通用大模型与金融垂类Agent在金融场景中如何协同与竞争？

通用大模型与金融垂类Agent在金融场景中呈现出既竞争又协同的复杂关系。通用大模型具备较强的推理、搜索和任务规划能力，但在金融投研所需的实时行情、财务数据、研报及可追溯信息方面存在不足。因此，通用Agent主要通过两条路径进入金融场景：一是外接专业金融能力，通过MCP、Skills等标准接口接入同花顺iFinD、Wind等专业数据库，获取实时数据和分析工具；二是机构本地化部署，金融机构以DeepSeek等通用模型为底座，结合内部数据和业务系统构建专属Agent，满足数据安全与合规要求。

相比之下，金融垂类Agent依托专业金融数据，在实时性、准确性、信息溯源和场景适配方面具有显著优势，更能满足金融业务对专业性、合规性和风险控制的要求。垂类Agent深耕特定场景，如B端的投研工作流优化和C端的投资陪伴服务，形成了深厚的场景壁垒。通用模型不会完全取代金融垂类，但会分流C端浅层需求，如基础问答和信息检索。对于模型拥有者而言，提供底层能力而非解决方案是其定位，通过与数据、场景拥有者的协同，弥补专业数据短板，决定其金融化上限。

这种协同与竞争重塑了行业格局。数据拥有者通过开放MCP/Skills接口，将静态数据转化为动态能力，拓展了商业化出口，但也面临被平台型Agent削弱终端优势的风险。模型拥有者凭借开源低成本优势，成为机构本地化部署的首选，推动了金融AI的普及。平台拥有者则通过集成多方金融能力，成为新的分发枢纽，可能改变传统金融终端的用户粘性。长期来看，B端专业数据沉淀与C端行为数据反哺将形成数据飞轮，推动Agent能力持续迭代，促进金融服务的智能化与普惠化。