1. 投研圈最近吵翻天的那个问题前阵子跟几个做投研的朋友吃饭席间有个刚入行两年的小朋友问了一句现在AI这么猛我们是不是快失业了桌上瞬间安静了两秒然后一个做了十几年卖方研究的老哥笑了笑说你担心错方向了AI不会让你失业但会让你的工作内容彻底变个样。这句话我琢磨了很久。作为一个在投研和数据分析交叉领域摸爬滚打多年的人我越来越确信一个判断AI不会替代分析师但会重写投资研究的分工逻辑。这不是安慰话而是正在发生的事实。过去半年我深度试用了市面上主流的几类AI智能体工具从通用大模型到专门做投研工作流的智能体框架踩了不少坑也摸出了一些门道。这篇文章想聊的不是AI有多强这种泛泛而谈而是具体到投研工作流里哪些环节正在被重构、怎么重构、作为分析师你应该怎么调整自己的位置。无论你是刚入行的助理研究员还是带团队的首席或者是做数据分析想转投研的朋友都能从里面找到能直接用的东西。核心关键词就几个AI、分析师、投资研究、智能体、投研工作流。我会围绕这几个词把分工重写的底层逻辑、实操路径、避坑经验一次讲透。2. 为什么说替代是个伪命题2.1 分析师这份工作到底在卖什么要判断AI会不会替代分析师得先搞清楚分析师这份工作到底在卖什么。很多人以为分析师卖的是结论——买入还是卖出目标价多少。但真正做过这行的人都知道结论是最不值钱的部分。一份深度报告里真正有价值的是三样东西信息的获取与甄别能力、逻辑框架的搭建能力、以及对不确定性的判断和沟通能力。信息获取与甄别指的是你能从海量噪音里捞出真正影响基本面的信号并且判断这个信号是真的还是假的、是短期的还是结构性的。逻辑框架指的是你能把零散的信息串成一条自洽的因果链从行业供需推到公司盈利从盈利推到估值。而对不确定性的判断和沟通指的是你敢在信息不全的时候下注并且能把这个判断有说服力地讲给基金经理、讲给客户听。这三样东西里AI目前最擅长的是第一样的前半段——信息获取。它能在几秒钟内读完几百页财报、爬完整个行业的新闻、把电话会议纪要转成结构化文本。但甄别、框架、判断和沟通恰恰是AI最不擅长的。这就是为什么替代是个伪命题AI替代的是分析师工作里那些可标准化的信息处理环节而不是分析师这个职业本身。2.2 AI真正吃掉的是哪部分工作量我做过一个粗略的统计一个初级分析师一天的工作时间大概这么分配找数据、整理数据、做表格、画图占掉50%到60%读材料、做笔记、写初稿占20%到30%真正用来思考、讨论、形成判断的时间可能不到20%。这个分配比例本身就是畸形的但因为过去没有更好的工具大家只能这么干。AI智能体切入的正是那50%到60%的脏活累活。举个具体例子过去要跟踪一个行业里20家公司的季度业绩你得一家一家下载财报、手动录入关键财务指标、算同比环比、做对比表一个季度下来光这个就耗掉好几天。现在用智能体工作流你可以让它自动抓取、自动提取、自动计算、自动生成对比表你只需要审核结果和补充判断。这不是替代这是把分析师从数据搬运工的角色里解放出来。注意这里有个认知陷阱。很多人以为AI把脏活干了分析师就轻松了。恰恰相反脏活被干掉之后剩下的是更难的活——判断和沟通。这意味着对分析师的能力要求不是降低了而是提高了。那些只会做表格、只会搬运数据的分析师才是真正危险的。2.3 分工重写的本质是能力重新定价我特别喜欢重写分工这个说法因为它精准地描述了正在发生的事。分工重写本质上是能力重新定价。过去投研团队里谁Excel玩得溜、谁数据找得快谁就有价值。现在这些能力的市场价正在快速贬值因为AI做得比你快还比你便宜。与此同时那些过去被低估的能力——提出好问题的能力、搭建分析框架的能力、在模糊信息里做判断的能力、把复杂逻辑讲清楚的能力——正在快速升值。这就像当年计算器普及之后会计这个职业没有消失但打算盘这项技能彻底不值钱了而财务分析和税务筹划的价值反而更高了。AI对投研的冲击是同一个逻辑。你如果还在拼命练打算盘的功夫那确实该焦虑但如果你把精力转向财务分析层面的能力AI反而是你的放大器。3. 投研工作流正在被拆成哪几块3.1 传统投研工作流的五个环节要把分工重写讲清楚得先把传统投研工作流拆开看。我把它归纳成五个环节信息采集、信息处理、分析建模、观点形成、观点输出。信息采集就是从各种渠道获取原始材料——财报、公告、新闻、研报、调研纪要、行业数据。信息处理是把这些非结构化或半结构化的材料整理成可用的结构化数据。分析建模是基于处理好的数据做定量和定性分析搭建估值模型、盈利预测模型。观点形成是在分析基础上形成投资判断。观点输出是把判断包装成报告、路演、电话会议等形式传递给客户。这五个环节里前两个是劳动密集型中间一个是技术密集型后两个是判断和沟通密集型。AI的冲击力度恰好是从前到后递减的。信息采集和处理环节AI几乎是碾压式的优势分析建模环节AI是强力辅助观点形成和输出环节AI目前只能打下手。3.2 智能体在每个环节的渗透程度具体到智能体AI Agent的渗透我按自己的实测经验给每个环节打个分。信息采集环节智能体渗透度能到80%以上尤其是那些有固定数据源的重复性采集任务基本可以全自动。信息处理环节渗透度70%左右结构化提取、数据清洗、格式转换这些做得很好但遇到需要专业判断的模糊信息还是得人来兜底。分析建模环节渗透度40%到50%。智能体能帮你跑财务模型、做敏感性分析、生成图表但模型假设的设定、关键变量的选择还是得分析师来定。观点形成环节渗透度20%左右智能体能给你提供素材和初步归纳但真正的判断必须人来下。观点输出环节渗透度30%智能体能帮你写初稿、做PPT、生成路演材料但临场的问答和说服AI替代不了。这个渗透度分布告诉我们一个关键结论AI对投研的改造是两头轻、中间重。最前端的采集和最末端的输出AI是辅助角色中间的处理和建模AI是主力。而分析师的价值正在从中间环节向两端转移——要么往更前端走去定义采集什么、为什么采集要么往更后端走去承担判断什么、怎么说服。3.3 一个真实的团队分工重构案例说个我观察到的真实案例。某中型买方团队原来5个分析师分工是按行业切的每人盯一个行业从数据到报告全包。引入智能体工作流之后他们的分工变成了三层底层是数据运营由1到2个擅长工具的分析师负责搭建和维护智能体工作流保证数据自动流转中层是行业分析由2到3个分析师负责在智能体产出的基础上做深度分析和判断顶层是观点输出由资深分析师和基金经理直接对接负责把判断转化为可执行的策略。这个重构的关键在于原来每人全包的模式被打破了取而代之的是流水线专家的混合模式。底层的数据运营是流水线追求效率和稳定中层的行业分析是专家追求深度和判断顶层的观点输出是接口追求说服力和影响力。这个团队引入智能体之后人均覆盖的行业数量翻了一倍但报告的质量和深度反而提升了因为分析师的时间从脏活里解放出来投到了真正需要脑子的地方。4. 智能体在投研工作流里的实操落地4.1 从哪个环节切入最划算如果你是一个想引入智能体的投研团队我的建议是从信息处理环节切入而不是从信息采集或观点输出切入。原因很简单信息采集环节虽然自动化收益大但往往涉及数据源权限、接口稳定性、合规等问题落地阻力大观点输出环节虽然诱人但AI生成的内容质量不稳定容易翻车风险高。信息处理环节是甜点区——数据已经在手上了任务边界清晰效果容易验证风险可控。具体来说你可以先从财报关键指标自动提取这个任务开始。选一个你覆盖的行业把过去四个季度的财报PDF丢给智能体让它提取营收、毛利率、净利润、经营性现金流等核心指标然后跟你手工做的表对比。如果准确率能到95%以上就可以把这个流程固化下来。这个任务的好处是验证成本低、效果直观、失败了也不影响核心业务。4.2 搭建一个最小可用的投研智能体工作流下面我讲一个最小可用的投研智能体工作流怎么搭。这里不涉及具体平台的推荐只讲通用的架构思路你可以根据自己的技术栈和预算选择合适的工具。整个工作流分四层。第一层是数据接入层负责把各种来源的数据接进来——财报PDF、公告文本、行情数据、新闻流。这一层的关键是统一数据格式把不同来源的数据都转成结构化的中间格式。第二层是处理层由智能体负责核心任务是信息提取、分类、摘要、去重。第三层是分析层智能体在这里做计算、对比、异常检测产出初步的分析结果。第四层是呈现层把分析结果组织成人类可读的报告或看板。搭建的时候有个关键原则每一层都要有人工审核点。不要让智能体从数据接入一路跑到呈现中间必须留出人工检查的环节。比如处理层产出结构化数据后让人快速扫一眼有没有明显错误分析层产出结论后让人判断逻辑是否成立。这个原则看起来降低了效率但实际上大幅降低了翻车风险长期看反而更划算。4.3 提示词工程在投研场景的特殊性投研场景的提示词工程跟通用场景有很大不同。最大的不同是对准确性和可追溯性的要求极高。通用场景里AI说错一句话无所谓投研场景里AI把一个财务数字搞错可能导致整个判断跑偏。所以投研场景的提示词必须包含三个特殊要素数据来源约束、计算过程要求、不确定性标注。数据来源约束就是明确告诉智能体只能用我提供的材料不许自己编。计算过程要求就是让它把每一步计算都写出来方便你核对。不确定性标注就是让它对不确定的地方明确标出来而不是含糊过去。举个例子一个好的投研提示词可能是这样的基于以下财报文本提取营收和净利润数据。只使用文本中明确出现的数据如果某项数据未出现标注未披露。计算同比增长率时写出计算公式和代入的数值。如果数据存在口径不一致的情况明确指出。实操心得我试过很多次发现投研场景下给智能体角色设定比给任务描述更重要。你告诉它你是一个严谨的财务分析师对数字准确性有强迫症比告诉它帮我提取财务数据效果好得多。角色设定会显著影响它的输出风格和严谨程度。5. 分析师的新分工从全包到分层5.1 三种新角色正在形成随着智能体工作流的普及投研团队里正在形成三种新角色。第一种是工作流架构师负责设计和维护智能体工作流保证数据流转顺畅、任务分配合理。这个角色需要既懂投研业务又懂工具和流程是团队里的技术担当。第二种是深度分析师负责在智能体产出的基础上做深度判断是团队里的脑子。第三种是观点输出者负责把判断转化为有说服力的表达对接客户和基金经理是团队里的嘴巴。这三种角色不是互斥的一个人可以同时具备多种能力但团队配置上需要有意识地分工。过去那种每个分析师都是全能选手的模式在智能体时代反而低效因为全能意味着每样都不够深。分层之后每个人在自己擅长的层面做到极致整体效率反而更高。5.2 不同层级分析师的能力升级路径如果你是一个初级分析师我的建议是优先往工作流架构师方向靠。原因很实际这个方向的需求正在快速增长而供给严重不足。大部分分析师要么不懂技术要么不愿意碰技术这就给了愿意学的人一个窗口期。你不需要成为程序员但你需要理解智能体怎么工作、数据怎么流转、提示词怎么写。这些技能的学习曲线并不陡但回报很高。如果你是一个中级分析师建议往深度分析师方向走。智能体把信息处理干了之后真正稀缺的是能在信息基础上做出高质量判断的人。这个方向需要你深耕某个行业或某个分析方法形成别人替代不了的认知优势。如果你是一个资深分析师那观点输出者是你的天然位置但要注意AI会改变输出的形式——过去靠一份深度报告打天下未来可能需要你更频繁地做即时判断和互动沟通。5.3 一个能力自检清单我整理了一个简单的自检清单你可以对照看看自己在新分工里的位置。如果你发现自己大部分时间在做找数据、做表格、写初稿这类工作那你的位置很危险需要尽快往上游或下游移动。如果你已经在做定义问题、搭建框架、形成判断这类工作那你的位置相对安全但需要学会用智能体放大你的产出。如果你在做说服客户、影响决策这类工作那你的位置最安全但需要适应AI辅助下的新沟通方式。能力维度危险区安全区增值区数据处理手工录入、格式转换审核智能体产出设计数据处理流程分析建模套模板跑模型调整模型假设创新分析方法观点形成复述他人观点独立形成判断形成差异化认知观点输出写标准报告定制化沟通影响关键决策这张表的核心信息是越往设计和判断走越安全越往执行和复述走越危险。智能体擅长执行不擅长设计和判断。你的职业安全感取决于你离设计和判断有多近。6. 实操中踩过的坑和排查技巧6.1 智能体一本正经胡说八道怎么破这是投研场景用智能体最常见的坑。智能体最危险的地方不是它说我不知道而是它自信满满地编造一个看起来很像真的数字。我踩过好几次这种坑有一次它把一个公司的营收数据编得跟真的一样格式、量级都对但就是错的。后来我总结了一套排查方法。第一招是交叉验证。关键数据至少让智能体从两个不同来源提取对比结果。如果两个来源结果不一致就要人工介入。第二招是要求溯源。在提示词里明确要求它标注每个数据的出处比如来自2024年Q3财报第5页。如果它标不出来这个数据就存疑。第三招是设置合理性检查。让智能体在输出数据后自动做一次合理性检查比如营收同比增长率是否在-50%到200%之间超出范围就标红。注意不要指望通过一次提示词优化就彻底解决幻觉问题。幻觉是大模型的固有特性只能通过流程设计来降低风险不能根除。所以人工审核点永远不能省。6.2 数据口径不一致导致的假异常另一个常见的坑是数据口径问题。不同来源的数据口径可能不一样——有的是合并报表有的是母公司报表有的是自然年有的是财年有的含税有的不含税。智能体如果不理解这些差异就会把口径差异当成真实变化报出假异常。解决这个问题的关键是在数据接入层就做好口径统一。具体做法是为每个数据源建立元数据描述标明它的口径、时间范围、币种、是否含税等信息。智能体在处理数据时先读取元数据再做口径转换。这个工作前期投入大但一次做好后面省心很多。我见过太多团队因为口径问题被智能体报出的假异常折腾得焦头烂额。6.3 智能体工作流跑着跑着就崩了的排查思路智能体工作流跑一段时间后出问题是家常便饭。常见的崩溃原因有三类数据源变化、提示词失效、模型更新。数据源变化比如某个网站改版了抓取规则失效提示词失效比如业务逻辑变了但提示词没更新模型更新比如底层大模型升级了输出风格变了。排查的时候我习惯用二分法先把工作流从中间切开看前半段数据接入处理的输出是否正常。如果前半段正常问题就在后半段如果前半段就不正常问题就在前半段。这样能快速定位问题区域。定位之后再逐层排查。我的经验是80%的问题出在数据源变化上所以每次工作流出问题先检查数据源。6.4 常见问题速查表问题现象可能原因排查方法解决思路数据明显错误模型幻觉交叉验证、要求溯源增加人工审核点报出假异常数据口径不一致检查元数据统一口径转换工作流中断数据源变化二分法定位更新抓取规则输出风格突变模型更新对比历史输出重新调优提示词处理速度变慢数据量激增监控处理时长优化任务分配结果不稳定提示词模糊复现测试细化提示词约束这张表是我自己踩坑踩出来的基本覆盖了投研场景用智能体80%的常见问题。建议你把它打印出来贴在工位上出问题的时候对照着排查能省不少时间。7. 我对这件事的真实看法聊了这么多技术和流程最后说点掏心窝子的话。我入行的时候前辈告诉我这行拼的是信息差——谁先拿到信息谁赢。后来发现信息差越来越难维持因为信息传播太快了。再后来大家开始拼认知差——同样的信息谁能解读得更深谁赢。现在AI来了信息处理的门槛被彻底拉平认知差成了唯一的护城河。所以我的真实看法是AI对分析师最大的冲击不是抢饭碗而是把勤奋这个维度的价值大幅稀释了。过去你愿意熬夜读财报、愿意一家家跑调研就能建立优势。现在这些体力活AI都能干你的勤奋如果还停留在体力层面就没有意义了。未来的勤奋应该是勤奋地思考、勤奋地质疑、勤奋地形成独立判断。这种勤奋AI替代不了也稀释不了。我见过一些分析师引入智能体之后反而更焦虑了因为他们发现自己除了做表格好像不会别的。我也见过一些分析师引入智能体之后如鱼得水因为他们本来就有很强的判断力只是过去被脏活拖累现在终于能专注在真正擅长的事情上。这两种人的差距在AI时代会被急剧放大。最后分享一个我自己的小习惯每次用智能体产出一份分析之后我都会问自己一个问题——如果这份分析是我手下的人做的我会满意吗我能在它基础上加什么这个问题能帮我快速定位自己的增值点。如果我发现我加不了什么那说明这个任务确实该交给AI如果我能加很多那说明我的价值就在这里。这个习惯坚持了半年我对自己的定位越来越清晰了。分工重写不是坏事它逼着每个人想清楚自己到底值钱在哪。想清楚的人会活得比以前更好想不清楚的人才会被时代甩下。 
长河君 · 2026/11/2 8:24:42 · 阅读 1.2k AI智能体重写投研工作流：分析师如何从数据搬运工转型为判断者
1. 投研圈最近吵翻天的那个问题前阵子跟几个做投研的朋友吃饭席间有个刚入行两年的小朋友问了一句现在AI这么猛我们是不是快失业了桌上瞬间安静了两秒然后一个做了十几年卖方研究的老哥笑了笑说你担心错方向了AI不会让你失业但会让你的工作内容彻底变个样。这句话我琢磨了很久。作为一个在投研和数据分析交叉领域摸爬滚打多年的人我越来越确信一个判断AI不会替代分析师但会重写投资研究的分工逻辑。这不是安慰话而是正在发生的事实。过去半年我深度试用了市面上主流的几类AI智能体工具从通用大模型到专门做投研工作流的智能体框架踩了不少坑也摸出了一些门道。这篇文章想聊的不是AI有多强这种泛泛而谈而是具体到投研工作流里哪些环节正在被重构、怎么重构、作为分析师你应该怎么调整自己的位置。无论你是刚入行的助理研究员还是带团队的首席或者是做数据分析想转投研的朋友都能从里面找到能直接用的东西。核心关键词就几个AI、分析师、投资研究、智能体、投研工作流。我会围绕这几个词把分工重写的底层逻辑、实操路径、避坑经验一次讲透。2. 为什么说替代是个伪命题2.1 分析师这份工作到底在卖什么要判断AI会不会替代分析师得先搞清楚分析师这份工作到底在卖什么。很多人以为分析师卖的是结论——买入还是卖出目标价多少。但真正做过这行的人都知道结论是最不值钱的部分。一份深度报告里真正有价值的是三样东西信息的获取与甄别能力、逻辑框架的搭建能力、以及对不确定性的判断和沟通能力。信息获取与甄别指的是你能从海量噪音里捞出真正影响基本面的信号并且判断这个信号是真的还是假的、是短期的还是结构性的。逻辑框架指的是你能把零散的信息串成一条自洽的因果链从行业供需推到公司盈利从盈利推到估值。而对不确定性的判断和沟通指的是你敢在信息不全的时候下注并且能把这个判断有说服力地讲给基金经理、讲给客户听。这三样东西里AI目前最擅长的是第一样的前半段——信息获取。它能在几秒钟内读完几百页财报、爬完整个行业的新闻、把电话会议纪要转成结构化文本。但甄别、框架、判断和沟通恰恰是AI最不擅长的。这就是为什么替代是个伪命题AI替代的是分析师工作里那些可标准化的信息处理环节而不是分析师这个职业本身。2.2 AI真正吃掉的是哪部分工作量我做过一个粗略的统计一个初级分析师一天的工作时间大概这么分配找数据、整理数据、做表格、画图占掉50%到60%读材料、做笔记、写初稿占20%到30%真正用来思考、讨论、形成判断的时间可能不到20%。这个分配比例本身就是畸形的但因为过去没有更好的工具大家只能这么干。AI智能体切入的正是那50%到60%的脏活累活。举个具体例子过去要跟踪一个行业里20家公司的季度业绩你得一家一家下载财报、手动录入关键财务指标、算同比环比、做对比表一个季度下来光这个就耗掉好几天。现在用智能体工作流你可以让它自动抓取、自动提取、自动计算、自动生成对比表你只需要审核结果和补充判断。这不是替代这是把分析师从数据搬运工的角色里解放出来。注意这里有个认知陷阱。很多人以为AI把脏活干了分析师就轻松了。恰恰相反脏活被干掉之后剩下的是更难的活——判断和沟通。这意味着对分析师的能力要求不是降低了而是提高了。那些只会做表格、只会搬运数据的分析师才是真正危险的。2.3 分工重写的本质是能力重新定价我特别喜欢重写分工这个说法因为它精准地描述了正在发生的事。分工重写本质上是能力重新定价。过去投研团队里谁Excel玩得溜、谁数据找得快谁就有价值。现在这些能力的市场价正在快速贬值因为AI做得比你快还比你便宜。与此同时那些过去被低估的能力——提出好问题的能力、搭建分析框架的能力、在模糊信息里做判断的能力、把复杂逻辑讲清楚的能力——正在快速升值。这就像当年计算器普及之后会计这个职业没有消失但打算盘这项技能彻底不值钱了而财务分析和税务筹划的价值反而更高了。AI对投研的冲击是同一个逻辑。你如果还在拼命练打算盘的功夫那确实该焦虑但如果你把精力转向财务分析层面的能力AI反而是你的放大器。3. 投研工作流正在被拆成哪几块3.1 传统投研工作流的五个环节要把分工重写讲清楚得先把传统投研工作流拆开看。我把它归纳成五个环节信息采集、信息处理、分析建模、观点形成、观点输出。信息采集就是从各种渠道获取原始材料——财报、公告、新闻、研报、调研纪要、行业数据。信息处理是把这些非结构化或半结构化的材料整理成可用的结构化数据。分析建模是基于处理好的数据做定量和定性分析搭建估值模型、盈利预测模型。观点形成是在分析基础上形成投资判断。观点输出是把判断包装成报告、路演、电话会议等形式传递给客户。这五个环节里前两个是劳动密集型中间一个是技术密集型后两个是判断和沟通密集型。AI的冲击力度恰好是从前到后递减的。信息采集和处理环节AI几乎是碾压式的优势分析建模环节AI是强力辅助观点形成和输出环节AI目前只能打下手。3.2 智能体在每个环节的渗透程度具体到智能体AI Agent的渗透我按自己的实测经验给每个环节打个分。信息采集环节智能体渗透度能到80%以上尤其是那些有固定数据源的重复性采集任务基本可以全自动。信息处理环节渗透度70%左右结构化提取、数据清洗、格式转换这些做得很好但遇到需要专业判断的模糊信息还是得人来兜底。分析建模环节渗透度40%到50%。智能体能帮你跑财务模型、做敏感性分析、生成图表但模型假设的设定、关键变量的选择还是得分析师来定。观点形成环节渗透度20%左右智能体能给你提供素材和初步归纳但真正的判断必须人来下。观点输出环节渗透度30%智能体能帮你写初稿、做PPT、生成路演材料但临场的问答和说服AI替代不了。这个渗透度分布告诉我们一个关键结论AI对投研的改造是两头轻、中间重。最前端的采集和最末端的输出AI是辅助角色中间的处理和建模AI是主力。而分析师的价值正在从中间环节向两端转移——要么往更前端走去定义采集什么、为什么采集要么往更后端走去承担判断什么、怎么说服。3.3 一个真实的团队分工重构案例说个我观察到的真实案例。某中型买方团队原来5个分析师分工是按行业切的每人盯一个行业从数据到报告全包。引入智能体工作流之后他们的分工变成了三层底层是数据运营由1到2个擅长工具的分析师负责搭建和维护智能体工作流保证数据自动流转中层是行业分析由2到3个分析师负责在智能体产出的基础上做深度分析和判断顶层是观点输出由资深分析师和基金经理直接对接负责把判断转化为可执行的策略。这个重构的关键在于原来每人全包的模式被打破了取而代之的是流水线专家的混合模式。底层的数据运营是流水线追求效率和稳定中层的行业分析是专家追求深度和判断顶层的观点输出是接口追求说服力和影响力。这个团队引入智能体之后人均覆盖的行业数量翻了一倍但报告的质量和深度反而提升了因为分析师的时间从脏活里解放出来投到了真正需要脑子的地方。4. 智能体在投研工作流里的实操落地4.1 从哪个环节切入最划算如果你是一个想引入智能体的投研团队我的建议是从信息处理环节切入而不是从信息采集或观点输出切入。原因很简单信息采集环节虽然自动化收益大但往往涉及数据源权限、接口稳定性、合规等问题落地阻力大观点输出环节虽然诱人但AI生成的内容质量不稳定容易翻车风险高。信息处理环节是甜点区——数据已经在手上了任务边界清晰效果容易验证风险可控。具体来说你可以先从财报关键指标自动提取这个任务开始。选一个你覆盖的行业把过去四个季度的财报PDF丢给智能体让它提取营收、毛利率、净利润、经营性现金流等核心指标然后跟你手工做的表对比。如果准确率能到95%以上就可以把这个流程固化下来。这个任务的好处是验证成本低、效果直观、失败了也不影响核心业务。4.2 搭建一个最小可用的投研智能体工作流下面我讲一个最小可用的投研智能体工作流怎么搭。这里不涉及具体平台的推荐只讲通用的架构思路你可以根据自己的技术栈和预算选择合适的工具。整个工作流分四层。第一层是数据接入层负责把各种来源的数据接进来——财报PDF、公告文本、行情数据、新闻流。这一层的关键是统一数据格式把不同来源的数据都转成结构化的中间格式。第二层是处理层由智能体负责核心任务是信息提取、分类、摘要、去重。第三层是分析层智能体在这里做计算、对比、异常检测产出初步的分析结果。第四层是呈现层把分析结果组织成人类可读的报告或看板。搭建的时候有个关键原则每一层都要有人工审核点。不要让智能体从数据接入一路跑到呈现中间必须留出人工检查的环节。比如处理层产出结构化数据后让人快速扫一眼有没有明显错误分析层产出结论后让人判断逻辑是否成立。这个原则看起来降低了效率但实际上大幅降低了翻车风险长期看反而更划算。4.3 提示词工程在投研场景的特殊性投研场景的提示词工程跟通用场景有很大不同。最大的不同是对准确性和可追溯性的要求极高。通用场景里AI说错一句话无所谓投研场景里AI把一个财务数字搞错可能导致整个判断跑偏。所以投研场景的提示词必须包含三个特殊要素数据来源约束、计算过程要求、不确定性标注。数据来源约束就是明确告诉智能体只能用我提供的材料不许自己编。计算过程要求就是让它把每一步计算都写出来方便你核对。不确定性标注就是让它对不确定的地方明确标出来而不是含糊过去。举个例子一个好的投研提示词可能是这样的基于以下财报文本提取营收和净利润数据。只使用文本中明确出现的数据如果某项数据未出现标注未披露。计算同比增长率时写出计算公式和代入的数值。如果数据存在口径不一致的情况明确指出。实操心得我试过很多次发现投研场景下给智能体角色设定比给任务描述更重要。你告诉它你是一个严谨的财务分析师对数字准确性有强迫症比告诉它帮我提取财务数据效果好得多。角色设定会显著影响它的输出风格和严谨程度。5. 分析师的新分工从全包到分层5.1 三种新角色正在形成随着智能体工作流的普及投研团队里正在形成三种新角色。第一种是工作流架构师负责设计和维护智能体工作流保证数据流转顺畅、任务分配合理。这个角色需要既懂投研业务又懂工具和流程是团队里的技术担当。第二种是深度分析师负责在智能体产出的基础上做深度判断是团队里的脑子。第三种是观点输出者负责把判断转化为有说服力的表达对接客户和基金经理是团队里的嘴巴。这三种角色不是互斥的一个人可以同时具备多种能力但团队配置上需要有意识地分工。过去那种每个分析师都是全能选手的模式在智能体时代反而低效因为全能意味着每样都不够深。分层之后每个人在自己擅长的层面做到极致整体效率反而更高。5.2 不同层级分析师的能力升级路径如果你是一个初级分析师我的建议是优先往工作流架构师方向靠。原因很实际这个方向的需求正在快速增长而供给严重不足。大部分分析师要么不懂技术要么不愿意碰技术这就给了愿意学的人一个窗口期。你不需要成为程序员但你需要理解智能体怎么工作、数据怎么流转、提示词怎么写。这些技能的学习曲线并不陡但回报很高。如果你是一个中级分析师建议往深度分析师方向走。智能体把信息处理干了之后真正稀缺的是能在信息基础上做出高质量判断的人。这个方向需要你深耕某个行业或某个分析方法形成别人替代不了的认知优势。如果你是一个资深分析师那观点输出者是你的天然位置但要注意AI会改变输出的形式——过去靠一份深度报告打天下未来可能需要你更频繁地做即时判断和互动沟通。5.3 一个能力自检清单我整理了一个简单的自检清单你可以对照看看自己在新分工里的位置。如果你发现自己大部分时间在做找数据、做表格、写初稿这类工作那你的位置很危险需要尽快往上游或下游移动。如果你已经在做定义问题、搭建框架、形成判断这类工作那你的位置相对安全但需要学会用智能体放大你的产出。如果你在做说服客户、影响决策这类工作那你的位置最安全但需要适应AI辅助下的新沟通方式。能力维度危险区安全区增值区数据处理手工录入、格式转换审核智能体产出设计数据处理流程分析建模套模板跑模型调整模型假设创新分析方法观点形成复述他人观点独立形成判断形成差异化认知观点输出写标准报告定制化沟通影响关键决策这张表的核心信息是越往设计和判断走越安全越往执行和复述走越危险。智能体擅长执行不擅长设计和判断。你的职业安全感取决于你离设计和判断有多近。6. 实操中踩过的坑和排查技巧6.1 智能体一本正经胡说八道怎么破这是投研场景用智能体最常见的坑。智能体最危险的地方不是它说我不知道而是它自信满满地编造一个看起来很像真的数字。我踩过好几次这种坑有一次它把一个公司的营收数据编得跟真的一样格式、量级都对但就是错的。后来我总结了一套排查方法。第一招是交叉验证。关键数据至少让智能体从两个不同来源提取对比结果。如果两个来源结果不一致就要人工介入。第二招是要求溯源。在提示词里明确要求它标注每个数据的出处比如来自2024年Q3财报第5页。如果它标不出来这个数据就存疑。第三招是设置合理性检查。让智能体在输出数据后自动做一次合理性检查比如营收同比增长率是否在-50%到200%之间超出范围就标红。注意不要指望通过一次提示词优化就彻底解决幻觉问题。幻觉是大模型的固有特性只能通过流程设计来降低风险不能根除。所以人工审核点永远不能省。6.2 数据口径不一致导致的假异常另一个常见的坑是数据口径问题。不同来源的数据口径可能不一样——有的是合并报表有的是母公司报表有的是自然年有的是财年有的含税有的不含税。智能体如果不理解这些差异就会把口径差异当成真实变化报出假异常。解决这个问题的关键是在数据接入层就做好口径统一。具体做法是为每个数据源建立元数据描述标明它的口径、时间范围、币种、是否含税等信息。智能体在处理数据时先读取元数据再做口径转换。这个工作前期投入大但一次做好后面省心很多。我见过太多团队因为口径问题被智能体报出的假异常折腾得焦头烂额。6.3 智能体工作流跑着跑着就崩了的排查思路智能体工作流跑一段时间后出问题是家常便饭。常见的崩溃原因有三类数据源变化、提示词失效、模型更新。数据源变化比如某个网站改版了抓取规则失效提示词失效比如业务逻辑变了但提示词没更新模型更新比如底层大模型升级了输出风格变了。排查的时候我习惯用二分法先把工作流从中间切开看前半段数据接入处理的输出是否正常。如果前半段正常问题就在后半段如果前半段就不正常问题就在前半段。这样能快速定位问题区域。定位之后再逐层排查。我的经验是80%的问题出在数据源变化上所以每次工作流出问题先检查数据源。6.4 常见问题速查表问题现象可能原因排查方法解决思路数据明显错误模型幻觉交叉验证、要求溯源增加人工审核点报出假异常数据口径不一致检查元数据统一口径转换工作流中断数据源变化二分法定位更新抓取规则输出风格突变模型更新对比历史输出重新调优提示词处理速度变慢数据量激增监控处理时长优化任务分配结果不稳定提示词模糊复现测试细化提示词约束这张表是我自己踩坑踩出来的基本覆盖了投研场景用智能体80%的常见问题。建议你把它打印出来贴在工位上出问题的时候对照着排查能省不少时间。7. 我对这件事的真实看法聊了这么多技术和流程最后说点掏心窝子的话。我入行的时候前辈告诉我这行拼的是信息差——谁先拿到信息谁赢。后来发现信息差越来越难维持因为信息传播太快了。再后来大家开始拼认知差——同样的信息谁能解读得更深谁赢。现在AI来了信息处理的门槛被彻底拉平认知差成了唯一的护城河。所以我的真实看法是AI对分析师最大的冲击不是抢饭碗而是把勤奋这个维度的价值大幅稀释了。过去你愿意熬夜读财报、愿意一家家跑调研就能建立优势。现在这些体力活AI都能干你的勤奋如果还停留在体力层面就没有意义了。未来的勤奋应该是勤奋地思考、勤奋地质疑、勤奋地形成独立判断。这种勤奋AI替代不了也稀释不了。我见过一些分析师引入智能体之后反而更焦虑了因为他们发现自己除了做表格好像不会别的。我也见过一些分析师引入智能体之后如鱼得水因为他们本来就有很强的判断力只是过去被脏活拖累现在终于能专注在真正擅长的事情上。这两种人的差距在AI时代会被急剧放大。最后分享一个我自己的小习惯每次用智能体产出一份分析之后我都会问自己一个问题——如果这份分析是我手下的人做的我会满意吗我能在它基础上加什么这个问题能帮我快速定位自己的增值点。如果我发现我加不了什么那说明这个任务确实该交给AI如果我能加很多那说明我的价值就在这里。这个习惯坚持了半年我对自己的定位越来越清晰了。分工重写不是坏事它逼着每个人想清楚自己到底值钱在哪。想清楚的人会活得比以前更好想不清楚的人才会被时代甩下。