AI Agent重构主动投研工作流：从数据底座到复杂应用

AI Agent重塑投研范式：从单点问答到流程引擎

随着大语言模型能力的持续演进，AI应用形态正经历从单轮问答、内容生成向具备任务拆解、工具调用及流程沉淀能力的AI Agent阶段转变。对于主动投研领域而言，这一变革的核心意义并非让AI直接替代研究员给出最终投资结论，而是将其定位为“投研助手+流程引擎+知识沉淀工具”的组合体。传统投研工作流中，研究员面临信息来源分散、数据口径不一、历史观点难以回溯及调研内容沉淀不足等痛点，导致工作重心从“信息不足”转向“信息过载”。AI Agent通过承担资料检索、数据调用、文本摘要、报告初稿及代码辅助等高频重复工作，显著降低基础信息处理的时间消耗；同时，通过将行业研究、公司跟踪、调研整理及投决会讨论等工作拆解为标准化步骤，在流程中提示证据缺口与风险假设，并将聊天记录、会议纪要及研究报告持续归档，形成可检索、可追溯、可复用的专有知识资产。

数据底座构建：标准化数据调用的双重路径

数据是AI Agent深度介入投研工作流的基础。只有当底层数据具备清晰口径、稳定接口和可追溯来源时，Agent生成的内容才具备进一步分析和复盘的价值。在数据层，Agent主要通过两条路径实现标准化数据调用。一是外部数据调用，依托Wind MCP（Model Context Protocol）等工具，将金融数据服务封装为Agent可调用的工具层。Wind MCP不仅支持股票、指数、基金、债券及宏观指标等基础数据查询，还能跟踪公告、新闻及市场异动等事件和文本信息，其优势在于嵌入Agent连续工作流，使数据调用、文本整理和观点生成处于同一任务链条中，相比传统终端手工查询或Excel插件取数，大幅提升了调用准确性和效率。二是自建数据库调用，内部因子库作为量化投研的重要数据底座，通过技能化封装（如DongWuFactor Skill），降低取数门槛并提升因子使用过程中的口径一致性。Agent可自动完成因子查询、样本筛选及结果导出，减少重复取数代码，提高因子测试、复核及策略迭代效率。

知识资产沉淀：构筑AI时代的差异化竞争力

在大模型日益普及、通用数据和外部供应商覆盖范围趋同的背景下，机构竞争优势将更多来自可供AI调用的专有知识资产。这些资产包括内部研究框架、历史讨论记录、专家判断、行业跟踪经验、投后复盘及跨团队协作中形成的隐性知识。通过将这些专有知识系统化、结构化、可调用化，机构能让AI延续自身的研究方法、投资风格与判断能力，从而构筑难以复制的核心竞争力。

在知识层，ima知识库与WorkBuddy的协同应用成为关键。ima知识库作为腾讯推出的AI知识管理工具，支持将研报、网页、文章及笔记等分散资料沉淀为可检索、可调用、可复用的知识资源。其浏览器插件功能实现了“边阅读、边沉淀、边调用”的工作流，降低了知识沉淀门槛。WorkBuddy则作为场景化AI Agent工作台，具备自然语言理解、自主规划与执行及多模态任务处理能力，推动专有知识资产从“可查询”向“可执行”演进。通过WorkBuddy调用ima知识库，研究人员可在具体流程中精准获取团队共享知识。

复杂应用场景：从辅助工具到协作系统

在数据层和知识层基础上，Agent可进一步构建复杂投研流程，缓解上下文管理、任务拆解及执行效率等结构性问题。针对“上下文污染”现象，将重复性工作流拆分为结构化的Agent工作流更为适宜。具体应用场景包括：宏观数据分析，通过调用Wind-MCP Skill获取CPI、PPI等数据，自动完成现状总结、核心变量锁定及综合结论生成，使研究员聚焦于变量逻辑判断；投资价值分析报告，将分析范式封装为专属Skill，打通取数、因子解析、逻辑研判至报告输出的全自动化链路，规避大模型事实幻觉问题；本地知识库构建，利用Agent工具对行业蓝皮书、专题报告进行解析、关键词抽取及概念关联，构建LLM-Wiki体系，实现投研资料私有化管理与深度挖掘。

此外，研究框架类Skill将研究员日常判断问题的方式沉淀为可复用工作流，要求Agent区分事实、推论和判断，给出核心假设、证据链及反方视角，确保研究方法的审计性与可迭代性。投资专家讨论场景与投资决策场景则通过定义会议角色、规定讨论顺序及输出标准化格式，将真实投研会中的角色分工、质询机制和决策留痕沉淀下来。投决会类Skill不直接替代投资人给出买卖结论，而是帮助拆解决策对象、证据包及风险质询，使最终结论具备可复盘、可追问、可修正的结构化特征，明确“什么情况说明我们错了”及“接下来跟踪什么指标”，从而提升决策质量与风控水平。