金融研究这个领域，最耗人的其实不是“判断”，而是“准备判断的过程”。每天早上一睁眼，几十份研报、公告、新闻、数据源堆在面前，光是把它们读完、理清逻辑线、提炼出值得深挖的点，就可能耗掉一上午。这两年AI大模型火起来之后，我一直想做一个系统，能替代掉这部分重复劳动，让我把精力集中在真正需要经验的地方。
所以就有了这套AI自主驱动 + 投研的工作流试验。简单说，就是用AI Agent把“采集信息 → 清洗加工 → 观点生成 → 风险标注”这条链路串起来，让它每天定时跑一遍，主动盯住我关注的行业和公司，再把成果直接归档成投研纪要。这篇文章把我从最初的想法、方案设计、实测过程到踩坑经验全部整理出来，适合有一定工程基础、又不想在信息预处理上浪费太多时间的投研人员和开发者参考。
1. 整体设计思路与任务拆解
1.1 为什么投研场景特别适合Agent化
我先说结论：投研是天然适合AI Agent落地的场景，因为它同时满足三个条件——数据密集、流程半结构化、判断有规律可循。
数据密集不用多说，一个行业每天新增的公开信息量，凭人眼根本看不完。流程半结构化指的是，从数据到结论之间有一条相对固定的加工路径：先收集，再清洗，再打标签，再比对历史，最后形成观点。这条路径虽然长，但每一步要做什么是明确的，正好适合用程序来约束和驱动。判断有规律可循这一点最容易被忽略，很多人觉得投资判断是玄学，但实际上一线研究员在做公司分析时，用的框架基本一致：行业空间、竞争格局、财务质量、管理层能力、估值水平、潜在风险。既然框架稳定，就可以把框架固化成提示词和校验规则，让模型按部就班地输出，而不是天马行空地发挥。
用个生活化的类比：这就像你雇了一个很聪明的实习生，他不一定有十年经验，但你给他一张足够细的清单，他能把八成基础工作做到及格线以上。AI Agent在投研里扮演的就是这个角色，而你要做的，是给他画清楚路线图，并在几个关键路口设卡检查。
1.2 Agent驱动投研的三层Web网结构
我实际落地时把整个系统拆成了三层，每一层只干一件事，这样出问题时定位最快，也方便单独升级某一个环节。
第一层是信息采集层，负责盯信息源。我给它划定了三类来源：交易所公告、行业垂直媒体、头部券商研报摘要。这一层不直接和大模型聊天，而是用定时任务去抓取新内容，做出去重后进入待加工队列。第二层是加工分析层，这是AI Agent真正发挥价值的地方。系统会按照我预设的行业框架，把每条信息拆成“时间、主体、事件、影响对象、影响方向、置信度”几个字段，然后再结合公司历史数据做横向比对，生成逻辑链。第三层是表达产出层，负责把分析结果组装成可读性强的日报或个股跟踪纪要，同时标注信息来源和风险未覆盖项。
这套结构里有一条核心原则：尽量让大模型做“选择题”和“填空题”，而不是“自由论述题”。比如你问模型“这家公司的核心优势是什么”，它可能写一篇小作文；但你给它预设框架，问“根据以下五个维度逐项评分并给出理由”，它反而输出得更稳定、更容易校验。这不算限制模型能力，而是投研场景本身需要一致性，前后口径一致才能做归档和历史比对。
2. 核心细节解析与实操要点
2.1 信息源决策：不能什么都往模型里扔
我在早期犯过一个错误——把能抓到的数据全部塞给大模型，以为信息越多结论越准。实测结果是，模型确实会很认真地分析每一段话，但信息间互相干扰，结论反而模糊，而且费用和耗时直线上升。
后来我改用“预筛 + 精选”的策略。预筛规则用传统代码写死，比如关键词白名单、信源域名权重、公告类型过滤，这些规则便宜、稳定、速度快。只有通过了预筛的内容，才会进入模型加工环节。这相当于给Agent装了一道闸门，让它不要对所有信息都一视同仁，而是优先处理高价值目标。
具体到信息源名单，我维护了三张白名单，分别是：
- 政策与监管动态类：只看国家级主管部门和行业协会官方发布，这类信息一旦出现，往往意味着行业拐点，必须第一时间进入分析队列。
- 产业链上下游快讯类：重点覆盖行业头部企业的产能、价格、订单、开工率数据，这类信息适合做趋势判断，但要注意时效性和口径一致性。
- 竞争对手与替代技术跟踪类：这是大多数人容易忽略的，但Agent最擅长做这种横向扫描，它可以在海量信息里发现“某项专利公开可能影响现有格局”这类线索。
每张名单都设了刷新周期，短的一天查两次，长的一周查一次，避免无效请求浪费token。这套信息源体系的建设比模型选型更耗时，但回报也最明显——输入质量直接决定输出质量，喂给模型的东西越干净，它的分析就越靠谱。
2.2 文本加工链路：从公告到结构化数据的必经步骤
拿到一条原始信息后，不能直接扔给Agent让它分析，中间必须经过一道加工工序，否则模型很容易被公告里的法务措辞带偏。
我的加工链路是这样的：先做格式标准化，把PDF公告、网页正文、图片型研报统一转成纯文本，注意PDF里扫描件要先做OCR，否则后面的步骤全是白费。然后是段落拆分，按公告的小标题或自然段落切块，这一步很重要，因为大模型对长文本的注意力会衰减，切成块之后可以针对性地做局部判断。再下一步是要素提取，提取公告里的公司名称、发生日期、事件类型、涉及金额、法律关系等关键字段，这些字段是后续所有分析的物料基础。最后才进入观点分析阶段，让模型基于这些字段做逻辑推理，而不是让它对着整篇原文做开放式阅读理解。
整套链路里最容易被忽视的是“要素提取”这一步。很多人觉得直接用模型读原文更省事，但我实测下来，先提取要素能显著降低幻觉概率。原因很简单：模型在做填空题时几乎没有自由发挥空间，但在做阅读题时，它会用已有的知识去脑补原文没写的内容。要素提取的本质是把自由发挥的空间提前锁死。
2.3 结构化输出的关键：JSON Schema不只是给程序看的
投研工作流里，模型输出的结构稳定性和内容质量同等重要。如果你让模型“返回一份公司分析”，它可能每次的Markdown标题层级都不一样，程序解析时就会踩坑。
我的做法是给Agent定义一个严格的JSON Schema，并且这个Schema不是只给程序解析用，它同时约束了模型的分析思路。举个例子，我定义的分析结果结构是：
{ "ticker": "公司代码", "event_date": "事件日期", "event_type": "policy|industry|company|macro", "impact_direction": "positive|negative|neutral", "confidence_score": 0.0, "affected_business": "受影响的具体业务线", "logic_chain": ["原因1", "传导路径2", "影响结果3"], "risk_flag": true, "sources": ["来源URL1", "来源URL2"] }我把这个Schema直接写进Prompt里，并要求模型只返回一个合法的JSON对象，不要额外解释。这听起来像技术细节，但对投研工作的意义很大：因为结构固定了，分析师看报告时可以直接跳转到自己关心的字段，程序也可以自动做数据聚合、跨期比对和异常值触发。比如confidence_score低于0.5的信息，系统会自动降级为“参考消息”，不会进入正式分析结论，这就多了一道机器防错闸门。
另外说一句，JSON Schema定义好后，最好先用固定的几条历史公告做回归测试，确认模型每次都按设定结构返回，再放开让它跑真实数据。不要指望第一次定义就完美，字段命名不合理、枚举值覆盖不全这类问题，都会在回归测试里暴露出来。
3. 实操过程与核心环节实现
3.1 基于Spring AI编排Agent的轻量工程实现
选型阶段我调研过很多Agent框架，最后选了Spring AI作为接入层。原因很现实：我的数据处理管线里有大量Java基础组件，文件解析、消息队列、定时调度都已经是现成的，Spring AI可以让AI能力无缝嵌进现有架构，不用为了引入Python技术栈把整个数据链路推翻重来。
核心实现思路是把“采集—加工—产出”做成一个Pipeline，每个环节模板化。我定义了三个核心抽象类：
public interface InfoCollector { List<RawDocument> collect(); } public interface InfoAnalyzer { AnalysisResult analyze(RawDocument doc); } public interface ReportGenerator { Report generate(List<AnalysisResult> results); }每个接口只做一件事，然后用一个调度器把它们串起来。调度器用Spring的@Scheduled注解定时触发，我设定的频率是每天早上8点跑一次全量扫描，盘前出日报；下午3点收盘后再跑一次增量更新，仅处理当天新增的信息源。
InfoCollector的实现就是一个传统爬虫加规则过滤器，这一层我刻意不用大模型，纯靠关键字、域名权重、文本哈希去重等硬规则，保证速度和成本都可控。InfoAnalyzer是核心，它会调用大模型的接口，内部先做要素提取，再做逻辑链构建，最终输出上面定义的JSON对象。ReportGenerator是最后一公里，把多个AnalysisResult按行业和公司分组，渲染成Markdown格式的早报文件，存储到本地目录，晚上定时推送到我的投研笔记系统里。
这套架构的好处是每个模块可以单独替换。比如我今天觉得某家大模型的行业分析能力更强，只需要改InfoAnalyzer里的模型调用参数，对采集和生成模块完全无感。
3.2 让大模型“主动干活”的机制：有限自主循环
“AI自主驱动”这个词听起来很玄学，做起来其实是一套有限自主循环，即在预设边界内，让Agent自己决定下一步做什么，但所有决策都要经过条件检查。
我实现了一个轻量的Action Loop机制，核心代码如下：
public class AgentLoop { private static final int MAX_STEPS = 5; private int currentStep = 0; private boolean shouldContinue = true; public void run() { while (shouldContinue && currentStep < MAX_STEPS) { ActionResult action = policyAgent.decideNextAction(); if (!action.isValid()) { shouldContinue = false; break; } executeAction(action); currentStep++; } } }在这个循环里，policyAgent是根据当前状态决定下一步动作的模型。比如它读取了一份公司公告，提取出“公司拟收购某上游矿产企业”这个事件，它可能会决定下一步去检索该矿产企业的基本信息，再决定下一步去比对同行业历史收购案例的估值水平，最后才生成分析结论。
每个动作执行前都要经过isValid检查，校验动作类型是否在白名单内、目标参数是否完整、执行频率是否超限。这就像给Agent套了一根“安全绳”，它可以在圈内自由走动，但跑不出预设的边界。这个设计在投研场景里特别重要，因为分析任务不像聊天，不能无限发散，必须在有限的几步内收敛出结论，否则成本和时间都会失控。
3.3 用“策略提示词”把投研框架固化进Agent
Prompt工程是这个项目里投入产出比最高的一环。我试过直接把投研方法论写进Prompt，也试过让模型自由发挥，效果都不够好。最后用的是“策略树”套“结构化输出”的组合。
策略树的意思是，在Prompt里先定义分析主框架，再用分支条件给模型指路。比如分析主线是“事件冲击评估”，那么第一个分支是判断事件类型，如果是政策类，就走政策传导路径；如果是公司类，就走基本面重估路径。每条路径都附带具体的分析要点清单。
下面是简化版Prompt的核心片段：
你是一位资深行业研究员，请基于以下公告内容，完成事件影响分析。 分析步骤： 1. 先识别事件类型（单选）：policy/industry/company/macro 2. 根据事件类型，回答对应问题： - policy：该政策影响哪些细分领域？落地节奏如何？对行业格局有何影响？ - company：该事项是扩张型/收缩型/中性型？对短期业绩和长期价值分别有何影响？ - industry：该事件是否标志供需格局拐点？传导链条是什么？ - macro：该事件对行业流动性和风险偏好的影响方向如何？ 3. 实际判断每步分析所用的依据来自哪些段落，并在logic_chain中逐条引用。 特别注意： - 只输出合法JSON，不要输出任何其他内容。 - 不确定的字段请填null，不要编造数据。 - 如果公告内容不完整，无法支撑结论，risk_flag设置为true，并在风险描述中说明缺失信息。把这套提示词固化进Agent之后，输出的质量稳定性提升非常明显。之前模型经常输出“该事件对公司有积极影响，但也存在不确定性”这种正确的废话，现在因为框架限制了它必须给具体方向、给传导链条、给置信度，废话的比例大幅下降。
3.4 运行实测：一次真实的情报分析全流程
我拿一个涉及光伏产业链的案例跑了一遍完整流程，这里把关键节点和输出明细分享出来，方便你对照理解。
当天采集层抓到了三条相关信息：某头部硅料企业发布的产能扩建公告、某行业协会发布的月度装机数据、一条海外市场对华光伏组件需求变化的行业新闻。传统代码做的预筛全部通过，进入加工层。
InfoAnalyzer先对硅料企业公告做要素提取，提取出“新增产能10万吨”“总投资约50亿元”“建设周期18个月”几个关键字段。事件类型被识别为company，impact_direction被判定为neutral偏negative，模型的逻辑链是：短期看该产能不会立刻释放，对供需格局影响有限，但市场可能提前反应悲观预期，压制板块估值。confidence_score给了0.62，说明模型自己也觉得确定性不算高。
装机数据那条被识别为industry事件，impact_direction为positive，逻辑链是“月度装机同比增长30% → 下游需求超预期 → 对硅料价格形成支撑”，置信度0.81，明显高于企业公告那条。海外新闻那条最终被判定为neutral，因为信息来源单一、关键数据缺失，risk_flag自动置为true，系统没有把它纳入正式结论，只在风险标注里提示“海外需求存在分歧，建议持续跟踪”。
最终生成的日报里，三条信息按置信度从高到低排列，每一段都附了来源引用和风险提示。整个过程从触发到完成大约用了6分钟，其中大头是模型推理时间，采集和文本处理只占了不到40秒。这个结果基本达到了我预期的“机器先把粗活干完，人只做深度验证”的效果。
4. 常见问题与排查技巧实录
4.1 幻觉问题：投研场景是重灾区，但可以被压到很低
大模型幻觉在投资场景里不是“小事”，因为它可能会把一个不存在的订单、不存在的合作方写得有鼻子有眼。我在调试阶段就遇到过模型把“公司拟投资建设”误解为“公司已完成投资”，导致分析结论完全偏离实际。
压制幻觉我用了三招。第一招是上文提到的要素提取先行，让模型先填事实字段，不要在事实未定时就急着做分析。第二招是引用回指，要求模型在logic_chain里明确标注“这段判断来自公告的哪一句”，生成报告时每个结论后面都挂一个可点击的来源锚点，这样不管模型对不对，人回来复核时都能迅速定位到原始材料。第三招是置信度门槛，confidence_score低于0.6的内容不进入正式摘要，只在待跟踪清单里出现。这三招叠加之后，我实测严重幻觉从早期的大约每十条信息出现一次，降到了二十条以上才偶发一次。
这里要特别强调，完全消除幻觉不现实，目标应该是“把幻觉影响控制在可复核范围内”。就像你不能让实习生永远不犯错，但你可以要求他每一个结论都标注出处，方便你事后检查。
4.2 模型输出结构不稳定：一个解析层面的“老坑”
即使Prompt里写了“只返回JSON”，模型偶尔还是会在JSON前后加一段解释性文字，或者在里面漏一个逗号。这个问题在投研批量处理时会变成致命伤，一个字段解析失败可能导致整条信息丢失。
我的处理方法是在解析层做了双层保险。第一层是清理层，解析前先把回复内容里的Markdown围栏和首尾非JSON字符全部剥离。第二层是重试层，如果清理后JSON.parse仍然失败，就调用一次修复接口，把错误字符串和期望Schema一起发给模型，让它输出修正后的合法JSON。这个方法实测能把结构解析成功率从92%左右提升到99%以上。
另外还有一个细节，JSON里如果包含“换行符”或“引号”等特殊字符，很多时候不是模型的错，而是原始公告文本里就有这些符号，模型只是照抄。所以我在要素提取前会先做一次文本转义，把所有控制字符统一替换成空格，从源头规避这类问题。
4.3 任务空转与重复执行：给Agent加“心跳”和去重闸门
自主循环最大的风险是Agent在一个无解的问题上反复横跳。比如它试图判断某政策的量化影响，但数据明显不足，它会不停地检索信息源，每检索一步都要花费时间和token，却始终无法收敛。
我在AgentLoop里加了“最大步数”限制，单次分析任务最多执行5个动作，超过就强制收敛，把已收集到的信息按低置信度输出，同时置risk_flag。这套机制解决的是“过度发散”问题。
另一个高发问题是重复执行。因为定时任务每6小时扫一遍信息源，如果某条公告头条上没有做有效的去重，就会被重复加工三次，既浪费资源又会污染历史数据。我的去重逻辑是“源URL + 公告日期 + 标题哈希”三元组联合判断，只要三元组完全一致就判定为已处理，直接跳过。这个方案简单、开销低，目前还没有出现过误杀情况。
4.4 限流、超时与模型选型：工程侧最容易低估的麻烦
如果你把Agent跑在生产环境，模型API的限流和超时问题一定会找上门。投研日报是早晨集中跑的，高峰时段一次性要分析几十条信息，如果全部串行调用模型，耗时可能超过半小时，用户的耐心肯定不够。
我的对策是给调度加上并发控制。先把所有待分析信息按优先级排序，再开一个固定大小为5的并发池，池内每条任务独立调用模型接口，整体吞吐量大约是串行的4倍多。这里注意并发数不能开得太大，否则触发限流反而更慢，5是实测下来比较稳的平衡点。
模型选型方面，我的经验是不要迷信参数规模。分析公告、提取要素这类任务，中等规模的模型完全够用，而且响应速度更快、成本更低。只有涉及长逻辑链推理和跨领域知识融合时，才有必要切到更大的模型。所以在我的架构里，Action Loop里的policyAgent用高端模型，但每个具体动作的执行器用低档模型，这样既保证了决策质量，又把预算控制住了。
5. 后续扩展方向与个人体会
5.1 从个股分析到行业图谱：Agent下一步能做什么
现在这套系统完成的是“点状分析”任务，处理一条信息，生成一份分析结果。但如果把时间维度拉长，让Agent持续跟踪一个行业的全部关键主体，它会慢慢积累出一张“行业关系图谱”。
举例来说，系统在连续三周里抓取到“硅料涨价”“组件排产下调”“电站招标量减少”三条信息，单看任意一条都无法确认趋势，但放在一起就能发现产业链价格传导正在受阻。这种跨时间的模式识别，靠人眼盯数据很难发现，但对Agent来说不过是把历史结果做了个关联比对。
我计划下一步给Agent加一个“周度复盘”模式，每周日自动把过去7天的全部分析结果重新读一遍，生成行业景气度变化说明，并输出下周需要重点监控的信号清单。这样AI就不只是“被动回答问题的工具”，而是真正意义上的“主动盯盘助手”。
5.2 我对AI自主驱动投研的个人体会
项目跑了一段时间，我有一个很深的感受：AI自主驱动不等于“撒手不管”。它更像是把一个七成靠谱的实习生用起来，你得定期检查作业、修正框架、喂高质量物料，才能放心让他分担越来越多的工作。
从效果上看，这套系统目前帮我节省了每天大约一个半小时的信息预处理时间，让我能把精力放到真正需要经验判断的地方。更重要的收获是，因为所有分析都有结构化归档，我发现自己的复盘效率比以前高了很多——历史判断、当时的逻辑链、后续实际情况，一比对就知道哪里想对了、哪里想错了。
现在每次看到有新的行业公告，第一反应不再是去翻资料，而是先看Agent输出的日报里有没有捕捉到这个信号。工具当然不可能替代人做投资决策，但它确实能把“读材料、理逻辑、盯风险”这些基础工作做得又快又稳。对我个人来说，这就已经值回票了。
