AI研究系列之三：Agent时代，Skill为核——投研成果的可调用化实践

AI研究系列之三：Agent时代，Skill为核——投研成果的可调用化实践

大模型在投研领域的应用，关键在于如何将研究成果转化为可调用、可复用的Skill。本报告展示了在量化研究、择时研究、主动投研和基金研究四个场景下，如何将研究成果封装为Skill，并实现研究成果的可调用化实践。

量化研究： 报告以选股因子迭代Skill为例，展示了如何将因子研究过程沉淀为可持续迭代的工作流。该Skill将数据接入、研究细则确认、候选因子代码生成、IC评测、历史反馈和断点恢复组织为持续迭代的研究工作区，使每轮产生的代码、指标、图表和工具组件能够进入下一轮研究。

择时研究： 报告展示了K线时空镜像和深度学习择时Skill。K线时空镜像通过多维量价特征和动态时间规整方法返回Top 3历史相似片段及其真实后续走势；深度学习择时Skill则调用已经训练完成的GRU时序模型，将连续量价因子转化为多头、中性和空头观点。

主动投研： 报告介绍了固定框架报告Skill、深度研究框架Skill、投资决策委员会Skill和投资专家画像与专家研讨会Skill。这些Skill将标准化报告、深度研究框架、投资决策委员会和投资专家研讨会等流程封装为可复用的Skill，实现了研究框架、证据组织和决策协同的可调用化。

基金研究： 报告介绍了FundLab基金研究Skill，展示了如何围绕特定资产类别构建综合研究工作流。FundLab采用“本地数据优先、外部数据按需补充”的数据组织方式，将数据获取、指标计算、特征识别和研究结论输出贯通起来，覆盖基金筛选、单基金画像、基金公司画像、相似基金检索、基金组合分析和标签回测等典型场景。

核心观点： Skill化并未消除不同研究方法之间的差异，而是为其提供了相对一致的组织和复用方式。不同Skill虽然分别输出因子代码与评测结果、历史情景与模型观点、研究底稿与决策记录、基金画像与验证数据，但均遵循明确输入、稳定执行、可解释输出和过程留痕的共同原则。

研究结论： AI Skill为投研成果提供了一种介于研究方法、执行工具与交付产品之间的新型载体。它既保留通用模型理解自然语言、组织任务和解释结果的灵活性，也通过数据接口、确定性脚本、模型资产和研究细则约束专业流程。随着更多方法、数据接口和协作流程逐步沉淀，Skill之间才可能由相互独立的工具进一步连接为可持续扩展的投研能力体系。