- AI智能体概念及工具选择：研报介绍了AI智能体（Agent）的概念，将其与对话式AI进行对比，强调AI Agent能够自主调用工具、执行复杂任务。系统采用DeepSeek V4 Pro作为推理引擎，负责理解任务、分析数据和生成内容；同时选用Hermes Agent作为执行框架，负责操作文件、调用接口和调度流程。
- 研究报告生成体系介绍：传统研报撰写流程包括数据准备、信息采集、分析撰写、编辑检查四个环节，存在效率低、主观偏见、质量把控依赖个人经验等问题。本体系将上述环节拆解为四个独立的AI-Agent角色：数据工程师、新闻收集员、研报撰写员、编辑检查员，按线性流水线顺序执行，职责边界清晰、可追溯性强，确保每一步输出质量可独立检验。
- 数据底稿说明：数据底稿分为三个层级：基础数据（自动化拉取）、事件类数据（自动化采集与入库，真人研究员辅助筛选）、补充数据（按需纳入）。整体而言，高频、有标准化接口的数据模块实现了全自动化采集，但真人研究员仍需对数据进行审核复查。
- 角色职责：
- 新闻收集员：多源采集新闻与市场事件，按既定维度自动分类，去重后写入数据底稿，不对事件的权重和价值做主观判断。
- 数据底稿工程师：维护数据底稿的准确性、完整性与时效性，确保底层数据源正确无误，但不对数据底稿进行直接修改。
- 研报撰写员：基于给定的报告模板与数据底稿进行分析，按既定框架自动生成完整的报告初稿，确保其质量与风格接近真人研究员的产出水准。
- 编辑检查员：对研报撰写员产出的最终报告进行逐项编辑检查，输出独立的审查意见，审查规则动态读取本地配置文件，支持用户手动更新。
- 角色协作流程：一份研究报告的产出遵循严格的线性流水线流程，四个角色依次执行，权责分明，互不干涉：
- 新闻收集员：采集目标标的在报告期间的相关新闻，按既定维度自动分类，去重后写入数据底稿。
- 数据底稿工程师：检查基础数据、计算口径、辅助指标等，确认底稿数据可用。
- 研报撰写员：基于底稿数据，按标准框架自动生成报告全文。
- 编辑检查员：独立执行编辑检查，并出具书面审查意见。前一环节未完成则后一环节不启动，编辑检查员拥有最终否决权。
- 使用案例介绍：黄金ETF，2026年5月复盘及6月展望：以月度复盘报告为使用案例，依次演示了新闻采集、数据底稿校验、研报撰写及编辑检查四个环节的实际运行效果，并附上每个角色在各自阶段生成的报告样例。
- 新闻采集样例：新闻收集员从财联社及华尔街见闻等权威网站获取黄金相关事件，去除重复新闻后给出报告。
- 数据底稿检查样例：数据工程师核查黄金ETF5月数据底稿，给出评估报告。
- 研报撰写样例（大纲）：研报撰写员读取数据底稿并结合黄金ETF月度复盘报告大纲，生成黄金ETF 6月复盘报告的原始报告。
- 编辑检查样例：编辑检查员审查报告全文，给出评估报告。
- 实际效果对比：AI生成的内容与真人撰写版本在核心结论、走势结构划分与归因逻辑上高度一致，差异主要体现在表述习惯上。AI倾向于在关键节点补充具体数值，信息密度更高，但有时因细节堆叠而使段落略显冗余；真人版本则在保持数据准确的前提下，更注重叙事的凝练与节奏感。
- 总结：本套AI研报生成Skill通过多体系协作实现了研报撰写从数据准备到编辑检查的全链条自动化，实际案例证明其产出在专业水准上与真人研究员高度一致，同时显著释放了研究员在新闻采集与结构性写作环节的时间投入。未来优化方向包括拓展至更多资产类别、引入动态学习机制、打通图表自动化渲染、建立“生成—验证—迭代”的闭环反馈体系。
- 风险提示：
- 新闻采集的覆盖度与真实性局限。
- 事件解读的逻辑完备性不足。
- 数据底稿的外部依赖风险。
- 语言微调与前瞻判断仍需人工介入。
