邊調用”的工作流，降低了知識沉淀門檻。WorkBuddy則作為場景化AI Agent工作臺，具備自然語言理解、自主規劃與執行及多模態任務處理能力，推動專有知識資產從“可查詢”向“可執行”演進。通過WorkBuddy調用ima知識庫，研究人員可在具體流程中精準獲取團隊共享知識。

復雜應用場景：從輔助工具到協作系統

在數據層和知識層基礎上，Agent可進一步構建復雜投研流程，緩解上下文管理、任務拆解及執行效率等結構性問題。針對“上下文污染”現象，將重復性工作流拆分為結構化的Agent工作流更為適宜。具體應用場景包括：宏觀數據分析，通過調用Wind-MCP Skill獲取CPI、PPI等數據，自動完成現狀總結、核心變量鎖定及綜合結論生成，使研究員聚焦于變量邏輯判斷；投資價值分析報告，將分析范式封裝為專屬Skill，打通取數、因子解析、邏輯研判至報告輸出的全自動化鏈路，規避大模型事實幻覺問題；本地知識庫構建，利用Agent工具對行業藍皮書、專題報告進行解析、關鍵詞抽取及概念關聯，構建LLM-Wiki體系，實現投研資料私有化管理與深度挖掘。

此外，研究框架類Skill將研究員日常判斷問題的方式沉淀為可復用工作流，要求Agent區分事實、推論和判斷，給出核心假設、證據鏈及反方視角，確保研究方法的審計性與可迭代性。投資專家討論場景與投資決策場景則通過定義會議角色、規定討論順序及輸出標準化格式，將真實投研會中的角色分工、質詢機制和決策留痕沉淀下來。投決會類Skill不直接替代投資人給出買賣結論，而是幫助拆解決策對象、證據包及風險質詢，使最終結論具備可復盤、可追問、可修正的結構化特征，明確“什么情況說明我們錯了”及“接下來跟蹤什么指標”，從而提升決策質量與風控水平。