【华创食饮】未来已来：AI赋能消费投研系列研究一

根据《证券期货投资者适当性管理办法》及配套指引，本资料仅面向华创证券客户中的金融机构专业投资者，请勿对本资料进行任何形式的转发。若您不是华创证券客户中的金融机构专业投资者，请勿订阅、接收或使用本资料中的信息。

本资料难以设置访问权限，若给您造成不便，敬请谅解。感谢您的理解与配合。

报告摘要

前言：本报告作为AI系列研究开篇，基于近期投研人员的真实需求，系统呈现AI赋能投研行业的现状、阻碍与发展方向，后续我们将结合更多AI赋能消费投研案例进行系列研究。

AI正深刻改变传统投研范式，而当下也存在三重阻碍。每一轮路径切换都会让既有经验失效，AI正在深刻改变传统投研方式。当下AI已能胜任信息搜集与日常事务，使基础研究更加高效，公开信息更加平权，但当下AI工具始终无法接管核心投研流程，反而需要使用者反向纠错，存在精力分配与先进工具探索相互挤占。更具体而言，AI投研落地中需要更好地改善以下三种情况：1）真实需求与清晰表达之间存在的鸿沟；2）技术能力与产品化之间尚未打通，即懂技术的不懂行研，而资深研究员不懂AI工具；3）合规、信息安全和效率平衡。

本报告从投资、技术及产品三个视角展示我们在AI投研方向所做的工作，实现投资需求驱动，技术策略解题，最终产品落地的全流程。

投资视角来看，AI投研的远期目标是通过特定框架下AI自动化运行返回可靠且有效的投资建议。基于这一目标，AI投研可以分为三个大环节：信息、处理、输出。市面上产品主要集中在信息搜集和基础处理两个部分，这是受到了幻觉和黑盒等问题制约。为了确保自动化的流程更能够实际运行，AI投研必须确保全流程准确、可复现且有实际投研意义。

通过技术方案，我们相比市面上常见工具，在数据准确度、AI推理黑盒与深度研究问题方面取得了一定改进。数据方面，通过预提取数据，使得无论是在招股书整理，还是公告研报批量处理等任务，都能够确保数据的准确，避免了AI幻觉。推理流程方面，我们通过多Agent合作+蜜罐测试，确保AI推理流程实际发生，而不是给用户扮演 “过家家”的游戏。深度研究方面，我们的AI研究员复刻了真人研究员的研究流程，实现更细颗粒度的分析与建模，使得AI投研真正产生价值。

在产品落地上，我们在常见的Skill和AI小工具之上，设计了AI研究员、“活”知识库以及最新的Harness架构，从而解决更复杂的投研问题，向AI投研的最终目标迈进。AI研究员是上述技术方案的成果之一，且除了学习复刻人类研究员的深度研究流程外，该AI研究员可以自我学习迭代，加速了其对于投研的理解。“活”知识库则是通过多层复合知识库的架构，让不同技术路径的知识库和数据库可以互补，实现部门级别及以上的非结构化信息管理，且该知识库的顶层Agent可以自主或根据用户提问主动改进知识库架构。最终，为了加速AI投研远期目标的实现，我们还建设了自己的AI Harness，通过参考现实组织的运作机制，使得AI能够在用户不频繁介入的情况下持续工作、深化细节并实现目标。

AI真正的价值：赋能放大研究员与基金经理的元认知，而非替代其判断。许多人也在焦虑AI对传统以服务和信息中介为主的二级研究人员的替代风险。本系列报告本身就是这一立意的产物。因此我们不仅做“AI能做什么”的探讨，而更聚焦探究“AI赋能投研未来应该怎么样”。只有从根源出发，才能真正的让我们了解AI对于整个行业的影响，以及我们如何利用这次变革提升个人的能力。

风险提示：AI底层模型能力提升会使得Harness/架构类的工程设计显得冗余；技术和应用进步可能会让报告中的产品过时；AI投研流程发展所需资源与迭代周期不确定；AI投研的方法论研究可能产生反身性，导致市场风格变化或提升市场总体AI使用效率，从而降低边际价值；产品可能有Bug或未被预料的设计缺陷，进而影响实际效果。

报告目录

正文部分

投资主题

报告亮点

本报告基于投研人员的真实需求，系统呈现AI投研行业的现状与普遍需求。底层观点是：AI时代本质上是元认知的放大——AI放大的是个体信息处理能力，但前提是人能把自己的认知外化，“知道自己怎么想的”成为这个时代最稀缺的能力。基于这个观点，我们认为AI投研的未来是呈现有价值的投资结论。为了在远期实现这一目标，报告首次对AI投研工具进行分层梳理，揭示从“能跑”到“能信”之间的鸿沟，目前行业内的讨论更多是在于AI在技术上的使用教程或是具体工具。

为了改善这三种情况，并使得AI能更好服务投研，本报告从投资、技术及产品三个视角展示我们在AI投研方向所做的工作：

投资视角来看，AI投研的远期目标是通过特定框架下AI自动化运行返回可靠且有效的投资建议。

技术视角上，我们相比市面上常见工具，在数据准确度、AI推理黑盒与深度研究问题上取得了一些改进。

在产品视角上，我们设计了AI研究员、“活”知识库以及最新的Harness架构进行落地，把技术落地为产品，从而解决更复杂的投研问题。

投资逻辑

我们认为AI投研的远期目标是实现人工设计的特定框架下AI自动化运行返回可靠且有效的投资建议。原因在于任何投研工具都必须服务于投资，这也是二级市场的利润链源头，对投资产生正收益就是投研方法的最大价值，AI投研作为新兴产物，虽然短期内可能无法做到这一点，但这是远期行业的诉求。

一、行业现状：AI使用深度不一，三大阻碍制约AI投研应用

投资理念与方法因人而异，因此投研领域的AI使用情况也是如此。不同人的学习方式与学习进度不同，对AI提效的需求的迫切程度差异很大，因此每个人对于AI的使用进度也差距很大。对有的投研人员来说，现有的对话窗形式的AI，配合他整理的提示词，就可以解决大多数他需要的问题，对有的投研人员来说，Claude Code(Anthropic)+集成了数十个自研工具的平台仍然不足，他们还在试图开发更多AI的辅助工具。

进度的差异在短期内并没有对错优劣之分。尽管我们认为在长期来看，AI对于投研的辅助程度会大幅度提升并实现普及，但是短期的AI使用并不能直接用来衡量一切，毕竟在金融领域，是投资结果说话。此外AI的使用受到多方面因素的影响，包括合规要求，工作需求程度，精力分配和个人习惯等，使用效果也受到输入-处理-输出等至少三个大维度的影响。大部分人会是看到其他人有不错的使用场景与使用案例才会效仿，而不是直接从原理上出发，如果没有精力去学习原理并填补其和实际应用场景的鸿沟，前者的效率肯定是更高的，这也是Alpha派(AI投研平台)等各种AI投研产品能够快速普及的原因。

AI使用深度与对替代的担忧程度呈正向关联。对AI的使用或者思考更加深入的人，更容易产生AI对于研究员的替代以及对行业颠覆的担忧。因为AI的使用具有技术门槛，比如在3月这个节点，在Openclaw上使用Opus作为底座模型与使用一些较弱的模型当作底座的用户，对于Openclaw的体感就截然不同。这种体感上的差距会导致用户对AI未来的判断也不相同。比如使用较弱模型的人就容易觉得外界对Openclaw的赞赏是过誉了，实际用起来表现逊色；而使用Opus模型的可能就感觉它同时能做事并且提供情绪价值，对于研究员的价值起到一些替代作用。外推路径差别会在使用中进一步放大，认为AI可以替代一些人工工作的投研人员会更积极的使用AI替代手工工作，从而强化他们的认知。

普遍性地为了不被淘汰而加速学习AI，恰恰会加速整个行业的AI化进程。无论是上文的哪一种人，或多或少都也担心过AI对于投研人员的替代，只是对替代多少和替代速度的推测不同。具有讽刺意味的是，为了自己不被AI时代淘汰，很多人加速去学习和使用AI，但是这会反过头来加速整个行业的AI化，也许会带来更多的替代。这种加速效应也是一些AI使用水平较高的人所担心的。

2、人的精力/带宽是AI使用的重要制约因素

精力而非意愿才是AI使用最根本的制约因素。使用AI需要时间精力来不断尝试和迭代，但是不少人表示在当前的工作量下，并没有这个空闲来做。这实际上是一个博弈的过程。一方是现在的工作耗时/对AI的兴趣程度，另一方是AI化工作流的耗时*成功率+时间投入。只有工作饱和度很低或者很高，投资经理和研究员才有驱动力去学习和应用AI。工作饱和度低的时候也许是出于兴趣，也许是出于对未来投资的考虑，可以把空下来的时间用来探索；而工作饱和度过高的时候，则不得不学习AI来降低工作强度。但是处于工作接近饱和的状态的人，往往不愿意承担打破当前稳定的工作状态的风险，对于AI的使用就不那么积极。

对于较为深度的AI使用者，精力同样限制了他们向更具颠覆性的应用场景跨越的能力。可能很多投研之前都想过的或者打算做类似AI研究员的AI应用，但是一直没有空去落地。从原理上讲，“自我学习+深度研究”的AI Agent（后续章节会详细拆解）架构上并不复杂，但是落地与测试都需要较多的时间精力。此外对于这种自学习的Agent，落地前期可能还不如用提示词工程直接问一个既有的性能较好的模型，因此导致的缺乏快速反馈也影响了落地的需求。

3、主动和量化投资经理正试图朝对方靠拢

主动型基金经理试图加入一些量化选股的策略。不少主动型基金经理有类似“我有一个选股标准，能不能帮我选股”的问题。他们也很在意AI能否直接给出一个投资建议。技术上来说，让人去用excel等方式通过量化信息筛选标的也并非难以实现，但是由于人力成本问题，这么做频次会受到限制。由于AI可以定时执行自动化的流程，他们希望这一点上AI可以替代人力，我们也完成了对应的课题。

量化基金经理则有兴趣了解基本面信息或定期追踪数据。一些量化投资经理一方面希望在AI的帮助下可以快速了解复杂的基本面信息，弥补其对于公司了解的不足，另外更重要的是想筛选其中内容作为因子或者辅助切换策略。一些量化基金经理关注基本面研究是如何实现的，包括我们的定期跟踪或者分析洞察信息来源是什么，能否做成自动化更新的数据库，比如软饮和白酒的动销数据和山姆等渠道销售情况。当然目前来说这一点比较复杂，因为很多数据口径之间有所差异，有些可能也有偏差甚至是只有定性描述，不能直接被拿来使用。

试图靠拢，但是两种路径的基础注定了合不拢。尽管两种路径的投资经理试图借助AI扩展自己的能力圈，向对方的方向发展，但是实际上两者在目前的技术条件下还是很难真正合拢。核心原因有两点：基本面信息很多是定性或者非结构化的，很难单纯以一个固定模式分析；而对于量化来说，LLM的速度很慢，此外具有不可控性，实际落地还是需要脚本，以一系列可靠的，经过清洗的数据为基础，做出固定模式的交易指令。

双方也各自保有不愿交出的护城河。部分投研人员可能也曾经思考过，既然把他们的思路作为AI化了，那会不会使得他们在未来被替代掉？实际上单纯的AI选股仍然很难替代主动型投资人员的职责，这其中的原因包括：数据源可靠程度不一；有些选股出来的行业超出了基金经理的擅长领域；缺乏对于公司和行业更前瞻或者非结构化的了解。量化基金经理则表示AI确实降低了一些门槛，但是目前主动型基金经理用的还是比较浅，此外很多都没有做基础性工作如数据清洗，使得这些所谓量化策略的投资结论的落地不可靠。

（二）行业存在的普遍阻碍

行业还普遍存在AI投研应用的三个主要障碍：清晰表达、产品化需求和合规效率平衡，这些障碍可视为行业普遍的制约AI在投研领域应用和落地的主要因素。本质上它们是AI快速发展与个人和组织后续跟随之间的差距所带来的，因此通过学习演进、组织设计与产品策略等方式可以逐步缓解这些问题。

1、潜在需求能否被清晰表达

表达障碍的本质是：需求对自身明确，但是无法清晰表达。这个需求十分常见，一方面刚才提到，人要将自己的思维或者习惯，总结出来就是很困难的，有很多自己习以为常，但是却无法表达出来的“我不知道我知道”的信息。另外在表达和对方理解的过程中，也有很多信息损失或者噪音加入。

传统投研IT部门和外包IT正是因为该问题导致进度缓慢甚至无法落地需求。因为需求方提出的需求本身可能就很宽泛且不具体，而表述出来的同样内容，技术人员的理解也不一样，导致需求无法被正确满足，常见的几种情况如下：

宽泛的需求：A分析师提出要做一个AI自动推送新闻，A分析师认为这是一件很简单的事，但是他并没有明确：要看什么来源（央视、新浪、财联社）的新闻，新闻要不要筛选（按行业或者价值筛选），新闻多久（每天、每两小时、每个交易日）推送一次，以什么形式（资讯快评/短讯、图文、音频、视频）推送，以及通过什么渠道（微信、飞书、邮件）推送。

理解偏差：B分析师提出要做一个AI在微信上给自己每天推财经新闻，表示只要看食品饮料行业相关。技术人员理解的“食品饮料行业”是产业角度，因此推送了大量比如某某商家缺斤少两、某某地区外卖吃出老鼠的新闻。但是实际上分析师提出的“行业相关”指的是二级市场角度，他只想看上市公司挂钩的新闻。

缺乏明确标准：C分析师给了详细的新闻AI开发流程，但是却没有明确的验收标准。技术人员交付了一个微信上推送食品饮料行业相关的AI，C分析师用完后表示希望AI能找到最重要的新闻给自己，避免频繁推送低信息密度的新闻。于是技术人员更新了AI从央视等权威媒体找新闻，C分析师又表示不要都是这么大这么宏观的新闻。技术人员再次调整加入了财新网等信源，但是分析师又表示光要新闻还不行，还应该给一些映射分析。这样反复修改导致迟迟无法交付。

投研行业还面临一个独有的“非结构化信息”困境。投资的决策过程很多是直觉性的、非结构化的“我认为这个公司管理层不行、这个行业的节奏感不对”等等，这些判断是真实且也许有效的，但如果要写成提示词或者策略规则，分析师和投资经理很难做到，甚至给技术人员表达都很困难，这是由投资本身的隐性知识属性决定的。

2、最新技术能否被快速产品化

产品化障碍的根源在于：即使需求能够被清晰表达，市面上却未必存在能直接承接的成品工具。很多技术比较先进，能够解决部分当前的实际需求，但是尚不是一个完整的AI投研产品。如果需要投入生产，要花费大量时间调试和处理，所以只能有技术背景的人使用。

例如：

我们曾开发过一个程序，可以自动阅读报告并逐一给出改进批注和修改建议。AI是可以读报告并给出改进意见的，Python库也可以修改Word文档，当时微信自动发送功能也被我们打通，看上去技术上都很成熟，只需要组装就可以，然而组装的时候就发现并不是那么容易。

首先输入的报告并不一定是Word，也可能是PDF，需要选择要么禁止PDF输入，要么做一个额外的OCR接口，由于希望未来能够承接更多功能，我们选择了后者。

其次如果把全文给LLM的API，出来的内容是很泛化的，不能做到逐一给出对应段落的批注，因此需要截断报告分段提交。

后续AI给出来的建议因为认知原因不一定正确，内部知识库的信息可能只到24年底，但是组内在写一个25年的报告，AI反馈数据不对，但是实际上AI无法判断对不对。为了解决该问题又需要给AI加上搜索功能和知识库。

修改建议成功产出，但是AI的语言不够规范，无法写出可以直接用来替换的内容，因此为了能解决其他分析师的问题，必须专门调整提示词，让AI输出用语更加严肃。

最后在测试阶段，其中的OCR API某天坏了，导致整个系统失灵，但是开发端不知道具体原因，因此又针对整个流程设计了日志输出，查到问题后，再加上一个备用方案直接用Python库提取PDF。

即便需求已简单至此，仍然经历了反复的多轮开发与测试。这个需求已经十分简单，但是仍然需要这样多次的测试和整合，且其中任何一环出现问题都可能导致整个程序无法正常使用。作为开发者可以立马排查原因并修改，但是一旦交付给同事或者客户，这种Bug会极大影响使用体验。

更复杂的架构带来了黑盒风险，用户无法判断产品是否真正按照预设计划在运行。对于一些使用现成AI框架的用户来说，面临的另一重风险是不知道自己的方案是否被真实落地。Openclaw早期爆火的时候有一则轶事：一个人为了节约成本，让Gemini实际执行的时候下放给豆包，测试完没问题就投入使用了，结果第二天早上起来收到500美元账单，具体去看才发现实际是Gemini假装豆包的身份帮他执行。类似的事情开发过程中也遇到过很多次，我们编写了一个Skill文件，让使用更便宜模型的子Agent根据该Skill文件执行，然后我们仅与大脑的主Agent对话并下发命令，结果发现每次都是主Agent读了这个Skill文件总结给子Agent作为提示词执行，效果大打折扣还导致成本显著提升。

因此AI建设需要业务与技术间的“翻译层”。为了解决这些矛盾和阻碍，从需求到技术和从技术到可用之间，必须要有个又懂投研又懂AI的“翻译层”，这样才能发掘隐藏需求，排查技术问题，最终产品化。因此在后续的章节中，报告会继续展示AI在投研领域应用案例，以及阐述AI+研究员在其中作为“翻译器”的作用。

3、合规、信息安全与效率之间的平衡

合规和信息安全是任何组织所必要的，但是在AI快速迭代的当下，如何在这两者与效率之间寻求平衡，成为了一个重要议题。

合规问题主要聚焦于信息准确性与可复现性上。虽然信息安全和合规经常被相同部门所管理，但是实际上两者的关注点是不同的，合规主要是确保信息真实可靠，表达的内容是符合合规要求。但是由于AI底层原理所带来的幻觉问题，单纯的AI产出往往会落到合规的灰色地带，贸然使用含有错误数据的AI产出甚至可能带来舆情和监管问题。同时大语言模型还具有不确定性，当使用Agent执行复杂任务的时候，具体AI做了什么实际上是一个黑盒，如果其中的流程有瑕疵，那么再次执行的时候可能会导致不同的结果，让产出变得不可靠。因此在合规压力下，AI产出仍然需要人工检验，使得AI的产出效率仍然受到人的精力的制约，对生产力的提升极其有限。

信息安全问题则在中美AI竞争逐步激烈的当下日益凸显。由于海外AI多为闭源模型，无法本地部署，信息处理上也缺乏透明度，2026年7月8日工信部甚至发布警示，提示Claude Code部分版本带有后门程序，使得将保密或其他内部信息提问给海外模型存在诸多信息泄露的风险。国产模型在信息安全领域更加稳定，且可以本地部署。从能力上限来看，最新的Deepseek V4 Flash与Kimi 3等分别可以在部分测试得分中达到或接近Opus 4.8与Fable 5的水平，但是全能力仍然和顶级的闭源模型存在一些差距，因此国产模型需要更多的工程优化或Harness进行组合使用，方能达到最优效果。

因此如果要在确保合规与信息安全的前提下最大化AI的效率，我们必须通过技术手段进行工程化建设，从而实现合规、信息安全与效率的平衡。在后续的技术视角章节，我们会介绍通过预提取数据，实现数据的可溯源与准确性，满足合规需求的同时实现AI化的工作流；而通过多Agent合作与自研Harness，则可以实现国产模型的成果优化，不仅避免了数据出境和泄露风险，还降低了AI Token的整体成本。

二、投资视角：AI投研的目标是产出有价值的投资结论

从投资视角来看，无论是什么投研策略，最终目标都是产出可靠且有效的投资结论，AI投研也不应例外。然而目前市面上AI投研工具主要集中在信息搜集和基础分析处理上，核心还是由人来进行最终的判断与汇总。一方面这是由于AI是一个新产物，其能力成熟到能够服务投研也就一年左右的时间，使用场景和能力边际都有待探索。另一方面，AI幻觉与技术壁垒的存在也严重制约了在投资场景下的应用，如果AI仍然保持当前的数据不准确与逻辑黑盒，那么便不可能放心地让AI产出真正有意义的投资结论。

（一）现有投研AI工具的分类

投研AI工具可以用两个互相垂直的分类进行划分。从技术复杂度角度，可以分为对话框式，智能体模式，和AI框架模式；从产品形态角度，可以分为IDE（AI辅助编程环境），垂直目标工具，以及集成工具平台。

IDE包含Trae，Cursor等借助智能体辅助编程的软件工具。利用其可以写出各种需求的代码。而许多人日常使用的Gemini，豆包等则是对话框模式的垂直目标工具，通过提示词使得一个通用大模型聚焦于具体投研需求上。Alpha派、Alpha Engine等则是集成式的平台，其上既有各种智能体，也有对话框，甚至还包含调整过的Openclaw框架。

外采工具面临一个根本性矛盾：标准化程度越高，“军备竞赛”效应越强。如果是外采的工具，一家机构拥有的别人也可以有。假设A公司采购了Alpha派的账号，取得了暂时的优势，但是随着行业普遍采购Alpha派账号，信息带来的边际优势就会不断缩小，变成了“军备竞赛”式的发展。此外越是产品化打包呈现的工具，越容易有该问题，此外在同样开发周期和资源投入时，产品化程度高的不可避免会牺牲掉部分有价值但是可能产出不稳定的功能，只保留需求最普遍的功能，这也会导致边际价值的下降。

（二）信息->处理->输出三环拆解投研流程

因为现有AI投研工具远不能实现可靠投资结论的输出，未来的AI投研一定需要更好的工具。仅仅是实现信息搜集和招股书/财报处理等功能，实际上远不能达到产出可靠且有意义的投资结论，绝大多数分析与研究过程仍然是分析师或投资经理自身得出的。而且同质化的AI工具让参与投资的各方很难获得显著的边际优势，而陷入“军备竞赛”的困局，因此有必要开发符合自身需求和投研风格的AI工具。

投研流程可以分为三环：“信息->处理->输出”。我们将整个投研流程拆解为信息、处理、和输出三个部分。信息端主要解决资料与数据来源、清洗和保存的问题。处理端则是在有充足信息的情况下，如何利用这些信息进行分析或者得到有用结果的流程与研究方法。输出端关注处理后的信息如何产出并利用，如撰写报告、得出投资建议或执行投资指令等。

整个流程符合木桶原理，如果要实现最终产出可靠且有效的投资决策需要避免严重短板。AI投研的最终目标是能产出可靠且有效或者至少有意义的投资决策，但是如上文所述，要达成这个目标需要多个环节的操作层层嵌套，共同合力才能实现目标。由于其中研究逻辑是层层递进的，整个工作流程也像木桶原理一样，某一环的短板会拖累整体质量。这种时候要么把该环节的能力补强，要么切断该环节的自动化操作，改为人工处理信息。

处理端的需求对大部分人更迫切。虽然信息端是整个流程的开始，但是实际上通过使用AI，会很快的产生处理端的需求。原因在于在超过20年的投研流程规范化（标准化研究流程与框架）与信息基础设施建设（Wind，同花顺等软件服务）后，许多信息已经是唾手可得的状态了，但是重复性和流程性的任务仍然很多，比如摘取数据或者做覆盖报告等。大部分人知道AI之后第一反应都是希望AI能够替代他们做这部分机械化的操作，或者进行自动化的数据分析或者监控，而这些都是信息处理的范畴。因此下文本报告也将从AI研究员开始介绍，以期让逻辑链符合现实需求的发展。

避免“毒树之果”问题，信息才是基础设施。在三环流程中，信息经过搜集和分析，最终形成投资结论，逻辑是闭环的，因此必须确保在每个环节的数据本身与分析处理过程都合理可控。如果数据在搜集来的时候就是错误的，那么即使有着深入的分析，也只能得到错误的结论。为了避免出现类似的“毒树之果”的问题，信息系统的建设必然会成为未来AI投研的基础设施。

短期看人工可补强短板，当下的AI投研工具仍有许多不足。在目前的投研流程AI化的进程中，很多工作还是由人来完成的，尤其是基于封装好的产品如Alpha派(AI投研平台)等所做的投研流程。不少人认为使用Alpha派(AI投研平台)等就已经显著提升效率了，可以将曾经需要数小时的纪要压缩到几分钟的工时。一方面这是因为很多人还在习惯于过往的工作方式，AI只是嵌入自己工作流的一个东西，和协同实习生辅助完成没有本质上的差别；另一方面则是因为当下的AI工具仍然存在大量问题，即使人工都无法放心地使用，更罔论高度自动化的AI投研流程了。从数据可靠性，到推理过程的黑盒，再到AI的研究深度，每一个都是需要解决的技术难题。

长期看流程高度AI化是大势所趋。但是长期来看，更进一步的AI化投研流程是大势所趋，在未来的报告中我们会讨论一个主题，即“AI工具和AI助理是两种不同的使用体验”，工具再好，使用工具也需要消耗用户的带宽和精力，但是作为助理或者说个人能力的延伸，这是拓展使用者的带宽边界的。因此当信息量和处理的需求进一步提高，即使是有了各种封装好的AI工具人的精力也被透支时，AI研究流程更自动化、更拟人化、更个性化就是必然的趋势了。为了实现这一点，现在开始就需要补全整个研究流程的短板，为未来做铺垫。

作为三个最基础也是最致命的问题，数据准确性、推理过程黑盒和深度研究能力都严重制约着AI的投研结论的可靠性，这也是AI应用端的普遍痛点。我们通过不断的研究，在一定程度上解决了这三个问题，将整个AI投研进一步推向实战领域。

（一）投研痛点一：数据可靠性

数据可靠性是第一位的，但是单纯的Skill无法解决这一点。AI幻觉来自于LLM本身的原理层面，无论是再严格的检查和溯源，都很难保证100%的准确性。目前金融领域普遍通过Skill、提示词或者独立Agent复核等方式让AI检查数据是否真实，但是不管哪一种方式，本质上都还是在依赖LLM进行工作，没有解决根本问题。这也导致了即使Skill本身写的很好，但是一到实战就出现数据纰漏，仅能用于自己学习新行业，如果是真实严肃的投资领域，还需要大量的人工复核。

通过预先提取的方式，确保定量数据和主要关系的准确性，LLM只专注于解决非结构化信息。由于AI本身和Skill的不可靠性，我们在实战中采用了另一种模式，即分析之前先将核心数据采集并保存至数据库，然后AI再进行分析，需要数据时从数据库中提取。由于数据库本身不依赖大模型，从数据库获取的数据是准确的，从而确保了后续分析中数据的可靠性。同时这种做法还拆分了数据提取和数据使用两个步骤，即使出现问题也可以更精准的定位并排查，到底是在数据录入数据库时就出现了纰漏，还是LLM在使用数据库时读取了错误的数据，避免了纯Skill方式在排查错误时反复修改措辞并检查效果的碰运气情景。

以鲟龙科技为例，我们在招股书梳理前，先提取了1000条关键数据。这些数据包含公司的三张表、量价经营数据、产能数据等，还有基于以上数据通过脚本演算出来的其他可能用于后续研究的数据。提取后，经过人工逐条检验，我们确认了以上数据的真实性，之后的招股书分析Agent则会以工具的方式调用该数据库，确保了招股书分析数据层面的真实可靠。

（二）投研痛点二：黑盒问题

1、黑盒的三层表现

黑盒问题在投研场景下表现为三个递进层次，每一层都将前一层的问题进一步放大：

第一层：推理路径不可见。输入一家公司的研究需求，AI输出分析结论。研究员和基金经理看不到它基于哪些具体信息、排除了哪些替代解释、逻辑链条中有没有跳跃。完全无法判断它引用的数据是从知识库检索的、从训练数据“回忆”的、还是纯粹编造的AI幻觉。即便是查看AI的推理链，也未必就真的可靠。

第二层：输出不可复现。同样的公司、同样的提示词，隔天再问，结论可能不同。这在投资场景中是致命的。如果投资经理基于AI的分析做出了买入决策，第二天想让AI重新确认分析逻辑时，它可能给出一个完全不同的结论，无法判断哪个是对的、哪个应该作为决策依据。

第三层：问题不可归因。当AI的结论明显有误比如估值偏离常识或者推算未来利润骤降时，很难定位问题出在哪一环。既有可能是搜索返回了错误数据，也可能模型理解偏差，还可能因为提示词中的某个约束条件被忽略，亦或是纯粹的概率波动。传统研究流程中，如果计算有误，分析师可以逐行检查Excel模型重新建模，但是在一个黑盒的AI流程中，这种追溯能力大幅下降。

三层叠加的后果导致大部分AI投研结论完全无法被校准或改进。投资经理信任一个分析师，因为他了解分析师的风格、知道过去的准确率并理解其分析框架，然后通过路演对于某个主题的深入探讨，可以了解分析师对于该问题的边界并据此调整置信度。这些在面对AI时却无从谈起，即使是用的很顺手的AI，也许会因为灰度测试或者版本更新，导致过去的经验突然被破坏。

2、为什么AI直接给出的投资结论会如此不可靠

明确的投资建议是所有人都需要的东西，但是这个投资建议真实吗？可靠吗？却很难有人做出确定性保证。因为关键差异往往体现在具体细节之中，即使看上去逻辑完善，其技术原理也未必可靠。

首先，即使AI展示了其推理过程，也很难判断这个推理是否真正驱动了最终结论。AI可能写了一段逻辑严密的分析，譬如 “考虑到行业增速放缓、公司市占率提升空间有限、以及可比公司估值中枢下移…….”然后给出目标价80元。但怎么知道它是先分析再得出结论，还是先“觉得”80这个数字符合概率分布、然后反向填充了分析文本。这就像以结论反推论证过程时先看到了答案再拼凑推导步骤，即使步骤看起来都对，但并不是真实的解题过程。

其次，目标价天然是一个数字，而AI输出的数字具有概率飘移的特征。在同一个平台的三个不同对话窗口问同一只股票的目标价，可能会得到三个不同的数字——75、80、85。因为它不是在做精确的财务建模然后算出结果，而是在概率分布中采样一个“看起来合理”的数字。固然可以追问“为什么是80”，它可能会给用户一段解释，但如果进一步追问为什么另一个窗口是75，它大概率要么自我辩护，要么找理由，但是对于投资结论来说于事无补。

更重要的是，即便AI给出的数字合理，也无法传递给下一个分析流程。传统研究流程中，分析师A给出目标价，分析师B可以接手打开Excel模型，看假设是否合理，调整参数看结论怎么变化，然后在同一套模型基础上做情景分析。AI给出的目标价则完全孤立，没有可供接手和复用的模型框架，导致无法后续使用。

原因在于大语言模型是一个通过语言预测来模拟推理的系统，而非通过数值计算来执行模型的系统。一个传统DCF模型，无论谁去跑，只要输入参数一样，输出就一样。AI的推理和计算则是在语言空间中发生的，不是在数值空间中发生的。所以即使它在文本中写出了“假设WACC=8%，永续增长率=3%”，它最终给出的目标价也未必是严格按照这些参数计算出来的，亦更可能是它在训练数据中见过足够多类似“WACC=8%, g=3%，最后目标价大约在80左右”的案例，然后在概率上逼近了这个结果。

3、解决方案：多Agent交叉验证+蜜罐检测

通过多Agent合作交叉验证推理过程。在一个复杂体系下，使用不同模型的多Agent合作可以交叉验证同一套流程是否被真实执行，如果某一研究过程被详细外化给AI且被真实执行，那么不同Agent的执行结果一定是大同小异的，而如果其中执行结果不统一，说明部分可能绕过了设计好的流程，或者推理出现偏差。

蜜罐测试检测单一模型的诚实度。在涉及复盘和回测的问题上，其实很难判定AI是否诚实。假设现在设计了一套利用AI检测市场波动性的机制，现在希望通过回测2015年的情景，验证该机制是否有效。AI返回了有效的结果，并且正确判定了导致2015年股市剧烈波动的原因。但是实际上我们很难判定该结果是否诚实，即AI有可能因为知道市场对于2015年的复盘信息，从而先射箭再画靶，给出一个积极的回答，而不是客观地利用设计的机制进行分析。为了检查这类问题，我们设计了蜜罐检测，通过给予错误的数据检查AI是否进行了“作弊”。

这两个解决方案共同运作，构成了下文Harness中提到的反“过家家”系统，保障推理过程真实发生。

（三）投研痛点三：深度研究能力

AI的默认能力是信息整理，而非深度研究。当AI被问一个问题时，AI第一反应是搜索，通过内置知识库或者外部的信息接口给出回答。这样的回答虽然快，但是本质上还是上下文的总结。所以无论AI回答的有多么巧妙，大多都是基于信息的整理和提炼，缺乏真正的深度研究能力。

深度研究的价值在于认知增量的密度。投研领域的深度研究，核心标准不是覆盖了多少信息，而是产出的是否具备认知增量，即读者读完后的行业理解框架是否发生了变化。深度研究的价值在于其差异化观点——结论相比市场普遍观点提供越多增量信息（前提是正确的），边际价值越大。但差异化观点在信息论中对应的高惊奇度恰恰是概率模型在原理上所不倾向生成的输出。因此AI在产品设计上，以解决问题为目标，就要求尽量采用一个可被AI内部或者公开引用的数据。“从头推导”意味着要在没有直接答案的情况下，去拆解问题、建立假设、逐层推理，但是这恰恰不是当前LLM在概率分布框架下的强项，使得无论是AI本身还是产品设计都不倾向于真正的深度研究。

行业规模测算是该问题最典型的缩影。如果问AI“中国某行业的市场规模是多少”，它的典型做法是上网搜索或从内置知识库中找到一个数字，然后返回这个数字。问题在于，AI拿到了一个结论，但它不知道这个结论是怎么被算出来的。它不知道这个数字背后的口径是什么（含不含某个子品类？渠道口径还是出厂口径？）、假设是什么（渗透率假设合理吗？增速是线性外推还是拐点模型？）、以及这个数字对关键参数的敏感度。也没法追问它更细致的问题比如“如果渗透率从15%变成18%，市场规模会变成多少”。同时如果有多个结果，AI可能也会陷入自相矛盾的处境，更有甚者，会在这一段使用A机构的统计，在下一段使用B机构的统计结果，从而造成逻辑上的不连贯。

真正的深度报告需要自建测算模型而非引用现成结论。研究深入的深度报告基本上不会直接引用某个第三方报告的数字了事，而是会自己搭建测算模型。比如用需求端拆解法：目标人群基数 × 品类渗透率 × 消费频次 × 客单价，逐层建立假设，最终推导出市场规模和天花板。这样做好处包括：

可调参：如果公司反馈或者后续观察觉得渗透率假设偏保守，可以上调一年渗透率预测，调整后整个数据链条联动变化；

可追溯：每一步逻辑和假设都透明，逻辑可以被检验；

可联动：市场规模模型和后续的公司营收拆分、份额估算等数据是一套参数体系，而不是孤立割裂的，从而形成连贯的逻辑和收入模型。

更深层的障碍在于AI理解不了要素之间的因果关系。一个行业规模可以从需求侧拆解（人群×渗透率×频次×单价），也可以从供给侧拆解（产能×开工率×产销率×均价），还可以从流通侧拆解（渠道终端数×单店产出×品类占比）。三种路径互相验证，任何一条路径的假设变动都会造成整个框架的重估。研究员之所以能驾驭这种复杂性，是因为研究员本人有一个完整的、多视角互锁的认知模型，而原生AI无法实现这一点。

解法是给AI的认知建模：将资深研究员脑中的认知模型转化为可执行的框架。一个资深研究员在做深度研究时，大脑内存在关于行业如何演化的认知模型。这个模型不是从单一报告或者书本中学来的，而是长期积累的结果。研究员总结提炼了过去研究同类公司的经验、对管理层行为模式的判断、对行业周期的体感、甚至是包括一些直觉性的判断，最终通过大量的非结构化信息得出结论。类似的，当阅读一份新的研报时，研究员是在用已有的认知框架对新信息进行检验并校准自己的框架，而不是简单地“吸收”了这些信息。

下一章中会详细介绍，如何将研究员的思维方式赋予AI，使其可以实现深度研究。

（一）解决单纯Skill无法解决的更复杂问题

Skill简单上手，但是具有技术上的局限性。Skill最大的好处是能以非常简单的方式将个人的思考和执行流程外化，使得AI可以复刻这个过程。但是受到上下文和大语言模型本身的制约，单纯的Skill无法解决太过复杂的问题，也忽视了Skill是否真的能被执行这一点。例如，目前市面上较好的大模型有一百万Token的上下文，但是一个招股书，或者公司十年以来的年报，其中信息可能就超过了这个上下文限制，单纯依靠Skill的能力是无法确保AI实打实或在没有信息损失的情况下完成分析工作。如果要再加入例如复核审查等功能，则连这些功能的实现是否可靠都是未知数。固然可以通过多Agent合作等方式解决该问题，但是多Agent合作其实也存在摩擦，同样需要工程优化。

因此为了解决更复杂的问题，我们设计了完整的产品，以确保对信息、处理和输出三环流程的落地。

产品上，AI研究员和“活”知识库是两个投研解决方案，分别对应处理和信息端。AI研究员是我们设计的一整套AI Agent架构，仿照真实研究员的工作流程来实现深度研究，主要有以下特色：

AI应用的二阶导，可自我学习与迭代；

复刻研究员的深度研究工作流程，实现对于同一研究目标颗粒度更细的研究；

多Agent合作解决复杂任务，通过多个Agent互相调用解决复杂问题，验证投资研究框架或者实现自我优化。

“活”知识库顾名思义，是一个“活的”，会成长的知识库，这个知识库架构以企业级使用为初衷，可以较好支持部门/小组或者更大级别的使用，主要具有以下特色：

“AI图书管理员”作为顶层，既可以帮助解决复杂的问题，也可以管理知识库架构；

多层次企业级架构，通过多层次的知识库架构解决单一技术路径的短板，实现优势互补，同时可处理企业级别（100+G）的文件；

“活”的知识库，拆解并分析用户需求，给出高准确度的答案，问题结束后根据用户常用提问与知识库自检分析，会自动优化知识要点以及提取方案，提升未来回答效率。

除此之外，我们还开发了投研领域专用的Harness。由于未来AI投研的复杂度与深度的提升，我们预测一个符合投研需求的Harness+Agent框架在未来是必须的。这个Harness参考了现实组织架构的特点，并且已经初步应用于Skill的生产与校验。

（二）AI研究员

1、设计目的：解决深度研究问题并输出投资结论

AI研究员解决的是深度研究的核心瓶颈，可以如同人类研究员一样深入研究一个行业或者个股，为了实现该目的，AI研究员需要：

完整的研究流程：深度研究需要多视角多维度结合，无论是从宏观中观微观的垂直落地视角还是上中下游的产业链视角，都需要结合各个阶段的分析框架，形成一个完整的研究流程。

依托于流程的逻辑链：在研究流程之下需要设计严整的逻辑链。不同维度和视角之间的关系是怎么样的？中观行业的竞争格局恶化如何影响微观企业的营收？产业从成长期进入成熟期之后的估值逻辑与行业护城河会发生什么变化？后续研究的结论必须基于前期的研究，逻辑互相嵌套且自洽，从而使整个研究流程可以复现。

如人类研究员般细致的研究：深度研究是对问题更细致的剖析，比如为了研究清楚电解质水行业天花板，研究员就需要拆解不同消费场景下，电解质水的消费客群、客单价、消费频次和渗透率。AI研究员也需要模仿人类研究员的研究过程，对公式的各个部分搜集资料、作出假设、加总并进行交叉验证，从而实现深度研究。

2、可调优性：设计AI Agent时的重点关注

新生Agent能力上大概率不如成熟研究员。一个全新的Agent，无论设计的再精妙，实际操作中可能表现都不如成熟的研究员。原因在于：

AI的工作流未经验证：即便AI的工作流由研究员设计，这个工作流也较大概率因为AI与人的工作模式差异导致输出结果的偏差。而AI缺乏过往数据集与进行回测，很多工作流都必须在开发完成后测试并改进，如果提前投入生产这个工作流的有效性就必然是未经验证的，用户必须付出额外精力检查潜在问题。

AI的工作流契合度瑕疵：为了实现更为复杂的研究或者分析，AI需要通过多个工作流或者多Agent协同运作，以避免长上下文带来的问题。人类研究员也需要付出额外的精力消耗去总结协调不同流程（例如报告中承上启下的段落），但是在长期的训练中这个能力已经习以为常了，但是AI仍然需要比较细致的工作去协调不同Agent或者不同工作流之间如何交互汇总的问题。

AI的能力与经验欠缺：AI天生缺乏投研相关能力（处理复杂问题的能力）和经验（成熟且契合用户的Skill和工作流）。这些往往是用户在后天的开发迭代中，由于实际工作需求而产生的解决方案在AI中的体现。例如一个研究员习惯通过飞书进行文档修改和交互，但是原生的Openclaw交互是网页端，他就需要额外的配置来让Openclaw通过飞书进行。由于相关插件的改进，现在这一步已经可以很简单地通过扫码完成，但是其他更细节的工作习惯，如回复的格式、说话的方式、问题的解决方式等，都是需要逐步调优的。

因此不应该对AI抱有上来就能解决一切的期待。作为一个新产品，AI本来就不是一个有求必应的“阿拉丁神灯”。而且研究员、分析师和投资经理的价值正是在能提供独特的思考与分析，这一点并非AI短时间就能替代的。

可调优性而非初始性能才是AI应用设计的核心命题。虽然AI不能做到落地之初超越研究员，但是通过不断地优化迭代，AI可以逐步变得更加优秀，更加契合使用者的习惯，在理想状况下，最终成为使用者的能力延伸而并非单纯的工具。因此在设计AI架构时，应当着重关心其可调优性。详细设计策略如下：

应当确保AI完全按照设想中的流程工作：这表面看似简单，但是实际上许多Skills文件以及AI Agent都没有经过这一重检查。在实际工作中已经发现过多次，由于为了降低思考时长，或者由于某一环节的工作流程表述过于含糊，AI跳过了一个研究流程，而是单纯的通过内置知识库返回信息。使得原本设计的工作流程并没有被真正执行。

开发者应当了解AI运行的逻辑：对于开发者来说，AI应该是一个白盒，或者至少是一个可以短时间内成为白盒的状态。这样能确保AI的设计目的能够被充分执行，且如果出现了设计流程与实际流程不一致的情况下，开发者可以及时修改。

应当明确AI最终的产出标准：如果说前述两者是过程导向进行修改，这一步则是出于结果导向。最终AI应该交付一个成果，因此必须要制定对应的验收标准。例如AI给出具体公司的投资结论，那么这个投资结论需要让投资者基于该结论所进行的投资操作能产生正收益。如果投资结论包含的目标价在目标期间内并没有达到，就需要复核目标价形成的逻辑，检查缺失的部分并补全。

3、使用AI的二阶导：AI的自我迭代

不同人对于AI的应用有不同的定义，例如有人把AI的应用模仿自动驾驶分为L0-L5五个阶段，为简化起见这里分为三个状态，背后的原理都是从指令性的单一反馈上升到全自动化的流程。详细来看每个阶段：

最基础的AI应用就是写提示词。通过明确声明一件任务的描述或者目的，让AI执行，例如和豆包说“帮我整理一份纪要”。纪要整理后的事情，例如检查，调整格式和发送等都仍然由人手工操作。

一阶导的状态是写Skill文件。把某项任务流程化，等于教给AI如何执行一件事，使得AI在执行类似任务时都使用同一套流程，无需进一步写复杂的提示词或者分析需求。例如做一个“特朗普真实社交发帖抓取”的Skill文件，以后问AI特朗普最近有什么言论都通过该Skill执行。

二阶导则是教给AI如何学习。通过将自身的知识框架与学习素材给AI，让AI可以自我学习内容并总结成可用的Skill文件或调优自己的Agent.md文件。在这里，我们的AI研究员就是获得了传授的学习框架，配合另一个学者型的Agent新的学习资料和学习反馈，从而形成自我学习的流程。

自我迭代也需要加入验证和控制机制。类似于人学习之后要做作业和考试来验证自己的学习成果，AI的自我迭代过程也需要加入验证与控制机制。由于这里AI研究员的产出是投资结论，可以让AI进行模拟盘的操作，从而验证其结论的有效性，并且在错误的时候排查原因进一步改进。

（三）“活”知识库

1、设计目的：储存非结构化信息并解决黑盒问题

AI研究员架构成熟后便暴露出一个关键瓶颈：无法依赖结果导向进行自我验证与迭代。原因在于AI研究员收到的数据质量参差不齐，来源也并不标准化。对于一些变化较快的行业，单纯的搜索工具无法提供最新的公司动态，而对于一些冷门行业，研报的缺乏也使得对公司可参考的研究非常具有局限性。如果数据源存在瑕疵，最终结论的可靠性也将受到损害，类似的事情也在这里发生，因此我们虽然设计了良好的AI成长环境，但是现在需要筛选种子，从而确保最终结果的稳定性。

解法是在信息端为处理层AI提供一套专业的知识库工具。为了解决前述问题，需要为AI提供一个知识库，这个知识库工具应当能够将复杂问题变成一套可操作的逻辑，使得知识库能够输出回答该问题所需的信息。这个知识库还应该同时确保信息的广度与准确性，使得既能在海量信息中找到所需要的部分，又能确保这一部分信息的可靠性。同时这个知识库工具还应该能兼容多种类型的信息源，包括资讯快评/短讯、财务数据、公告、公众号、研报等。

知识库还需要保障信息处理的流程清晰透明。信息的筛选与输出也应当遵循一套标准化的流程，而不是单纯的概率性随机匹配。这也是之前的向量数据库在许多企业无法落地的原因，因为企业不能接受自己的信息输出基于纯粹的概率，而不是一个稳定结果。另外在企业级别的应用中，合规要求也需要信息的获取是可以溯源的，因此AI内置知识库也会因为幻觉等因素无法使用。

2、多层次知识库架构

常见的三种知识库路径在技术上各有取舍。受限于数据组织方式、检索机制和大语言模型上下文窗口，知识系统通常需要在准确性、信息容量和非结构化信息处理能力之间做权衡。传统 SQL 数据库适合处理大规模结构化事实和指标，具备较高的准确性、一致性和可计算性，但面对研报、公告、访谈、会议纪要等非结构化材料时，缺乏理解其内容的能力。RAG 系统可以接入大量非结构化资料，并通过检索增强模型回答问题，但其准确性高度依赖数据清洗、切分策略、召回算法、重排序机制和引用约束；如果缺少质量控制，系统容易被重复、低质量或相似但不重要的信息干扰，导致关键信息容易被淹没。LLM Wiki 是一种较新的知识编译架构，它通过让大语言模型预先总结资料、建立实体页、概念页和交叉链接，将非结构化信息沉淀为更易读取和复用的知识网络。但当 Wiki 规模继续扩大，甚至编译后的内容也超过模型可稳定读取和维护的范围时（即便尚未抵达上下文上限），就可能出现信息遗漏和回复“左右脑互搏”的情况。

为了解决单一知识库的短板，我们采用了多层知识库架构形成优势互补。我们将几种知识库架构和其他数据处理逻辑结合，做成了复合型知识库。不同架构之间可以相互校验，确保信息准确。且各架构层之间形成了优势互补，SQL能够提供准确性，RAG解决海量信息的语义搜索，LLM Wiki分析信息之间关系。为了确保多层次知识库之间能够互相协作而不是互相拖后腿，我们将其他技术引入该知识库，从而保障了不同架构之间的流畅并行，形成合力。

3、什么是“活”的知识库？

“活”的本质在于知识库能自主学习自身内容架构与用户提问模式。由于多层架构的复杂性和对于信息准确性的高要求，问题的思考时间要更久。因此一方面为了让复杂的知识库架构可以更好运行，另一方面为了让回答速度更快，该知识库可以学习知识库本身的信息模式与内容架构和用户的提问。

“活”知识库基于顶层AI，即“图书管理员”Agent。要做到这一点，知识库的顶层是一个AI Agent，承担起“图书管理员”的职责。对知识库内部，该Agent会了解知识库的元数据，包括知识库内容的构成，信息的组织架构，以及重点的数据等；对用户，Agent会对用户的提问给出基于知识库内容的具体解决方案，同时会学习用户的提问。当该Agent意识到现有的知识库框架已经不能充分解释知识库中的绝大多数内容，或者难以高效回答用户问题时，其会启动重建知识库的流程，重建后的知识库更符合内容，能更高效更准确地回答问题。

“活”知识库确保了该框架的通用性。因为顶层AI会自我学习知识库中的内容，使得用户不需要过多地针对行业或者内容特点手动说明。因此无论是研报还是公众号、权益还是固收，甚至是企业经营，都可以使用该知识库。

4、真正的使用场景是A2A作为AI投研全流程的一环

知识库的真正定位，是投研三环中"信息"环节的基础设施——解决非结构化信息的储存、检索与标准化交付。如同本章之初所介绍的“信息——>处理——>输出”的流程所说明的，这个知识库是用于解决信息的储存与交付流程。在成熟的生产环境中，这个知识库的更新与使用，都是应该通过AI进行的。作为大脑的处理层Agent可以根据需求，以MCP等工具形式调用知识库，实现投研所需的历史信息或者另类信息获取。因此为了让A2A流程更加稳定，知识库会明确自身输出的局限性，这样处理层Agent可以调取其他知识库或者搜索工具等进行信息补充或交叉验证。

同时这也是这个知识库架构的最大意义：如果从纯人工使用的角度，用户只能感觉到输出准确性高，但是这种感觉无法对比也无法量化，然而进入到大规模AI化进行的投研全流程中，上游的质量会直接决定最终输出结果的可靠性，这才是具备显著优势和不可替代性的场景。

（四）投研专用Harness+Agent框架

预测到未来AI投研的复杂程度可能远超Agent和Skill能够解决的范畴，而LLM本身的能力上限仍然是个未知数，我们设计了一套投研领域专用的Harness，从而实现如下目标：

复杂任务下数据的可靠性。即使我们已经通过前述的预提取数据等方式尽可能地确保了数据的真实可靠，如果后续分析或者使用流程上有瑕疵，仍有可能有损坏或者错误的数据进入后续分析流程。在自主的AI投研过程中，这个错误很容易被放大，因此必须有抽检和关键数据核查的流程。

反“过家家”的系统建设。分析的过程无论再贴合实际，如果AI不按照这个流程执行，都没有实际意义，但是现实中AI经常会在复杂工作中“偷懒”。“偷懒”也许是LLM本身的特点，也许是数据不全或需求不现实导致的，但是LLM却在汇报结果时回报一切正常。反“过家家”系统正是找出并解决这些没有被真正执行的设计。

长期自主工作的能力。AI投研的特点之一就是能够自动化完成一些复杂的研究，同时还能实现自我迭代，但是Claude Code、Openclaw、Hermes等框架都是为了特定目标所设计的，其较少考虑了一个无止境的研究场景下应该怎么工作怎么迭代。专用Harness则是要考虑投研结论即使出现，也并不代表对于该行业和该公司的研究就此结束，而是需要持续观测、验证并改进研判。在此过程中还需要和分析师或投资经理进行沟通反馈，传统框架下人工输入多会打断当前工作流程，而专用Harness需要在长期自主工作的同时，融合人工的反馈与调整，实现共同作用。

目前该Harness已经投入试运行，并且实现了Skill的产出与查验，我们的行业框架报告Skill即是通过该Harness生成。

五、风险提示

AI底层模型能力提升会使得Harness/架构类的工程设计显得冗余；

技术和应用进步可能会让报告中的产品过时；

AI投研流程发展所需资源与迭代周期不确定；

AI投研的方法论研究可能产生反身性，导致市场风格变化或提升市场总体AI使用效率，从而降低边际价值；

产品可能有Bug，或者未被预料的设计缺陷，进而影响实际效果。

研究所所长助理、消费研究中心大组长、食品饮料首席分析师：欧阳予

——酒类研究小组（白酒、啤酒、黄酒、红酒、新酒饮、酒类流通行业）

酒类研究小组组长、高级分析师：田晨曦

英国伯明翰大学硕士，2020年加入华创证券研究所，5年消费行业研究经验。

助理研究员：王培培

南开大学金融学硕士，2024年加入华创证券研究所。

助理分析师：张慧

悉尼大学商学学士，蒙纳士大学银行与金融硕士。2019年加入华创证券研究所。

——大众品研究小组（软饮料、乳肉制品、休闲零食、功能食品、食品配料等）

大众品研究小组组长、资深分析师：范子盼

中国人民大学硕士，7年消费行业研究经验，曾任职于长江证券，2020 年加入华创证券研究所。

分析师：张恒玮

澳大利亚国立大学硕士，4年食品饮料研究经验，曾任职于开源证券，2026年加入华创证券研究所。

——餐饮供应链及消费策略研究小组（调味品、预制食品、餐饮连锁；大消费策略研究）

分析师：廖承帅

同济大学硕士，4年食品饮料新财富团队成员，曾任职于广发证券，2026年加入华创证券研究。

助理研究员：施博阳

波士顿大学硕士，2025年加入华创证券研究所。海外消费品与AI投研技术支持。

执委会委员、副总裁、华创证券研究所所长、新财富白金分析师：董广阳

欢迎关注华创食饮团队

长按识别二维码关注我们

具体内容详见华创证券研究所08月04日发布的报告《未来已来——AI赋能消费投研系列研究一》

法律声明：

    华创证券研究所定位为面向专业投资者的研究团队，本资料仅适用于经认可的专业投资者，仅供在新媒体背景下研究观点的及时交流。华创证券不因任何订阅本资料的行为而将订阅人视为公司的客户。普通投资者若使用本资料，有可能因缺乏解读服务而对报告中的关键假设、评级、目标价等内容产生理解上的歧义，进而造成投资损失。

    本资料来自华创证券研究所已经发布的研究报告，若对报告的摘编产生歧义，应以报告发布当日的完整内容为准。须注意的是，本资料仅代表报告发布当日的判断，相关的分析意见及推测可能会根据华创证券研究所后续发布的研究报告在不发出通知的情形下做出更改。华创证券的其他业务部门或附属机构可能独立做出与本资料的意见或建议不一致的投资决策。本资料所指的证券或金融工具的价格、价值及收入可涨可跌，以往的表现不应作为日后表现的显示及担保。本资料仅供订阅人参考之用，不是或不应被视为出售、购买或认购证券或其它金融工具的要约或要约邀请。订阅人不应单纯依靠本资料的信息而取代自身的独立判断，应自主作出投资决策并自行承担投资风险。华创证券不对使用本资料涉及的信息所产生的任何直接或间接损失或与此有关的其他损失承担任何责任。

    本资料所载的证券市场研究信息通常基于特定的假设条件，提供中长期的价值判断，或者依据“相对指数表现”给出投资建议，并不涉及对具体证券或金融工具在具体价位、具体时点、具体市场表现的判断，因此不能够等同于带有针对性的、指导具体投资的操作意见。普通个人投资者如需使用本资料，须寻求专业投资顾问的指导及相关的后续解读服务。若因不当使用相关信息而造成任何直接或间接损失，华创证券对此不承担任何形式的责任。

    未经华创证券事先书面授权，任何机构或个人不得以任何方式修改、发送或者复制本资料的内容。华创证券未曾对任何网络、平面媒体做出过允许转载的日常授权。除经华创证券认可的媒体约稿等情况外，其他一切转载行为均属违法。如因侵权行为给华创证券造成任何直接或间接的损失，华创证券保留追究相关法律责任的权利。

    订阅人若有任何疑问，或欲获得完整报告内容，敬请联系华创证券的机构销售部门，或者发送邮件至jiedu@hcyjs.com。