【AI金融新纪元】系列（五）：从大模型到Agent：AI+金融进入智能体时代

【AI金融新纪元】系列（五） ——从大模型到Agent：AI+金融进入智能体时代 证券分析师：孙婷执业证书编号：S0600524120001联系邮箱：sut@dwzq.com.cn 证券分析师：武欣姝执业证书编号：S0600524060001联系邮箱：wuxs@dwzq.com.cn 请务必阅读正文之后的免责声明部分 核心要点 ➢AI+金融进入智能体阶段，竞争重点由模型能力转向专业数据、工具调用、场景渗透与持续使用。2024年以来金融AI由问答、总结等单点能力向可规划、可调用工具、可连续执行任务的Agent演进；2026年Q2以来MCP、Skills等标准接口集中落地，同花顺iFinDMCP、万得AIFinMarket、东方财富妙想Skills、通达信MCP、恒生聚源MCP先后开放，金融数据从封闭终端走向可被Agent调用的标准化能力。 ➢垂类Agent深耕金融场景：B端围绕数据×内容×工作流形成壁垒，C端围绕用户入口×场景深度×业务闭环展开竞争。1）B端：①同花顺iFinD将分散的AI功能逐步打通，由“人工串联多个功能”向“智能体组织多个能力”演进；②Wind依托数据底座与机构工作流从问答辅助向自主投研Agent升级；③进门财经、AlphaPai、Gangtise分别依托路演内容、AI原生产品或专家知识库形成差异化路径。2）C端：①同花顺问财由自然语言选股升级为具备自主规划能力的投资助手；②东方财富妙想从独立问答升级为APP内嵌AI入口并连接金融服务生态；③通达信上线智能体广场推动由单一问答向多Agent平台演进；④九方智投控股以AI股票机为硬件入口整合投顾、投研与投教能力。 ➢通用Agent通过“外接专业金融能力”和“机构本地化部署”两条路径进入金融场景，与垂类Agent互补。路径一：通义千问“深度研究”接入同花顺1.3万只股票数据+约100万份财报公告，Kimi接入iFinD、Yahoo Finance；路径二：2026年4月DeepSeek-V4发布后国泰海通、兴业、国投、中泰、国金、山西等多家头部券商完成升级部署，恒生聚源WarrenQ 5分钟生成万字投研报告。长期看C端行为数据反哺模型、B端专业数据沉淀垂类能力，形成数据飞轮推动Agent持续迭代。 ➢竞争格局围绕四类参与者展开：①数据拥有者（同花顺/万得/东方财富）——MCP开放之争，数据壁垒决定下限、开放策略决定上限；②场景拥有者（同花顺/九方智投控股/财富趋势/指南针）——场景渗透深度决定用户黏性，硬件载体是差异化壁垒；③模型拥有者（豆包/DeepSeek/通义/智谱）——通用模型不取代垂类但分流C端浅层需求，DeepSeek凭开源低成本成机构部署首选；④平台拥有者（WorkBuddy等）——是数据方最大客户也是最大威胁，已集成三家金融MCP。 ➢投资建议：我们认为，具备较大金融数据基础、较好应用场景入口与较成熟AI技术运用经验的金融科技企业将持续受益，推荐【同花顺】、【东方财富】；业务延伸与流量变现路径清晰、AI技术研发投入充分、用户体量与质量兼具、业务毛利率较高且具可持续性的新星互联网金融企业，有望构建业务闭环，业绩表现预计持续向好，推荐【九方智投控股】、【指南针】，建议关注【财富趋势】。 ➢风险提示：①监管趋严；②技术迭代不及预期；③数据安全风险；④权益市场波动；⑤商业化进度不及预期。 目录 1.从大模型到Agent——AI+金融的范式跃迁 2.垂类Agent——深耕金融场景的专业智能体 3.通用Agent——广覆盖+金融能力接入 4.B端vs C端——Agent应用的分化与融合 5.Agent时代竞争格局——四类玩家的资源禀赋对比 6.投资建议 7.风险提示 从大模型到Agent——AI+金融的范式跃迁 1.1.回顾：金融大模型从集中发布到业务应用 ➢2023年-2024年，金融大模型完成了从集中发布到初步应用的过渡。2023年3月，BloombergGPT率先验证金融专业数据与大语言模型结合的可行性，随后奇富GPT、轩辕大模型、LightGPT、蚂蚁金融大模型等国内产品陆续推出。2024年，同花顺HithinkGPT、东方财富妙想等模型开始嵌入金融终端、投研、投顾和客服等实际场景，行业竞争由模型发布逐步转向产品落地。 ➢2025年以来，开源模型和私有化部署进一步降低了金融AI应用门槛。以DeepSeek为代表的国产模型在性能、成本和部署灵活性方面形成优势，券商、银行、保险及金融科技公司开始将通用模型与内部知识库、业务数据和现有系统结合，推动AI能力由单点工具向内部流程延伸。我们系列报告的研究重点也由模型能力逐步转向业务应用：系列报告一《金融垂类大模型试用体验》关注金融垂类模型的试用体验，系列报告二《AI+金融大模型的两条技术路线》比较通用模型与金融垂类模型两条技术路线，系列报告三《赋能金融，AI开启新时代》和报告四《金融与AI融合持续深化》进一步分析AI对金融业务降本增效和新业务拓展的影响；系列报告五（本篇）将在此基础上重点研究Agent如何进入真实金融场景并完成连续任务。 ➢金融大模型已从产品试用和技术路线探索，逐步进入业务应用阶段。同花顺HithinkGPT、东方财富妙想、恒生电子LightGPT等金融垂类模型依托专业金融数据，在实时性、准确性、信息溯源和场景适配方面表现出较强优势；相较于通用模型，金融垂类模型更能满足金融业务对专业性、合规性和风险控制的要求。随着模型持续嵌入投研、投顾、客服、风控等场景，AI不仅能够提升数据查询、材料整理和内容生成等基础工作效率，还能够改善客户服务与业务运营，并推动智能投研、智能投顾和企业级AI解决方案等新业务发展。图表：金融大模型发展路径 1.2.范式转变：从大模型“对话工具”到Agent“自主执行” ➢大模型主要解决信息理解、内容生成和逻辑推理问题。用户向模型输入问题或材料后，模型可以完成问答、总结、翻译、写作和代码生成等任务，但其工作通常停留在信息处理层面，仍需要用户持续发出指令并人工完成后续操作。 ➢Agent能够围绕用户目标连续完成多步骤任务。Agent在大模型基础上增加工具调用、任务规划和记忆能力，可以自动拆解任务、调用数据库或软件工具、检查执行结果，并根据反馈调整后续步骤，最终输出分析报告、监测结果或业务成果。 ➢金融Agent的核心价值在于形成任务执行闭环。在投研场景中，Agent可以按照“确定研究目标—获取数据—完成计算—比较分析—生成报告”的流程连续工作；在投顾和风控场景中，也可以结合用户信息、市场数据和业务规则完成更具针对性的分析，完整任务流程为使用带来更多价值。 1.3.技术底座：MCP协议成为Agent调用金融数据的标准接口 ➢金融Agent必须通过专业接口调用外部数据和工具。股票行情、财务数据、公司公告、研究报告和监管规则具有较强的时效性和准确性要求，仅依赖模型训练阶段形成的知识难以满足金融业务需要，因此Agent必须连接专业金融数据库和业务系统。➢MCP和Skills降低了不同Agent接入金融能力的开发成本。MCP负责Agent连接外部数据和工具，Skills则将具体金融能力封装为可调用模块。通过MCP这一标准化接口，Agent可以识别数据工具的功能、传入调用参数并读取返回结果，开发者无需为每一个模型和每一个数据系统分别建设连接方式，金融数据和分析工具具备跨平台复用能力。 1.3.技术底座：金融信息服务商加速开放Agent能力，B端与C端路径差异化 ➢B端开放重点：将专业数据与投研工具嵌入机构工作流。同花顺iFinD、Wind等传统机构终端经过长期沉淀，已形成覆盖行情、财务、公告研报、宏观等领域的较完整金融数据库。Agent化升级后采取两条路径并行：一是在终端内部强化智能投研能力（如WarrenQ、iFinDMCP内置的Skills技能包）；二是通过MCP、Skills等标准化协议，向机构自建Agent和第三方智能体平台开放数据与工具接口。其核心价值在于降低机构重复取数和系统开发成本，让专业金融能力嵌入投研、风控、尽调等连续工作流。 ➢C端开放重点：降低使用门槛，连接投研能力与用户服务场景。东方财富妙想通过Skills将选股、宏观查询、资讯分析、量化API等能力模块化，并进一步接入第三方Agent生态；财富趋势则依托通达信30年积累的行情和证券分析数据，将查询、K线、公告研报、选股等11项能力封装为MCP工具，同时通过智能体广场的10个官方Agent和用户自建Agent机制，降低个人投资者搭建和使用Agent的门槛。与B端相比，C端的竞争焦点更集中在自然语言交互体验、垂直场景覆盖广度以及用户使用频次与留存。 ➢Skills是面向终端用户的封装，MCP是面向Agent的底层接口。Skills通常以“开箱即用”的模块化能力呈现，更适配C端用户和业务人员的轻量化调用；MCP则提供可编程、标准化的数据/工具调用接口，更适配开发者和智能体框架的工程化集成。iFinDMCP虽主要面向机构及专业投研用户，但其个人版亦对专业个人用户开放采购。整体看，金融信息服务商正在由“出售终端席位和数据授权”进一步转向“输出可被不同Agent直接调用的数据、工具和业务能力”，Agent生态正成为专业金融数据新的分发渠道。 1.4.竞争格局重塑：从“谁的模型强”到“谁的Agent更快落地、更深渗透” ➢模型基础能力逐步趋同后，竞争重点开始转向实际应用效果。通用模型和开源模型持续迭代，使语言理解、内容生成和基础推理能力逐渐普及，单纯依靠模型参数或技术指标已难以形成稳定的长期优势。金融场景的竞争更取决于Agent能否调用高质量专业数据、进入真实业务流程，并持续快速迭代产品能力。 ➢金融Agent竞争力主要由数据覆盖广度、场景渗透深度、用户使用频次以及产品迭代速度这四个维度共同决定。数据覆盖广度决定Agent能够处理的问题范围和答案质量，场景渗透深度决定Agent能否进入真实业务流程，用户使用频次反映产品黏性、价值认可和商业化基础，产品推出与迭代速度则决定厂商能否快速适配模型升级、用户需求及Agent生态变化。 ➢不同类型的参与者将围绕自身资源形成差异化路径。数据拥有者主要提供金融数据库和标准接口，场景拥有者依靠投研、投顾、交易和风控流程推动Agent落地，模型拥有者提供基础推理能力，平台拥有者则负责整合不同数据、模型和工具。Agent时代的核心竞争因此不再是"是否拥有模型"，而是逐步转变成谁能以更快速度推出可用产品、以更深程度进入真实场景，并依托持续使用形成数据和产品迭代飞轮。 垂类Agent——深耕金融场景的专业智能体 2.1.同花顺B端：iFinD从AI功能集合向垂类投研Agent演进 ➢iFinD持续将大模型能力嵌入专业金融终端，AI升级路径正从单点功能辅助向投研任务协同演进。传统金融终端依赖投研人员手动完成“查数据—读材料—做分析—写报告”等环节，目前iFinD已在数据问答、文档阅读、会议纪要、图表生成和研究创作等环节提供AI辅助。随着这些能力逐步打通，AI有望从提升单项工作效率，进一步围绕研究目标协同调用数据、文档和分析工具，推动投研工作由“人工串联多个功能”向“智能体组织多个能力”演进。 ➢iFinD具备搭建专业投研垂类Agent的良好基础。一方面，iFinD拥有行情、财务、公告研报、宏观及企业信息等专业金融数据，能够为Agent提供实时、可追溯的数据底座；另一方面，现有AI功能已覆盖研究过程中多个高频任务，且已嵌入机构用户日常工作流程。我们预计，同花顺iFinD有望整合数据查询、内容理解、分析计算和研究生成等能力，形成面向机构投研场景的垂类Agent产品。 2.2Wind vs进门财经：数据深度与内容专业，两类B端Agent演化路径 ➢Wind依托标准化金融数据与机构工作流积累，推动终端AI由问答辅助向自主投研Agent演进。目前，WindAlice已形成较清晰的产品迭代路径，从终端原生AI能力逐步