AI Agent：随着人们需求的加深，执行能力成为AI的主战场
1. AI Agent概述
- Agent与Chat的区别：Agent具备“动手能力”，可以进行自主感知、记忆、决策、交互和执行，而Chat仅限于被动响应。
- Agent的分类：按产品形态分为通用型和垂体型；按部署方式分为云端托管、本地托管、云端租赁和本地服务器四种类型；按应用方向分为科学研究、产业发展、提振消费、民生福祉和社会治理五大方向。
- Agent的发展历程：经历了Chat时代、传统Agent时代和Agent 2.0时代，目前需求多元化与专业化并行，推动通用Agent、垂类Agent与Skill生态同步爆发。
2. 数据与Harness构成了Agent的核心竞争力
- Agent产业链：上游为算力、云服务与数据基础设施；中游为大模型层；下游为应用交付层，Agent位于产业链下游，直接触达用户。
- Harness架构：Harness是除模型以外的一切设施，分为构建层、连接层、能力层和运行管控层，支撑Agent完成任务拆解、工具调用、验证反思的完整工作流。
- Agent的商业模式：主要分为IaaS算力租赁和SaaS订阅付费两类。
- 垂类Agent的核心竞争力：数据、Skill与Harness构筑垂类壁垒。金融垂类Agent在数据、Skill和Harness方面具备不可替代优势，能够更好地满足金融行业的高复杂度专精场景需求。
3. 投研Agent将迎来加速发展
- AI爆款应用推动算力需求跃迁：全球Token调用量18个月增长超55倍，AI需求呈现井喷式增长，AI爆款应用的诞生带来算力需求实现跃迁。
- 投研Agent市场规模：预计投研Agent市场规模2030年有望达392亿美元，智能投研作为高价值场景具备广阔落地潜力。
- 投研Agent的升级方向：从数据资产标准化、Skill组件工程化和Harness治理专业化三大方向协同升级，逐步破解当前数据口径不统一、模型内生缺陷、内生校验机制缺失等局限，从辅助提效工具向全流程智能投研平台演进。
4. 投资建议
- 更加看好数据丰富，数据底座扎实、治理能力突出；兼具资深投研人才与技术研发实力，能够搭建成熟的Harness治理体系，产品落地能力过硬；三是合规管控体系完善，能精准把握证券研究监管边界，减少AI幻觉的相关公司。
5. 风险提示
- 监管合规风险
- AI模型应用风险
- Agent执行失范风险
