【广发策略】AI投研：第一性、原理、远期思考

本文作者：刘晨明/逸昕（Trae技术社区产业专家）

联系人：马文芳

AI投研应以“最大化还原复刻二级从业者的投研生产链路”作为第一性

主观投研从业者的核心工作流，是通过公开数据、调研、路演等渠道摄入信息，并根据自身经验加工成认知差，最终转化为研究观点或投资决策。基于该思想，AI投研系统建设有两个核心环节：

信息摄入层：公域数据接口和私域知识库相结合，提升投研语料广度、质量、即时性；

经验加工层：真实投研体系沉淀成可复用的Skill，借助AI工程学思想落地，确保Agent无损高效执行。

本报告将从大模型和Agent的微观原理出发，系统性讨论AI投研系统的进阶优化路径

一些从业者的AI投研工作流，已达到当前大模型的性能瓶颈，如复杂任务输出质量低、稳定性差、幻觉率高、Tokens消耗快等，需在理解AI技术原理的基础上，系统性重构Agent基建层，才能实现AI工作流的性能跃升。从当代大模型的三个原生技术缺陷切入，讨论投研场景下的优化方向：

Harness与AI工程学：借助上下文工程思想，通过微调Harness、多Agent矩阵、Skill编排架构，克服当代大模型的三大原生技术缺陷。

私域RAG投研知识库：比LLM-Wiki更适用投研场景，但需要配合数据预处理优化、意图识别与Query改写、检索调参等，实现效用最大化。

AI时代，二级金融机构的远期思考

KYA（Know Your AI）的重要性，一是AI原理与实践经验或将成为从业者必备基本功，二是AI技术的微观理解也会重塑对于AI产业逻辑的认知；

卖方研究所展业形式或将经历一轮MCP化的变革；

两类AI投研的低效实践，一是金工化、会丧失主观投研超额收益来源（即信息差和认知差的提炼），二是单一环节机构的全链路尝试、也不符合现代金融产业发挥分工优势的原则。

风险提示：大语言模型或Agent底层技术范式颠覆性变化导致优化思路失效风险；AI技术发展及投研场景应用效果不及预期风险；数据安全、隐私保护及相关监管政策变化风险。

AI投研应以最大化还原复刻主观投研的生产链路作为第一性。主观研究员和基金经理的核心工作流，是捕捉信息差、形成认知差（超额收益的理论来源），最终转化为研究观点或投资决策。AI研究员、基金经理Agent系统，理应基于该哲学展开设计，从而突破主观投研场景下的人类局限性。核心难点：①信息层，提升投研语料的广度、质量、即时性；②加工层，投研体系的无损蒸馏。

截至2026年的低效实践：①主观投研金工化，丢失主观超额；②单一环节的全链路尝试，削弱分工优势、经验沉淀，衍生隐私担忧。

一、投研Agent系统的进阶哲学

（一）Agent基座：本质是Model Harness的权衡

Agent（智能体）：以大模型（LLM）为核心，具备目标理解、任务规划、工具调用、记忆管理、环境感知能力，能够自主迭代执行任务的应用系统。微观实现原理是：

Query（请求）：用户向Agent发送提问（User Input），Agent将User Input连带目标理解、任务规划、工具调用、记忆管理和环境感知的相关文本共同组装（Request Assembly）成一套上下文（Context），以单一Query形式发送给LLM解析（通过API）；

Response（响应）：LLM返回给Agent的原始文本，包括用户可见的回复（User-Facing Output），和其他用户不可见的内容，如思考链（CoT）、工具调用指令（Tool Call）等。

现代LLM的技术基座是Decoder-Only Transformer。截至2026年8月，三个重要技术瑕疵（后续会提及部分其他瑕疵）：

① 上下文衰减（Context Rot）：Prompt输入越长，LLM回答质量越差，更易出现幻觉、逻辑断裂、注意力涣散（Lost in the Middle）。标准Transformer的全注意力计算复杂度随序列长度呈??(??^2 )增长；与此同时，随着上下文拉长，无关信息和潜在干扰项增加，关键信号的识别、追踪与聚合难度上升，使模型的实际有效上下文窗口往往显著小于标称窗口。

② 输入扰动敏感（Input Perturbation Sensitivity）：Prompt输入中增加微小、语义无关的改动，会导致输出质量显著偏移。核心原因是LLM对Token序列分布、Token相对位置等高度敏感，新插入无关Token会造成语义表征偏移、自注意力权重全部重算，Next-Token输出质量将显著劣化，且后续的自回归循环会不断放大该问题。

③ 输出非确定性（Output Non-Determinism）：相同Prompt向LLM发送两次，回答几乎不会相同。核心原因是Decoder-Only输出是从Token概率分布中随机抽样，仅在temperature=0时（贪心搜索，永远选概率最高的下一个Token）能保证输出完全一致，但内容通常死板、发散性差，因此LLM默认偏好随机性。

随着模型能力趋同，选择Agent基座本质是权衡Harness的过程。Harness Engineering（驾驭工程，或译作马具工程）指的是，在不修改模型权重情况下，围绕模型设计整套外部运行环境，提升模型完成复杂任务的稳定性。根据Deepset，同一模型仅通过优化Harness，基准测试表现的排名能提升20位以上。对于两类Agent基座路径，主要的权衡：

一体化产品（Claude Code、Codex、TraeCode、WorkBuddy等）：Harness厂商预调校为主，易用性强。实测各家Harness基本延续了其产品基因调性，在解决语料问题的情况下，经过轻度状态和工具优化（Memory、Skill等），均可胜任大部分投研场景任务。

开源架构（OpenClaw、Hermes等）：Harness用户侧调校为主，可全局自定义，上手难度和用户心智要求都极高，几乎无法纯靠Vibe Coding优化（注意力机制的缺陷）。但合理优化后性能上限极高，能实现对Harness、LLM Query的绝对微观控制，逐任务针对性地克服LLM的先天技术瑕疵。对于投研场景的优势，一是Gateway常驻（可实时用主流IM唤起），二是原生一等支持多Agent系统、更高的自由度带来更高的效果上限。

过渡思路：一体化Agent产品 + 三方数据接口API或MCP。开箱即用、首Token延迟低，交互友好，足够胜任大部分轻量投研辅助任务。

最佳实践：开源架构Agent负责具体生产场景，一体化Agent产品负责项目维护，最大化两者原生禀赋。

项目维护侧使用一体化Agent产品：预置Harness侧重通用代码能力优化、持续对齐SOTA模型性能，补齐开源架构Agent自我诊断修正、自迭代短板。

投研生产侧使用开源架构Agent项目：深度定制化适配投研场景，高质量完成复杂长程、端到端的闭环投研体系的结论输出任务（如深度研报、选股与投资组合策略等），便于经验沉淀复用。其他优势包括无人值守、隐私强化（数据和投研体系不出域）等。

局限性：需考虑可用于AI技术沉淀的时间分配。目前主流模型的注意力机制决定，如果无人类监督，LLM或者一体化Agent无法自主充分理解开源Agent的设计哲学、和投研工作流的全局最优迭代思路。Vibe Coding只能“看起来对”，真正优化开源Agent仍需要用户在理解相关IT技术栈原理、架构、逻辑的基础上，人为引导AI的优化方向。因此，KYA（Know Your AI）也是本报告尝试解决的核心问题之一。

（二）分步加载与Multi-Agent矩阵

分步加载和多Agent矩阵的底层思想，都是将复杂长程任务的真实上下文（如任务要求、历史记忆、思考过程、相关资料等），尽可能按子任务类型，分拆成多个独立的“最小高信号集合”子模块、分步独立执行，避免无关上下文影响特定环节的执行效果。

根据二级市场投研真实场景，最小Multi-Agent矩阵应至少包含三个对象：实习生、分析师、投资总监。具体职责分工：

实习生（Intern）：接收数据缺口请求，调用API/MCP查询资料，初步清洗并机械拼装为标准化信息卡，返回给上层Agent；

分析师（Analyst）：接收细分领域内容创作需求，调用专业投研Skill分析，将章节性结论落盘为本地快照.md（Checkpoint）；

投资总监（Investment Director）：接收用户任务，理解意图、分拆任务、规划调度，子实例封装输出Worker Agent内容产物。

这种架构可以初步确保，取数、清洗、无关资料与章节内容，不会显著影响最终交付产物的质量。一体化Agent的项目设计上，也可以迁移该思路，即在Agent任务流程沉淀为可复用Workflow时，可明确要求“最大化实现任务拆分和分步加载，避免上下文堆积”。

（三）Skill带来分析弹性

Skill（技能），指的是可被Agent发现、按需动态加载的文件Progressive Disclosure）思想，解决上下文衰减、和海量领域知识无法全部一次性塞入Context的痛点：

元数据（Metadata）：默认常驻Agent的Query Context，包含Skill Name（技能名称）和Description（索引描述）。Agent通过对比用户提问、和可用Skills的Metadata列表，自主判断是否激活某个Skill，即触发完全依赖LLM推理。由此产生两个隐性要求：a. 单一Agent配置的Skill不宜过多（超过20个容易触发冲突）；b. Description需高度精简、无歧义（少于120汉字为佳）。

指令主体（Instruction）：Skill激活时挂载到Context，仅包含Skill.md，本质是路由，覆盖任务步骤、约束、输出格式等。

项目资源（Resources）：路由激活的文件，包括程序脚本（Scripts）、提示词（References）、参考资料与模板（Assets）。

当前大模型的理论技术瑕疵决定，如果最大化Skill产出质量，必须对调度规划、任务分拆等环节做Harness工程学优化。两个例子：

【案例一：投研数据网关Skill】

重要基建层Skill，投研Agent调用数据接口的统一入口。

工程痛点：单一Agent配置多个API或MCP的隐患：（1）以Tool Schema形式常驻上下文，造成注意力漂移风险（输入侧条件信号带来的分布偏移），会轻微提升输出Tool Call基线概率（无需但调用了工具），或CoT被工具集合“带偏”、回答啰嗦并试图套用工具思维解释普通问题；（2）需要数据时，Agent需要分配一部分上下文和注意力厘清各接口的数据类型、调用方式、优先级等。

优化思路：引入CodeAct思想消除LLM推理的输出不确定性，将数据缺口需求由LLM推理转化为机械化代码指针问题，对Agent只暴露一个函数签名（Canonical Request），Skill引入适配层脚本（Adaptor）统一管理所有数据需求（去哪问行情数据？研报语料去哪找？各家调用代码格式怎么写？哪家调用失败怎么重试和兜底？返回数据如何判定成功？），确保取数流程不占用注意力。

【案例二：组合业绩归因Skill】

对投资组合持仓的波动做量化归因，并生成持仓日报。

工程痛点：Transformer + Decoder LLM的随机性/输出不确定性，意味着如果将持仓个股的单日涨跌幅及相关数据发给LLM分析，结果可能较难定量或每次LLM Response的定量分析结果存在随机差异。

优化思路：引入数学抽象或Lean思想消除LLM推理的输出不确定性，将投资组合中个股的异动归因，转化成一个Barra CNE10（或按需引入正交处理后的自建因子系统）的因子归因数学问题。Skill通过LLM将自然语言，转化为结构化任务参数（不参与运算）导入数学抽象层，后者基于Barra因子模型对自变量和参数求解，输出结构化数值、并通过LLM翻译为可视化的输出形式。

（四）进阶：开源架构Agent的基建优化

用一个适用开放性问题的极简兜底分析Skill的案例，感受开源架构“对Harness、LLM Query的绝对微观控制”。

背景：向不同的Agent产品发送同一个问题，即使模型基座相同，回答的质量也有明显差异，这几乎无关提示词质量、完全由不同Agent的差异化Agent决定。对于开放性问题，理论上Harness越轻量的Agent能削弱输入扰动敏感问题，更容易发挥模型原生的泛化性，在提供宽泛的角度后下一步再定向补查，理论上可以兼顾原生分析能力和Agent垂域Harness的专业性优势。

优化：主Agent识别为开放性问题后触发，仅向LLM API发送用户问题、剥离全部Agent Harness。测试“列举AI对人类的三个贡献”，干净版的分类更正交、审慎，Harness版明显角色泄露（更易下判断）、世界观有倾向性、且数据不可追溯。

开源架构Agent之间无本质区别（如OpenClaw、Hermes等）：一是经过数月迭代，类似记忆力引擎等核心模块的成熟度都足够高，无需再替换；二是底层都是Harness和Loop、原理相同，原生功能差异可按偏好借助AI Coding补齐。两个基础架构外值得补充的细节：

多级模型路由：目前暂无任何原生Agent搭载该模块。使用脚本判断Agent的单次LLM请求的负载强度需求，如果涉及任务规划调度、投研文本写作等则路由到高阶模型，如果涉及工具执行调用、事实核查等则路由到低阶模型，可实现降本和长程任务提速。

架构自迭代Loop：站在IT项目管理角度，可通过下列提示词强制模型、运维Agent进行全局性代码审计优化，初期可设为定时Loop自迭代。但由于Loop存在奖励劫持（Reward Hacking）隐患，待项目稳定生产后需做针对性微调或直接关停；类似地，Hermes原生的Dreaming机制和一些Self-Learning性质的Skill，也仅适合在项目稳定生产前过渡，否则有架构/流程漂移风险。

二、投研RAG向量知识库的进阶哲学

（一）信息差是市场超额收益α的理论核心来源

从底层定价原理分析，根据有效市场假说（EMH），对于非强式有效市场，超额收益都不同程度来自于私有信息、或信息传播的过程。Grossman-Stiglitz悖论进一步提出，如果信息获取存在成本，那么市场就不可能达到完全有效。实证经验揭示了A股EMH的结构性：

覆盖不足标的（小微市值、分析师覆盖0-2家以内）：业绩预喜、重大事件等公告后的价格漂移极强（PEAD），不过多数时间收益率序列显著自相关、涨跌停制度摩擦导致日度动量异象显著，直接拒绝弱有效假说。

中等覆盖标的（中小市值、有机构持仓）：重要公告（业绩、重组等）不会被瞬间定价、存在统计显著的PEAD，公开信息的解读速度差异能带来超额收益，同时日度收益率一阶自相关接近0、简单线性技术分析不能持续获得α，非线性有少量可预测性。

充分覆盖标的（中大市值龙头、卖方覆盖充分、机构持仓占比高、融券工具充足）：重大事件后股价反应速度快、PEAD统计显著性大幅衰减，异质性结果显示仅存在少量公告前私有信息泄露带来的超额收益。

（二）投研知识库的路径：RAG优于LLM-Wiki

EMH提示了私域知识库的必要性：在Agent投研语境下，解决除了公开覆盖充分的龙头以外，其余中小市值个股的信息覆盖问题，以强化投资组合α。通过三方数据接口获取超额收益，将更多取决于投资者投资框架发现增量信息、并将其视为重要交易信号的及时性，对投研框架和交易择时有更高要求，而私域信息（调研、反路演、个人经验等）理论上能适当降低这些要求。

工程落地上，目前主观投研知识库有LLM-Wiki和RAG两个主流技术路径。逻辑上，对于专业投研生产场景，LLM-Wiki有无解的先天缺陷，RAG是理论最优解。除了运营成本高（Tokens）以外，LM-Wiki最核心的问题在于，Schema只可能是在特定时间截面、特定数据量级下的局部最优解，而不存在全时、覆盖全数据量级的全局最优Schema：

数据量级爆炸：当语料较少（百余网页，Karpathy原始测试规模），Schema可按公司或赛道分页，结构干净。实测专业投资者合格信息摄入量级约50-70万字/日，新的实体、细分赛道、子业务、分析维度，或者原有旧概念、实体的裂变会持续涌现，如果运营2个月以上，Schema颗粒度偏粗（单一页面臃肿、上百万Tokens）或偏细（页面切碎、Index.md爆炸）的问题会明显恶化。

上下文衰减：LLM在复杂任务中有效上下文窗口只有标称的20-30%，数据膨胀会导致Wiki方案极易触发Context Rot和LIM。

（三）RAG的投研场景优化

RAG（Retrieval-Augmented Generation，检索增强生成），是以向量数据库为核心引擎的检索技术。底层原理是，利用嵌入模型，将文档片段和用户问题，共同编码到同一语义向量空间，通过数学方式找出语义空间中、距离用户问题最近的一组片段，拼成“剪贴报”形式，并连带用户问题一起作为新的上下文，发送给LLM生成回答。

RAG原生缺陷在投研场景的核心已知暴露，都可以在技术层面妥善优化。两个环节：

【环节一 数据预处理】

围绕数据治理和切片策略两条线索，实践当中主要的几个问题：

信息渠道：即时通讯平台、垂域数据库、论坛等。其一，未来投研即时通讯生态可能向飞书这类Agent-Native平台倾斜，其他平台有Github开源方案支持个人数据资产自动化导出；其二，网页端数据库、论坛如果不支持API和爬虫，可通过无头浏览器实现自动化。

数据清洗：图片和文字均可纯算法高效低成本去重；图片和PDF（截图后）通过VLM解析文字和表格的精度均高于OCR方案。

压缩切片：特殊切片策略（如父子、语义等）的实测效果，均不及结构化压缩后完整机械切片的方案。

【环节二 用户查询】

理论上，用户无从知晓RAG知识库覆盖哪些数据（这是LLM-Wiki主要解决的问题），解决思路：

意图识别与Query改写：投研场景分析范式比较固定（个股、产业、宏观），可预设各研究方向的最优关键词供Agent补齐，范式外问题用探针策略兜底。事实、逻辑缺口再定向补查。大量实测显示，该思路效果好于任何形式的知识图谱（Graph）调优。

RAG参数微调：最大化单次查询召回质量。基于对数万条真实无偏Query-Response的研究，实证最优参数见如下图。

三、AI时代，二级金融机构的远期思考

关于AI投研探索的一些体会：

KYA（Know Your AI）：①进阶性AI工作流可以较为明显地提升日常投研工作效率，远期有望继经济学思想、财务分析、办公软件操作之后，成为从业者第四大必备基本功；②理解AI原理，也将重塑对于中长期AI产业逻辑的认知，典型如杰文斯悖论在微观层面如果以用户侧多级模型路由作为呈现形式之一，对闭源模型厂和CSP的ROIC假设可能都需要调整。

卖方研究所展业形式：或将经历一轮MCP化的变革，观点、数据、活动的更新可以更高效广泛地送达机构客户。

两类AI投研的低效实践：①金工化，和量化相比无优势，且会丢失主观投研的超额收益来源（即信息差和认知差的提炼）；②单一环节机构的全链路尝试，既不符合用户心智长期向上形成的去中心化趋势，也有悖于成熟的现代金融业分工发挥优势的原则。

四、风险提示

大语言模型或Agent底层技术范式颠覆性变化导致优化思路失效风险。

AI技术发展及投研场景应用效果不及预期风险。

数据安全、隐私保护及相关监管政策变化风险。

参考文献：

  Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[J]. Advances in neural information processing systems, 2017, 30.

  Liu N F, Lin K, Hewitt J, et al. Lost in the middle: How language models use long contexts[J]. Transactions of the association for computational linguistics, 2024, 12: 157-173.

  Hsieh C P, Sun S, Kriman S, et al. RULER: What's the real context size of your long-context language models?[J]. arXiv preprint arXiv:2404.06654, 2024.

  Fama E F. Efficient capital markets: A review of theory and empirical work[J]. The journal of Finance, 1970, 25(2): 383-417.

  Grossman S J, Stiglitz J E. On the impossibility of informationally efficient markets[J]. The American economic review, 1980, 70(3): 393-408.

  孔东民,柯瑞豪.谁驱动了中国股市的PEAD?[J].金融研究,2007,(10):82-99.

  游家兴,邵平平,刘淳.市场边缘化公司盈余公告后价格漂移现象研究[J].金融研究,2026,(2):152-169.

  张瑞祺,张兵.中国股市涨跌幅限制主导日度动量效应[J].中央财经大学学报,2025,(1):59-74.

  Fedyk A. Front‐page news: the effect of news positioning on financial markets[J]. The Journal of Finance, 2024, 79(1): 5-33.

  苏治,方明,李志刚.STAR与ANN模型:证券价格非线性动态特征及可预测性研究[J].中国管理科学,2008,(5):9-16.

  曾庆生,张耀中.信息不对称、交易窗口与上市公司内部人交易回报[J].金融研究,2012,(12):151-164.

本报告信息

对外发布日期：2026年8月28日

分析师：

刘晨明：SAC 执证号：S0260524020001

逸   昕：SAC 执证号：S0260524030006

本微信号推送内容仅供广发证券股份有限公司（下称“广发证券”）客户参考，相关客户须经过广发证券投资者适当性评估程序。其他的任何读者在订阅本微信号前，请自行评估接收相关推送内容的适当性，若使用本微信号推送内容，须寻求专业投资顾问的解读及指导，广发证券不会因订阅本微信号的行为或者收到、阅读本微信号推送内容而视相关人员为客户。

完整的投资观点应以广发证券研究所发布的完整报告为准。完整报告所载资料的来源及观点的出处皆被广发证券认为可靠，但广发证券不对其准确性或完整性做出任何保证，报告内容亦仅供参考。

在任何情况下，本微信号所推送信息或所表述的意见并不构成对任何人的投资建议。除非法律法规有明确规定，在任何情况下广发证券不对因使用本微信号的内容而引致的任何损失承担任何责任。读者不应以本微信号推送内容取代其独立判断或仅根据本微信号推送内容做出决策。

本微信号推送内容仅反映广发证券研究人员于发出完整报告当日的判断，可随时更改且不予通告。

本微信号及其推送内容的版权归广发证券所有，广发证券对本微信号及其推送内容保留一切法律权利。未经广发证券事先书面许可，任何机构或个人不得以任何形式翻版、复制、刊登、转载和引用，否则由此造成的一切不良后果及法律责任由私自翻版、复制、刊登、转载和引用者承担。