多Agent矩阵与Skill体系搭建AI投研系统华尔街日报

广发证券认为构建AI投研系统的关键是最大化还原真实投研链路，聚焦信息摄入与经验加工两大环节。报告指出，Agent基座选择本质是Harness工程权衡，建议开源架构与一体化产品协同配合。针对上下文衰减痛点，提出多代理矩阵与分步加载方案。Skill体系采用渐进式披露设计，兼顾分析弹性与工程精度。私域RAG知识库被认定为信息摄入层最优解。

广发证券认为AI投研的核心在于能否最大化还原真实投研生产链路，策略团队系统性阐述了AI投研系统的构建逻辑与进阶优化路径，为业内提供了一套从底层原理到工程实践的完整框架。

8月28日，广发证券刘晨明团队发表报告，指出主观研究员和基金经理的核心工作流是捕捉信息差、形成认知差，并最终转化为研究观点或投资决策。

AI投研系统的设计应以此为第一性原则，在信息摄入层和经验加工层两个核心环节发力。前者负责提升投研语料的广度、质量与即时性，后者负责将真实投研体系沉淀为可复用的Skill，借助AI工程学思想落地执行。

报告同时点名了当前两类低效实践：一是将主观投研"金工化"，丧失信息差与认知差提炼这一超额收益来源；二是单一环节机构尝试打通全链路，既削弱分工优势，又产生隐私泄露风险。报告认为，上述方向均与现代金融产业的分工原则相悖。

Agent基座：Harness工程是核心变量

广发证券报告指出，随着主流大模型能力趋于同质化，选择Agent基座的本质，是对Harness（驾驭工程）的权衡——即在不修改模型权重的前提下，如何设计外部运行环境以提升复杂任务的执行稳定性。

报告从当代大模型的三个原生技术缺陷切入。

其一是上下文衰减：Prompt输入越长，模型回答质量越差，标准Transformer的全注意力计算复杂度随序列长度呈O(n²)增长，实际有效上下文窗口往往显著小于标称窗口。

其二是输入扰动敏感：Prompt中的微小语义无关改动，会因Token序列分布变化引发输出质量显著偏移，且自回归循环会不断放大该问题。

其三是输出非确定性：相同Prompt两次发送，输出几乎不会相同，根因在于Decoder-Only架构的Token概率抽样机制。

在路径选择上，报告将Agent基座分为两类：一体化产品（如Claude Code、WorkBuddy等）和开源架构（如OpenClaw、Hermes等）。

前者Harness由厂商预调校，易用性强，经轻度优化后可胜任大部分轻量投研任务；后者Harness由用户侧全局自定义，上手难度极高，但合理优化后性能上限显著更高，能实现对Harness和LLM Query的绝对微观控制。

报告给出的最佳实践是：开源架构Agent负责具体生产场景，一体化Agent产品负责项目维护，最大化发挥两者的原生禀赋。前者深度适配投研场景，承接深度研报、选股策略等复杂长程任务；后者补齐开源架构Agent在自我诊断修正、自迭代方面的短板。

多代理矩阵：分步加载破解上下文积压

针对上下文衰减这一核心痛点，报告提出了分步加载与多代理（Multi-Agent）矩阵的解决方案，其底层逻辑是将复杂长程任务拆分为多个独立的"最小高信号集合"子模块，分步独立执行，避免无关上下文干扰特定环节的执行效果。

报告根据二级市场真实投研场景，设计了最小Multi-Agent矩阵，包含三个角色：实习生、分析师和投资总监。三者职责清晰分层：

▪︎ 实习生负责调用API或MCP接口查询数据、初步清洗并输出标准化信息卡；

▪︎ 分析师负责调用专业投研Skill完成细分领域内容创作，将章节性结论落盘为本地快照；

▪︎ 投资总监负责理解用户意图、拆分任务、规划调度，统筹子实例的内容产出。

这一架构的目标是确保数据取数、清洗和无关资料，不会显著影响最终交付产物的质量。

报告指出，该思路同样适用于一体化Agent的工作流设计，在任务流程沉淀为可复用工作流时，可明确要求"最大化实现任务拆分和分步加载，避免上下文堆积"。

Skill体系：分析弹性与工程精度的结合

Skill（技能）是广发证券报告着力阐述的另一核心模块，指的是可被Agent按需动态加载的文件夹，包含指令、脚本、资源等内容。其设计采用三阶段渐进式披露思想：

▪︎ 元数据常驻Context供Agent判断是否激活；

▪︎ 指令主体在激活时挂载，本质是任务路由；

▪︎ 项目资源则在路由激活后按需加载。

报告通过两个典型案例说明Skill的工程价值。

案例一是投研数据网关Skill，其工程痛点在于，单一Agent配置多个API或MCP时，Tool Schema常驻上下文会造成注意力漂移和工具调用干扰。

优化方案是引入CodeAct思想，对Agent只暴露单一函数签名，由适配层脚本统一管理所有数据需求，确保取数流程不占用LLM注意力。

案例二是组合业绩归因Skill，其工程痛点在于，将个股涨跌幅数据直接发给LLM分析，会因模型输出不确定性导致定量结果存在随机差异。

优化方案是引入数学抽象层，将归因问题转化为Barra CNE10因子模型的数学求解，LLM仅负责自然语言与结构化参数之间的转译，不参与实际运算，从而消除输出随机性。

私域RAG知识库：信息差是α的理论根源

报告在信息摄入层的核心结论是：私域RAG向量知识库优于LLM-Wiki，且是投研场景的理论最优解。

报告首先从有效市场假说（EMH）出发，论证了私域知识库的必要性。

基于Fama、Grossman-Stiglitz等经典框架，报告指出A股市场呈现明显的结构性有效特征：覆盖不足标的（小微市值、分析师覆盖0-2家以内）存在显著的公告后价格漂移（PEAD），弱式有效假说直接被拒绝。

中等覆盖标的则对公开信息的解读速度差异仍能带来超额收益。由此推论，私域信息（调研、反路演、个人经验等）对投研框架具有实质性的α强化价值。

在路径选择上，报告指出LLM-Wiki存在无解的先天缺陷。一是随着语料规模膨胀，Schema颗粒度难以维持全局最优；二是数据膨胀会持续触发上下文衰减，在复杂任务中LLM有效上下文窗口仅为标称的20%至30%。

报告实测显示，专业投资者合格信息摄入量约为50至70万字/日，持续运营两个月以上后LLM-Wiki的Schema管理问题将显著恶化。

在RAG的投研场景优化上，报告提出两个关键环节。

数据预处理侧，图片和文字均可通过纯算法高效去重，PDF和图片通过VLM解析精度高于OCR方案，切片策略上结构化压缩后完整机械切片的效果优于父子切片、语义切片等特殊方案。

用户查询侧，报告建议采用意图识别与Query改写机制，预设各研究方向最优关键词供Agent补齐；实测显示，该思路效果优于任何形式的知识图谱调优。

远期思考：AI能力将重塑从业者基本功与卖方展业形式

报告最后从二级金融机构角度提出了若干前瞻性判断。

在从业者能力层面，报告认为"KYA（Know Your AI）"的重要性将持续上升——进阶性AI工作流有望继经济学思想、财务分析、办公软件操作之后，成为从业者第四大必备基本功。

与此同时，对AI原理的微观理解也将重塑从业者对AI产业中长期逻辑的认知，例如杰文斯悖论在用户侧多级模型路由场景下的呈现，可能对闭源模型厂商和云服务提供商（CSP）的ROIC假设产生影响。

在卖方研究所展业形式上，报告判断行业或将经历一轮MCP化变革，研究观点、数据和活动更新将能更高效、更广泛地触达机构客户。

报告同时提示，AI技术发展及应用效果不及预期、大模型底层技术范式颠覆性变化，以及数据安全与监管政策变化，均构成上述框架的主要风险来源。