AI赋能资产配置（三十七）：AI+DeepResearch：ESG投研自动化解决方案

多资产研究·资产配置深度 证券分析师：陈凯畅021-60375429chenkaichang@guosen.com.cnS0980523090002 证券分析师：王开021-60933132wangkai8@guosen.com.cnS0980521030001 摘要 ØDeep Research驱动范式转移 引入深度研究技术，通过具备自主规划能力的智能体进行投研任务。系统主动拆解投研目标，通过多轮次广度搜索与交叉验证，实现从“辅助检索”到“端到端自主研究”的质变。借助长上下文能力，系统能够一次性吞吐并理解海量资讯，精准提取关键事实并剔除冗余噪音。 Ø异步并行与双引擎架构 构建标准化的三层解耦架构，引入异步并行策略，将E/S/G任务重构为高效流水线。底层采用Gemini或Qwen双模型支持，借助深度研究Agent和润色合并Agent高效完成任务。调度层内置的状态机监控与错误熔断机制，进一步保障了长链路任务在复杂网络环境下的执行稳定性。 Ø云原生部署与零代码交互 基于“AI辅助编程+云原生部署”链路，实现从程序到Web应用的无缝交付。业务人员仅需调整自然语言指令即可定制研究方向，真正实现“零代码”门槛的逻辑迭代。这种轻量化的交付方式彻底免除了本地环境配置的繁琐，只需通过浏览器访问云端链接即可随时唤起强大的投研算力。 Ø效能跃升与标准化交付 将单份研报生产周期从数小时压缩至分钟级。AI Agent严格遵循预设逻辑，输出包含完整溯源数据的标准化Word研报，为机构提供可规模化复制的高质量信息服务。相比于人工交付受限于精力波动导致的质量起伏，该模式确保了每一份研报在数据深度与排版样式上的高度一致性。 Ø风险提示：本工具基于LLM构建，生成内容可能存在“机器幻觉”或数据偏差。产出结果仅作为辅助性研究材料，严禁直接作为投资建议，关键决策需经专业人员复核。 目录 AgenticAI重构ESG投研架构01 从零到一的系统构建02 Agentic AI重构ESG投研架构：深度研究的技术范式转移 ØDeep Research（深度研究）的突破 传统的大语言模型应用受限于上下文窗口与预训练知识的滞后性，难以应对信息密度极高的ESG投研需求。Deep Research的引入实现了技术范式的根本性转移，将AI从单一的检索工具升级为具备自主规划能力的智能体。系统不再依赖碎片化的信息抓取，而是能够像人类研究员一样，主动拆解复杂的投研目标，在海量互联网信息中进行多轮次的广度搜索与路径规划，实现了从“单次问答”到“自主循环”的跨越。 这种技术突破彻底解决了传统模式下信源分散与人工筛选效率低下的痛点。通过长上下文能力的支撑，系统能够一次性吞吐并理解数百篇相关报道，精准提取环境、社会、治理维度的关键事实并进行多源交叉验证。这使得AI的产出不再是Deep Search时代的链接罗列或RAG时代的简单摘要，而是具备数据支撑、逻辑严密的深度内容，真正实现了从“辅助搜索”到“端到端自主研究”的质变。 Agentic AI重构ESG投研架构：三层技术架构与双引擎驱动 Ø系统架构设计理念 本系统构建了标准化的三层技术架构，实现了业务逻辑与底层能力的深度解耦。交互层提供Web与CLI双入口，通过配置管理模块支持报告周期与模型参数的动态调整。调度层作为逻辑中枢，不仅负责E、S、G子任务的异步分发与状态机监控（含错误熔断机制），更集成了数据清洗与文档整理模块，确保了从原始数据到最终研报的标准化输出。 能力层通过适配接口实现了Gemini与Qwen的双模型选择，并划分了“深度研究”与“润色合并”两类Agent角色：利用deep-research系列模型进行海量信息挖掘，配合gemini-3-pro或qwen3-max模型进行内容的专业化润色与整合。这种分工设计不仅实现了从海量信息吞吐到专业内容生成的流水线式协同，更确保了研究结果在数据广度与行文规范上的双重高标准，为金融机构提供了高可用、高质量的智能投研保障。 资料来源：万得，国信证券经济研究所整理 Agentic AI重构ESG投研架构：提示词工程与并行处理机制 Ø提示词工程与并行策略 复杂的投研任务被拆解为章节研究等多个阶段，并将对应提示词动态加载至严密的三层认知架构中：角色层赋予模型资深研究员的人格设定以确保专业语态，上下文层注入动态的时间窗口与领域参数以锚定研究范围，而约束层则通过严格的格式与风控限制有效抑制机器幻觉。这种分层设计将非结构化的自然语言需求转化为精确的参数化指令，确保了输出内容的金融严肃性与逻辑可控性。 针对Deep Research高算力消耗带来的时间瓶颈，系统架构实现了从线性串行向异步并行的根本性升级。这种非阻塞式的架构设计打破了单点任务的累积时延，将整体生成耗时从三个模块的线性叠加压缩至单一模块的运行极限，显著提升了系统的吞吐量与响应速度，完美兼顾了深度推理与交付效率。 资料来源：万得，国信证券经济研究所整理 Agentic AI重构ESG投研架构：数据全生命周期流水线 Ø从对话即服务到AI智能体 通过建立一套分层严密的ESG投研智能工作流体系，借由标准化的数据管道提升研究的规范性与可追溯性。流程始于用户输入层的精确定义，支持针对特定时间窗口及底层模型偏好进行参数配置，确保任务建立在明确的业务约束之上；随后的智能体核心层作为逻辑中枢，通过模块化的Prompt框架与Skills技能引擎的动态组合，驱动LLM推理系统执行深度的并行研究与信息处理；最终，交付输出层将研究成果转化为标准化的交付物，不仅生成适配专业模板的Word研报，还同步产出包含完整问题溯源的结构化JSON数据并自动完成分类归档，从而实现了从配置到交付的全链路闭环。 目录 AgenticAI重构ESG投研架构01 从零到一的系统构建02 应用价值与未来展望04 从零到一的系统构建：基于Deep Research的原型验证 Ø第一步：交互式提示词探索与逻辑验证 •在Gemini Web端依次对“章节研究”“章节润色”“热点聚焦”等多个提示词反复调试，减少AI幻觉的出现。•通过多轮迭代确立了包含严格时间窗口锁定与特定结构化输出（标题/导语/细节/点评/结语/资料来源）的约束范式。 从零到一的系统构建：研究代码化与并行架构重构 Ø第二步：API接口封装与异步提速 •借助Cursor的代码生成能力，将验证成熟的提示词逻辑快速转化为标准的Python执行程序，实现了从手动交互到API自动化调用的无缝迁移。 •利用Cursor编程工具对底层架构重构，引入异步并发机制，同时对环境、社会与治理议题进行深度研究。 从零到一的系统构建：中间态映射与文档自动交付 Ø第三步：数据结构化与模板精准填充 •将AI生成的非结构化文本转化为规范的JSON格式，便于后一步进行Word模板填充。 •基于document-skills将这些结构化数据精准注入到预置的企业级Word模板中。这种方式既保留了复杂的排版样式与视觉规范，又确保了内容的准确填充，最终实现了从代码数据到专业研报的完美交付。 目录 AgenticAI重构ESG投研架构01 从零到一的系统构建02 应用价值与未来展望04 风险提示05 全栈应用构建与云端部署：AI辅助开发与交互体验 ØWeb化与云端容器化 借助Cursor迅速将底层的Python核心逻辑封装为标准的Flask Web服务，并生成了包含状态管理与异步通信机制的前端代码。 应用最终通过Render平台实现了容器化部署，交付了一个集成API配置、实时任务进度追踪（含E/S/G研究阶段）与运行日志监控的可视化界面。这种轻量化的交付方式免除了研究员在本地配置复杂Python环境的繁琐，只需通过浏览器访问云端URL即可使用。 全栈应用构建与云端部署：开源版本管理与云端自动化部署 Ø开源托管与云端可视化部署 为了实现工具的即时可用性，项目采用了云原生部署链路。首先，将本地构建的完整代码提交至GitHub仓库进行开源托管与版本控制。随后，利用Render云应用平台直接对接该仓库，完成云端构建流程。借助Render的云服务器算力，将原本运行在本地的Python脚本转化为部署在公网的Web应用，生成了可供所有用户直接访问的HTTPS链接，从而实现了从“单机代码”到“公共在线服务”的零门槛交付。 资料来源：万得，国信证券经济研究所整理 目录 AgenticAI重构ESG投研架构01 从零到一的系统构建02 风险提示05 应用价值与未来展望：人机协作的效能边界突破 Ø效能革命与标准化交付 •突破产能瓶颈，实现分钟级响应：通过Deep Research深度推理能力与异步并行架构的深度融合，系统成功将单份深度研报的生产周期从人工撰写的数小时压缩至分钟级。这种“以算力换时间”的模式，显著提升了投研团队对突发热点事件的响应速度，实现了对E/S/G多维议题的瞬时覆盖。 •确立代码级约束，保障交付一致性：相比于人工交付受限于精力波动与个体差异导致的质量起伏，AI Agent在严格的提示词工程（Prompt Engineering）约束下，能够始终如一地遵循预设的金融逻辑与格式规范。无论是在数据的交叉验证，还是在行文的排版样式上，均能确保输出成果具备高度的专业一致性与可追溯性。 •构建可规模化的信息服务能力：系统具备24/7全天候运行能力，且不受限于人力资源的线性增长。这种“机器生产、标准输出”的模式，将原本高昂的定制化投研服务转化为可规模化复制的标准信息产品，极大降低了边际成本，为机构提供了广覆盖、高频次的信息服务护城河。 •重塑投研范式，聚焦高阶价值：本系统的引入并非为了替代研究员，而是为了重塑人机协作关系。将繁琐的信息搜集、数据清洗与初稿撰写交由AI完成，使得专业研究员能够从低效的重复劳动中解放出来，专注于深度洞察、策略制定与最终审核，推动投研工作真正从“劳动密集型”向“智慧密集型”转型。 应用价值与未来展望：零代码定制与功能不断拓展 Ø低门槛开发与扩展性改造 •构建过程：AI辅助的零代码开发 本项目的构建过程验证了“零代码”开发的可行性。借助Cursor等AI编程工具，通过自然语言交互即可完成从后端逻辑到前端界面的全栈生成。这意味着非技术背景的用户也能通过描述需求，快速搭建并维护符合自身业务特点的投研工具，大幅降低了技术开发的门槛。 •模型接入：修改为OpenRouter接口以实现灵活扩展 为了支持更多样化的推理模型（如DeepSeek或GPT），建议后续采用OpenRouter等通用接口。用户只需遵循这一统一的接口定义，即可在配置层面轻松接入或切换Gemini、Qwen、DeepSeek等不同模型，实现对多源大模型的广泛兼容。 •业务定制：基于文本指令的逻辑调整 我们将研报生成的定制化能力下沉至文本层面。对于报告风格、研究侧重点的调整，本质上转化为对Prompt文件的编辑。业务人员只需调整自然语言指令，即可直接优化AI的产出结果。这种机制减少了对代码开发的依赖，使得业务逻辑的迭代更加直接和高效。 目录 AgenticAI重构ESG投研架构01从零到一的系统构建02全栈应用构建与云端部署03应用价值与未来展望04风险提示05 风险提示 一、生成内容的非确然性与人工复核：本工具基于概率大语言模型（LLM）构建，尽管引入了思维链（CoT）与多源交叉验证机制，但生成内容仍存在“机器幻觉”或数据引用的潜在偏差。系统产出的研报、数据及观点仅作为辅助性研究材料，严禁将其直接作为最终投资建议。关键决策依据必须经过专业研究人员的人工复核与逻辑校验。 二、技术服务与数据源的外部依赖：Deep Research功能高度依赖互联网公开信源的实时可达性及第三方模型API（如Google Gemini、阿里云Qwen）的服务稳定性。受限于网络波动、特定数据源的访问权限变更或API服务商的不可抗力，报告生成的完整性与时效性可能存