AI Agent在主动投研中如何构建从数据获取到决策留痕的闭环工作流？

AI Agent重构主动投研工作流的核心在于构建“数据-知识-应用”三层架构，实现从单点工具到流程引擎的转变。

首先，在数据底座层面，Agent通过标准化接口解决数据获取效率与准确性问题。一方面，利用Wind MCP（Model Context Protocol）将金融数据服务封装为Agent可调用的工具层，支持股票、指数、宏观指标等基础数据查询及公告、新闻等事件跟踪，嵌入连续工作流以提升调用效率。另一方面，通过技能化封装内部因子库（如DongWuFactor Skill），降低取数门槛，自动完成因子查询、样本筛选及结果导出，确保因子测试与策略迭代的口径一致性。

其次，在知识资产层面，机构通过专有知识沉淀构筑差异化竞争力。利用ima知识库将研报、网页、笔记等分散资料系统化沉淀，结合浏览器插件实现“边阅读、边沉淀、边调用”。WorkBuddy作为场景化AI Agent工作台，通过调用ima知识库，推动知识资产从“可查询”向“可执行”演进。此外，通过整理微信聊天记录与邮件信息，形成“知识沉淀—智能调用—信息加工—知识回流”的闭环，将碎片化交流转化为长期可复用的投研素材。

最后，在复杂应用层面，Agent通过Skill封装构建结构化工作流，缓解上下文污染问题。在宏观数据分析中，自动提取数据并生成通胀现状总结与核心变量锁定；在投资价值分析中，固化分析范式，打通取数至报告输出的全链路，规避事实幻觉；在深度研究中，将研究框架拆解为研究对象识别、假设生成、证据链整理及反方质询等步骤，确保研究方法的审计性与可迭代性；在投资决策场景中，通过定义角色、规定讨论顺序及输出标准化格式，实现决策留痕与风险质询，使结论具备可复盘、可修正的结构化特征。总体而言，AI Agent并非替代研究员，而是承担重复性信息处理与流程组织工作，帮助研究人员聚焦关键判断与最终决策。