核心观点与关键数据
大语言模型（LLM）的核心能力是处理语言和信息，而非预测市场，其底层原理通过海量文本学习词序概率，形成看似理解和推理的回答。与传统搜索引擎相比，LLM解决的是信息理解问题，价值在于完成归纳、总结、推理和表达。
技术要素详解
- 任务说明书（Te）：定义角色、任务背景、输出格式和边界条件，LLM根据上下文生成回答，需明确研究对象、分析框架、重点问题和输出形式。
- Prompt Engineering：将复杂任务拆解为易理解、执行和组合的指令，任务越复杂，越需清晰定义目标。
- 普通问答 vs 深度推理：普通问答需具体步骤指导，深度推理模型自主拆解问题，强调目标导向。
- 引导式提问：通过逻辑链逐步识别信息、分析关系和形成结论，输出质量更稳定；固定模板可确保格式规范。
- 幻觉问题：LLM生成最可靠文字而非最可能文字，因知识边界、训练噪声、倾向完整答案等因素可能出错。选模型需关注可靠性、成本和适配性。
可靠性提升方法
- RAG（检索增强生成）：AI先查资料再回答，如从政策文件中检索内容生成答案。
- Tool Use：AI调用外部工具完成任务，如用Python进行真实计算。
两者共同解决依据不足和执行能力问题。
Agent 的作用
Agent是以LLM为核心，自主拆解任务、调用工具、迭代完成工作的AI系统。其六部分组成：大模型（推理）、角色与指令（定义边界）、上下文与记忆（保存状态）、规划与编排（拆解任务）、工具调用（连接外部能力）、反馈与安全控制（校验结果）。
Agent 分类
- Coding Agent：如Codex、CodeDex，负责代码生成、修改和工程任务。
- 通用 Agent：如OpenAI，连接文档、数据库、搜索、Python和业务系统，完成跨工具复杂任务。
Skill 的概念
Skill是围绕特定任务组织的一组指令脚本和资源，固化研究员经验为可重复流程。例如，技术分析Skill可规定数据获取、指标计算、形态识别和报告生成步骤，提升效率并降低人为差异。
MCP 的作用
MCP是通用万能遥控器，实现大模型Agent与各类Skill的统一交互、数据流转和任务协同。虽非必要，但能规范权限管理和维护，未来企业将构建围绕Agent的生产平台。
金融行业应用
- 金融Agent：从单点工具走向流程协同，如Trading Agent通过多个Agent协同完成交易决策。
- 头部资管机构应用：如BlackRock在投资组合构建、交易执行和风控中辅助基金经理。
- 垂类AI应用：如Barclays GPT连接本地和第三方数据，嵌入交易工作流，完成流动性分析等。
- 传统金融模型与AI结合：AI不取代原有模型，如因子分析和收益率曲线构造仍需金融逻辑，AI辅助资料整理、代码生成等。
固定收益研究应用
- 信息检索与整合：AI快速收集、分类和归纳资料，如政策变化或公司基本面。
- 代码编写与解释：AI生成或解释代码，降低研究员工作门槛。
- 政策与财报解读：需提供完整原文或维度要求，如关注产能利用率等。
- 可视化图表生成：AI生成图表代码，缩短数据处理到展示链条。
- 逻辑推理与提示词工程：按因果关系逐步提供信息，提高复杂任务稳定性和可复用性。
研究结论
- LLM改变知识处理方式，Agent改变工作方式，Skill沉淀团队经验，MCP连接工具生态。
- 金融行业竞争优势在于模型能力与生态体系结合，AI不替代研究员，而是辅助摆脱重复劳动。
- 未来将完善Skill体系，推动AI成为研究团队生产力，覆盖利率择时、事件驱动分析等场景。
