东吴金工AI研究系列之二：AI Agent重构主动投研工作流

东吴金工AI研究系列之二：AI Agent重构主动投研工作流 2026年07月15日 证券分析师于明明执业证书：S0600525120002yumm@dwzq.com.cn证券分析师孙石执业证书：S0600526020001suns@dwzq.com.cn研究助理张学诚执业证书：S0600125090014zhangxch@dwzq.com.cn 随着大模型规模化落地，AI应用已从单点问答演进至具备任务拆解、工具调用、流程沉淀能力的AI Agent阶段，为主动投研全链路带来范式变革。AI Agent定位为投研助手能够规避传统投研长期面临的痛点，有助于推动投研流程规范化。 数据是AI Agent深度介入投研的基础。依托外部MCP、内部因子库封装Skill等可靠结构化数据源，AI Agent能够实现标准化数据调用。 投研专有知识提升差异化竞争力。借助ima知识库与WorkBuddy沉淀、调用微信聊天、邮件及研究资料，形成“知识沉淀—智能调用—信息加工—知识回流”的闭环。通用模型日益普及后，机构竞争优势将更多来自可供AI调用的专有知识。内部研究框架、历史讨论、行业经验与决策复盘等内容，经过系统化、结构化和可调用化后，有望转化为差异化且难以复制的投研能力。 相关研究 《反弹确认不足，中小盘风险仍未解除》2026-07-11 在数据和知识底座基础上，Agent可进一步构建复杂投研流程。依托数据底座和知识库，构建宏观分析、指数研判、知识管理、深度研究、专家讨论、投决会议等Skill并完成投研场景落地。 风险提示：智能体产品及大语言模型仅作为辅助信息处理与效率提升的技术手段，无法替代专业投研人员的独立判断、深度分析与最终决策；AI在不同时间、不同提示词下的输出结果可能存在不一致性、偏差甚至错误。 内容目录 1.1.外部数据调用：Wind MCP......................................................................................................51.2.自建数据库调用：获取因子数据.............................................................................................6 2.1. ima知识库：专有知识资产的沉淀与管理...............................................................................72.2. WorkBuddy：专有知识资产的调用与执行..............................................................................82.3. AI聊天记录整理：碎片化交流信息的知识化沉淀.................................................................92.4. AI邮箱整理：高价值邮件信息的提炼与回流.......................................................................10 3.1.案例1：宏观数据分析............................................................................................................133.2.案例2：投资价值分析报告....................................................................................................143.3.案例3：本地知识库的LLM-Wiki体系构建........................................................................153.4.案例4：深度研究场景............................................................................................................163.5.案例5：投资专家讨论场景....................................................................................................173.6.案例6：投资决策场景............................................................................................................18 图表目录 图1：Wind MCPSkill获取数据...........................................................................................................5图2：数据库Skill获取因子.................................................................................................................6图3：ima知识库界面示例....................................................................................................................7图4：ima的QQ浏览器插件使用示例................................................................................................8图5：WorkBuddy调用ima投研专有知识资产实现精准问答..........................................................9图6：应用ima知识库挖掘微信记录.................................................................................................10图7：WorkBuddy连接163邮箱流程示例........................................................................................11图8：WorkBuddy整理每日邮件摘要并存入ima知识库................................................................12图9：宏观数据分析案例.....................................................................................................................14图10：投资价值分析报告案例...........................................................................................................15图11：基于Obsidian‑LLM‑Wiki体系构建本地知识库..................................................................16图12：本地知识库与自建专属研究框架Skill的结合.....................................................................17图13：自建基金经理投研会Skill......................................................................................................18图14：自建投决会Skill......................................................................................................................19 近年来，大语言模型能力持续演进，AI应用形态也从单轮问答和内容生成逐步走向可调用工具、可拆解任务、可沉淀流程的Agent阶段。对于主动投研而言，这一变化的意义并不在于让AI直接替代研究员给出投资结论，而在于其有望深入数据获取、资料整理、研究跟踪、会议讨论和复盘归档等日常环节，成为投研人员提升研究效率、规范研究过程和沉淀研究资产的重要工具。 长久以来，主动投研的核心并非简单的信息搜集，而是在宏观环境、行业景气、公司基本面、市场交易结构和投资者预期之间持续建立联系，并在动态变化中形成可验证、可跟踪的投资判断。传统工作流下，研究员需要手动完成数据提取、文本阅读、信息比对和观点整理。随着覆盖标的增加、研究频率提升和信息来源扩张，投研工作面临的问题已逐渐从“信息不足”转向“信息过载”。投研工作者面对的资料来源分散、数据口径不一、历史观点难以回溯、调研和会议内容沉淀不足等诸多问题，均会在不同程度上拖累研究效率和决策复盘质量。 我们认为，AI Agent在主动投研中的定位应当是“投研助手+流程引擎+知识沉淀工具”的组合。一方面，Agent可以承担资料检索、数据调用、文本摘要、报告初稿、代码辅助等高频重复工作，降低研究员在基础信息处理上的时间消耗；另一方面，Agent可以将行业研究、公司跟踪、调研整理、投决会讨论和组合复盘等工作拆解为更标准化的步骤，在流程中提示证据缺口、风险假设和待验证问题；更进一步，Agent还可以把聊天记录、会议纪要、邮件附件、调研文本和研究报告持续归档，形成可检索、可追溯、可复用的专有知识资产。 AI Agent重构主动投研工作流大致可以分为三个层次。第一是数据层，通过WindMCP、内部因子库等方式打通结构化数据入口，提升行情、财务、公告、新闻和因子数据的调用准确性和调用效率；第二是知识层，通过Ima知识库、聊天记录、邮箱等多渠道信息整理，将分散的非结构化信息转化为可检索的研究材料；第三是复杂应用层，在数据层和知识层基础上构建研究框架、AI Agent投决会等多流程Skill，使Agent从单点工具逐步升级为贯穿投研流程的协作系统。 本文主要围绕AI Agent重构主动投研工作流展开，依照数据层、知识层、Agent复杂应用的顺序依次展开，从投研人员的真实工作流出发，讨论如何以Agent为抓手，将分散的信息处理、研究讨论和过程留痕转化为更可执行、可复盘、可迭代的人机协同投研框架。 1.数据底座：Agent深度介入投研工作流的基础 数据是AI Agent能够真正介入研究流程的基础。只有当底层数据具备清晰口径、稳定接口和可追溯来源时，Agent生成的内容才具备进一步分析和复盘的基础。在Agent工作流中，数据层的价值不仅是“把数据取出来”，更重要的是将分散的数据入口转化为标准化、可调用可复用的研究能力。一方面，Agent可以通过Wind MCP等工具直接调用行情、财务、公告、新闻和宏观数据，降低基础数据查询和整理的门槛；另一方面，内