QVeris · 产品解读
大模型已经很会搜索了，为什么还需要 QVeris？
搜到信息，和获得可以直接工作的数据，是两件事。
假设你对一个金融 Agent 说：
"帮我看看这家公司最近有什么变化。"
今天的大模型很会搜。
它可以找到新闻、财报解读、分析师观点、公司官网和社交媒体讨论，然后很快生成一篇看起来完整的报告。
但如果你继续追问：
最新价格对应哪个交易日？
20 日涨跌是否使用复权数据？
毛利率来自年报、季报还是 TTM？
新闻中的公司，和行情数据里的证券是同一个主体吗？
这些数字能不能明天重新跑一遍，得到同样的口径？
问题就开始变得不一样。
搜索擅长找到内容，工作流需要的却是可计算、可对齐、可重放的数据。
01 /搜索能回答"发生了什么"，但很难保证"口径完全一致"
搜索对新闻、公告、产业趋势和定性判断很有价值。
但当 Agent 需要同时处理行情、财务、事件和时间序列时，网页会带来一组新问题：
·不同页面的更新时间不同；
·证券代码、交易所和公司名称的表达不同；
·市值、营收和现金流可能使用不同币种或单位；
·"最近一年"可能指自然年、财年或滚动 12 个月；
·表格在页面上看得见，但不一定能稳定解析；
·页面展示的结果，未必保留当时的请求条件。
对人来说，这些问题可以通过经验慢慢判断。
对 Agent 来说，它们会变成一串隐蔽的错误源。
最危险的情况不是没有数据，而是数据都存在，却被放在了错的主体、时间或计算口径下。
01 /一个"看起来很简单"的请求，背后至少有六个能力
再看这句话：
"帮我看看这家公司最近有什么变化。"
对用户来说，这只是一个问题。
对 Agent 来说，它至少需要：
1.主体识别：确定公司、证券、交易所和市场。
2.实时快照：获取最新价格、成交和数据时间。
3.历史序列：计算指定窗口的涨跌、波动和回撤。
4.财务口径：区分年报、季报、TTM 与币种单位。
5.新闻事件：找到近期催化剂，并区分事实与观点。
6.证据对齐：确保每个数字都能追回来源和请求条件。
任何一层失败，最后的自然语言都可能仍然很流畅。
这才是金融 Agent 最需要防范的地方：
流畅不代表数据对齐，完整不代表证据充分。
03 /QVeris 做的不是"替代搜索"
QVeris 和 Web 搜索不是二选一。
搜索更适合找到新闻原文、公司声明、产业叙事和外部观点。
QVeris 更适合让 Agent 发现并调用结构化能力，例如行情、历史序列、财务报表、公司事件和风险指标。
它把工具使用拆成三个明确步骤：
CODE
Discover：找到可能解决问题的能力 Inspect：检查当前参数、返回结构和运行质量 Call：带着结构化参数执行，并保留调用身份这个过程不是为了让 Agent 多调几个接口。
它是在一次调用前后，多出几个可检查的决策点：
·这个能力真的覆盖 A 股吗？
·参数要传纯代码，还是带交易所后缀的标准代码？
·时间按 UTC、本地时区还是交易日解释？
·返回为空，是真的没有数据，还是业务错误？
·结果是否被截断，是否只有部分字段？
工具越多，这些检查就越重要。
04 /Skill 的价值，是把能力变成工作方法
只有 API，Agent 仍然需要自己决定什么时候调用、怎么拼接，以及失败时做什么。
Skill 解决的是另一层问题：
把一批零散能力，变成一套可重复的业务方法。
以一份 A 股数据报告为例，Skill 会约束 Agent：
·先确认证券主体，再读取公司数据；
·市场不支持时明确降级，而不是用其他市场数据填空；
·时间序列过薄时，不计算趋势和波动；
·财务期间不匹配时，不把 Q1 或 TTM 混入年度表；
·新闻样本不完整时，不输出强情绪结论；
·所有缺失和失败都保留在 data quality 与 Trace 中。
这些约束看起来没有"一句话出报告"那么惊艳，但它们才是 Agent 可以重复交付的基础。
05 /强模型不会让数据层消失，反而会更需要它
模型越强，它阅读、归纳和写作的能力就越好。
但模型不会因为更聪明，就自动获得实时数据、当前 API 契约和稳定的业务身份。
它反而更容易生成一个"语言非常好，但某个底层口径错了"的答案。
因此，未来的分工会越来越清楚：
CODE
大模型：理解问题、组织推理、生成表达 Web 搜索：找到原文、叙事、观点和定性上下文 QVeris：发现和调用实时结构化能力 Skill：把这些能力组织成特定业务工作流这不是四者的竞争，而是一条完整的 Agent 生产链。
06 /真正的问题，不是"要不要搜索"
未来的 Agent 不会只用一种数据来源。
它会搜新闻，读公告，调行情，拉财报，算指标，再把这些证据组织成回答。
所以真正的问题不是：
"大模型已经会搜索了，还要不要数据工具？"
而是：
"当 Agent 同时使用多种来源时，谁来保证主体、时间、口径和证据始终对得上？"
这就是 QVeris 要解决的问题。
它不负责替模型思考，也不需要替代搜索。
它要做的，是在 Agent 真正开始工作时，让外部能力变得更容易发现、更容易调用，也更容易检查。
07 /写在最后
搜索给 Agent 世界知识。
结构化数据给 Agent 当前事实。
Skill 告诉 Agent 如何用这些事实完成工作。
而 QVeris 连接了中间最容易断掉的一段：
让 Agent 知道当下有什么能力可用，这个能力现在怎么调，以及这次调用到底发生了什么。
大模型越会搜索，这条链路反而越重要。
本文仅讨论 Agent 工具与数据工作流，不构成任何投资建议。
