AI辅助固收投研实务系列开篇：信用债复杂场景下，AI嵌入真实研究工作流的标杆案例

2026年04月17日 AI辅助固收投研实务系列开篇：信用债复杂场景下，AI嵌入真实研究工作流的标杆案例 证券研究报告 信用研究正在走向重建： 张亮分析师SAC执业证书编号：S1450526030001zhangliang1@sdicsc.com.cn 信用债市场正在进入一个旧框架退潮、新框架孕育的重建期。城投、地产等传统主体进入存量时代，科创和新产业仍在加速成形，研究员过去依赖的区域框架、行业框架和经验框架，都开始面临重新校准的问题。对买方机构而言，这意味着信用研究不只是继续做下去，而是要重新回答：材料怎么读，主体怎么审，证据怎么整理，最后又如何回到统一的准入和打分框架。 叶青联系人SAC执业证书编号：S1450126040005yeqing2@sdicsc.com.cn 相关报告 债市周思考：钱多与物价担忧2026-04-133月物价数据点评：PPI转正，关注企业盈利改善情况2026-04-12资本回报率系列之一：资本回报率视角看美国类滞胀问题2026-03-29 工作流嵌入是AI赋能的核心要旨： 本文想讨论的，不是AI会不会写摘要、润色文字，而是AI是否真正进入了研究工作流程。市场上很多相关内容，讲到最多的还是总结、改写、问答这些外围环节，或者黑箱直接让AI处理一个复杂问题，例如判断利率涨跌；这些当然有帮助，但它们没有触到信用研究最费时、最容易散、也最需要复核的部分。真正决定研究质量的，始终是材料从哪里来、附注怎么拆、证据怎么串、判断怎么回到原文、后续怎么复用。 赋能三项心法以及落地工具： 本文的核心判断有四点。第一，AI辅助投研真正稀缺的，不是会不会写摘要，或者替研究做判断，而是能不能进入信用研究的真实工作流程。第二，财报附注这类复杂、非标准化的大文本场景，是AI最先真正跑通的地方。第三，很多AI投研内容看起来在提效，但实际上还停留在研究外围。第四，只要材料没有被整理成能回头检查的证据链，研究结论就还不算真正落地。 Financialanalysis(https://github.com/timyefi/financialanalysis)工具是系列skill构建的工作流，主要用于处理年报、半年报、公告、募集说明书、评级报告等非结构化或半结构化材料，围绕债券发行主体的财务分析，将原始信息转化为结构化底稿、证据索引及分析报告，重点解决附注等关键环节的整理与标准化问题。使用上，将整套workflow（skills）接入Agent工具（如OpenClaw或ClaudCode），按预设prompt输入目标主体或材料，即可自动完成从材料获取、解析、附注分析到结构化底稿与报告输出的全流程。 风险提示：AI技术局限性，数据质量风险，框架适用性风险，市场与政策风险。 内容目录 1.为什么很多AI投研没有真正进入研究工作流程..................................42. Financialanalysis项目介绍.................................................53.财报附注是AI在固收领域重点跑通的场景......................................94.两个实务案例..............................................................124.1.万科：AI可以把融资成本拆到传统人工很难稳定做到的细度...............124.2.杭海新城控股：AI可以将城投场景里的经验工程化.......................185. AI嵌入哪些工作流：沿着信用研究员与基金经理的真实流程看...................236.结语......................................................................257.风险提示..................................................................25 图表目录 图1. AI辅助投研的关键分界....................................................4图2. Financialanalysis仓库首页/ README展示图..............................5图3.研究链路示意图..........................................................6图4.输入输出转换图..........................................................6图5.附注优先证据链图........................................................7图6.团队共享底座图..........................................................7图7. AI投研两种路径对比图....................................................8图8.财报附注样例展示1-复杂表格结构.........................................10图9.财报附注样例展示2-文字信息并存.........................................11图10.财报附注样例展示3-高密度多重信息......................................12图11.案例运行过程：财报搜索下载............................................13图12.案例运行过程：财报PDF解析............................................13图13.案例运行过程：结构化信息提取..........................................13图14.案例运行过程：结构化信息提取..........................................13图15.案例运行过程：项目运行至今已通过实务分析积累了超过1600行高质量的财务分析知识库和经验.................................................................14图16.案例运行过程：信息索引化校验..........................................14图17.案例运行过程：结构化数据仓库化........................................14图18.案例运行过程：形成可追踪Excel数据库底稿..............................15图19.案例运行过程：形成可追踪分析报告底稿..................................15图20.万科财报附注概览（数值）..............................................15图21.万科财报附注概览（公式）..............................................15图22.万科债务口径（数值）..................................................17图23.万科债务口径（公式）..................................................17图24.万科现金流桥（数值）..................................................17图25.万科现金流桥（公式）..................................................17图26.案例运行过程展示：信息识别............................................18图27.案例运行过程展示：复用知识库经验后的城投口径处理......................18图28.案例运行过程展示：复用知识库经验后的城投口径处理-2....................19图29.案例运行过程展示：复用知识库经验后的城投口径处理-3....................19图30.杭海新城控股财报附注概览（数值）......................................20图31.杭海新城控股债务口径（数值）..........................................21图32.杭海新城控股债务口径（公式）..........................................21 图33.杭海新城控股城投属性拆分（数值）......................................22图34.杭海新城控股城投属性拆分（公式）......................................22图35.信用研究员与基金经理的真实工作流......................................23图36.买方团队共享同一套材料、证据和框架....................................24图37. AI从材料、证据和流程进入投研..........................................25 表1：Financialanalysis项目总结表...........................................9 1.为什么很多AI投研没有真正进入研究工作流程 现在很多AI辅助投研的成果，还是停留在更快总结、更快润色、更快问答这几个层面。它们当然不是没有价值，但如果只停在这里，AI充其量只是一个更顺手的写作工具，而不是研究方法的一部分。 问题在于，信用研究真正耗时间的地方，从来不只是写结论。更费时间的是，把散落在年报、半年报、附注、公告、条款、评级报告和市场数据里的信息，一条一条找出来、对起来、再组织成能复核的证据链。很多时候，卡住研究员的不是不会总结，而是材料太多、口径太散、证据太碎、回头太难。 所以，本文想强调的不是AI能让我们写得更快，而是AI能帮我们真正进入研究工作流程，这两者差别很大。前者讲的是表达效率，后者讲的是研究生产方式。信用研究里真正有价值的环节，往往不是最后一句结论，而是结论前面的材料组织、附注拆解、主体比较和证据归档。 换而言之，很多内容看起来像在讲AI辅助投研，实际上还停留在研究外围；而真正值得讨论的是，AI能不能走进研究最具体的那条链条里。 这也是为什么“工程化”比“智能化”更重要。智能化回答的是能不能看、能不能说；工程化回答的是能不能稳定地看、稳定地说、稳定地复用、稳定地交接。对于信用研究这种需要长期跟踪、批量复审和多人协作的工作来说，后者更关键。 资料来源：国投证券证券研究所整理 站在当前时点，信用债研究正在面对的，不只是方法更新，而是研究对象和研究组织方式同时变化。过去很多框架之所以有效，是因为主体类型、行业边界和融资方式都相对稳定，研究员可以在既有范式里不断迭代经验。但现在的情况不一样了：传统主体进入存量化阶段，新增主体和新赛道不断出现，很多历史上看似稳定的指标，放到今天的信用语境里，含义已经开始变化。这就意味着，研究人员不仅要继续看新的主体，还要重新审视过去已经看过的主体，甚至把历史财报重新找回来读一遍。 如果没有工程化的工作流，这种“重看”几乎是不可能批量完