东吴金工AI赋能投研

线上的老师们晚上好，我是东吴精工的孙石。今天跟大家分享的主题是a agent重构主动延工作流。随着大语模型的近年来的蓬勃的发展，我们作为投研人员在传统工作流中可能遇到的各类痛点，其实也正在发生一些比较深刻的变化。我们总体而言，其实是认为目前当前的这样的一个AIA ent的，它在投研场景中的定位应该是我们的工作助手，流程的引擎以及知识沉淀工具这样三者的这样的一个结合。当然市面上，它其实是存在多类的不同定位的这样的A件的产品的。我们其实也可以根据我们自己的投研场景，或者是工作中的实际的需求去进行选择以及使用。综合考虑这种agent上手的门槛以及我们使用的便捷性，我们后续其实是主要基于workbody去作为一个主要的这样的一个展示的方式。在使用A键之前，我们认我我们我们想先要介绍一下。我们觉得说底层的数据库和知识层的这样的一个构建，它其实对于agent的最终产生最终产出的这样的一个结果的可靠性、专业性以及质量，它其实是一个至关重要的。首先就是比较高质量的这样的一个数据的来源，它其实是ag技能深度介入我们投研工作流的这样的一个基础。我们这边其实是以万德为例，就展示了一下我们怎么样去从相应的这样的MCP去提一些数据过来。One它的官方的MCP其实给a提供股票、债券、基金以及指数宏观等多方面的有相对丰富的这样的官方的数据。我们其实是可以通过万德他们官网的这样的一个提供的提示词或者是指令，然后直接发给我的agent，让他去接入万德的数据。把这个相应的数据底座构建好之后，我们其实就非常方便的去调用比如说万德的一些个股或者指数，以及宏观相应的数据的这样的一个调取。进一步的话，我们其实也可以去通过A键的调用我们的内部的一些数据。这里其实就是通过一个相应的skill去调用我们内部的一个因子数据库的这样的一个事例。 我们其实是把它相应的提取数据的这样的一个demo，把它打包成了一个skill，供我们可以用自然语言去方便的去调用它。那在数据以外，我们觉得说另外一个比较重要的点就是知识层，也就是投研专有的这样的一个知识资产。这里我们其实是会选择腾讯艾玛的知识库来作为一个示例。它的最大的优势是去连通了这样的一个微信的生态。另外它也支持多种类型的文件。我们可以看到就是我们是可以在这个平台上去搭建我们个人的专属的知识库，或者是团队共享的知识库。对我们的年报、纪要或者相关笔记多类的这样的一个知识资产去进行系统化的沉淀和长效的管理。通过这些知识资产，其实是可以提升A键的输出内容的这样的专业性的。我们非常可以非常便捷的去进行相应知识之谈的。比如说我们的微信公众号文章去进行它的沉淀或者是管理，也可以进一步对它进行一些调用和执行的操作。另外对于一些碎片化的信息，比如说我们的一些聊天记录，或者是我们每天的这样一些邮件的。我们其实也可以通过相应的比如说连接器或者其他的方式去进行一个信息的沉淀提炼和回流。然后帮助我们日后去进行一个复盘的这样的一个情况。接下来其实我们可以结合我们实际的工作流去进行去通过去构建一些比较复杂的应用。我们在这块仅去展示一些部分的这样的一个事例。首先是我们比较常见的一个数据分析的工作。这里我们其实是通过了万德的MCP去提供了宏观的数据，去进行了一个分析。我们可以看到我们这里提供了PPI和CPI的数据，然后就生成了一个宏观分析的这样的一个小章节。这块大家可能就会相对熟悉一点。另外其实对我们一些比较标准化的一些投研的任务，我们这里有一个投价报告的这样的一个任务，这个整个过程，它就是一个非常框架固定的这样的一个工作流。我们其实是可以把整个工作流去沉淀为一个skill，然后供我们后续去进行不同标的的多次 的这样的一个调用的。当然如果我们实际工作中有一些周期性的固定框架报告，比如说一些周报或者是月报。我们也可以结合官方的数据源，然后对于我们相关的这样工作流去进行一个类似的沉淀skill的这样的一个操作。除了投价报告的这样的一个skill，我们其实还可以通过这样的我们的agent去构建一个本地的结构化知识库。这里是我去通过agent去构建了一个本地的信息通讯知识库的展示。这里的图片是通过over这样的一个软件去进行的一个展示。后续这块内容，我的同事吴艳琴老师会进一步的详细的介绍。如果说我们构建好了本地的这样的一个知识资产的话，其实是可以结合一些场景对我们本地的知识资产去进行一个调用的。比如说这里我们构建的这样的一个深度研究的skill，它其实在多方和空方去进行一个这样的一个论据展示的过程中，其实是有直接去对我对于我的本地知识库去进行一个调用。那相当于说我们通过本地的知识资产的调用，去获得了一个更高质量的一些产出。此外我们也构建了比如说投资专家讨论的这样的一个skill，对于一些相关的投资专家的信息，我们去构建出来的不同的投资专家。不同的投资专家他的偏好以及他的投资框架是不同的。所以对于同一个投资观点，他其实是会给出不同的这样的一个结论，然供我们去进行参考。我们也让他们去进行了一些投票以及辩论的这样的过程。进一步如果说我的这个角色非常多的话，我们也构建了一个同学会的skill。总体而言，这两个skill都是对于一个投资观点去进行特定工作流的分析，以及对于我投资观点的这样的一个沉淀的过程。总体来说还是对于投资观点的这样的一个补充。当然我们其实也可以通过agent去进行简单的一些代码的实践，或者是信息的搜集，以及其他的一些定时任务。我们的团队成员其实也构建了除了我们刚刚介绍了这些skill以外的一些选股的择时skill。也欢迎大家联系我们去进行进一步的交流。以上是我今天分分享的这一块内容，接下来交给吴老师。各位线生的领导，大家晚上好。 我是东吴新工团队的研究员吴彦锦。 非常荣幸今天能有机会给各位汇报一下我们团队发布的AI I研究系列报告第四期AI加op系店去管理投研知识库的这样一个内容。 这篇报告其实跟我们年初写open cloud的时候思路是比较类似的。 我们一直想强调的一点就是在AI I这个时代千万不要陷入方的焦虑，也不要说为了用AI I而去用AI I我们真正重要的一点是回到我们真实的投研工作流当中去，看看AI I到底能解决哪些问题，带来哪些真正的增量。 因为现在大语言模型已经能够把信息处理的是提的非常高了，只要我们想就可以快速的去提取大量的资料，然后总结几十篇报告，甚至快速去生成一个非常完整的长篇研究。 你因为这些内容很多时候其实是不过脑子的，是没有办法沉淀下来的。 我们今天可能看了很多，生成了很多，但是过了一段时间可能找不回来。 也不知道当时为什么会得出这个结论，也没有和过去的研究去形成一些联系。 所以相当于说AI能够帮助我们提高信息生产的效率。 但是信息生产的更多并不等同于投研能力变得更强了，甚至可能会造成我们的一些惰性。所以今年4月的时候，在AI领域非常有名的这个卡帕奇卡神，他重新提到了一个思路，就是去做一个we key的知识库。 他和我们比较熟悉的这个Rex型的这种知识库还不太一样。 RAG rack这种知识库，它更像是给大模型去建立了一个更好的检索的系统，相当于是我们把知识放在那里，一个以步法的形式，需要的时候再以一个比较经济的方式去找到这个知识。 但是wiki它就是一个两步法，它需要去把知识以一个比较合理的形式整理成结构化的方式，能够去形成相互链接的这样的卡片的形式。 而这件事情又恰好跟我们去做研究的习惯，我们去做打标签或者归类这样的一些动作是非常契合的。 而然而在这个前AI时代，就我们打标签这件事情其实相对来讲会比较麻烦一点。 整理知识这个动作本身就需要去投入大量的实践，而且还需要去进一步整理这些pack链接这样的一些东西，就变得更加的麻烦。 但是在AI这个时代，这些工作都可以轻松的去交给AI I去完成。 这也是为什么我们会在这个时候去提出这个工具，这个工具会在今年在这个卡神的带领下 又火一次，因为它本身就是一个非常适合去承载的这个思路的工具。 那我们我们会在平时会考虑就用一些在线的笔记方式，而这个时候用C点，它俩之间的这个差异有什么不一样呢？这里我觉得主要会有两点，首先一个是否本地化的这样的一个直接的差异。 像我们去用一些云端的笔记工具的时候，这个时候最大的优势是方便的，是开箱即用的。然而我们的知识资产本质上还是托管在平台上，具体后面怎么去存，怎么去调用，甚至后续我不用这个平台，我要去迁移。 那这里很大程度上就是要取决于平台本身的一些规定的。 但是off它不太一样，它更像是一个建立在本地文件之上的这样的一个壳。 所有的文件仓库的底层仍然是一个普普通通的文件夹，里面存的是一个一个的mark down文件。 后续我们不管怎么去换工具或者换平台，这些文件依旧还是在你的本地上。 所以本地化管理这件事情，不管是从安全性的角度，还是因为在AI时代，我们会发现这件事情会变得更加重要一点。 因为过去知识库这件事情它主要还是给人看，但是现在我们不仅要给人看，还要把它去给AI I看，给A看。 所以如果后续我们还要去组合各种其他的工作流的话，本地化还是能够提高非常的灵活性的那第二一点我觉得是这个op点它其实有一个非常好的开放的生态建设。 这里可以打一个比较形象的比方，如果是云端的这些笔记工具，我们会觉得它更像是一个精装房。 但是op店它更像是一个毛坯房的这种感觉。 精装房的好处就是可以拎包入住。 一个平台已经帮我们搭建好了很多的功能和细节，但是问题恰恰也在这里，就是他怎么去设计，我们基本上就会后面怎么去使用。 然而这个使用方式未必是最符合我们的习惯和审美的那如果用opsidia？尽管初始的学习成本确实是要高一些，但后面搭配它非常丰富的这个插件生态之后，我们就可以做到很多有意思的事情。 包括但不限于后面会介绍用data view去做一些动态查询，一些可视化的驾驶舱的展示等等。 包括在用一些tem等等的插件去做模板自动化管理这样的一些事情。 所以最后每个人搭出的of搭出来的知识库可能都是不一样的。这背后的最大区别就在于说，我们好像不会再依赖于一个软件它预设好的工作流，而是基于我们原有的工作流本身去做一些更灵活的设计，让软件去适应我们，所以这是第二点。我觉得在AI agent出现之后，si这类知识库的工具会更加符合我们使用习惯的这样的一点原因。今天的这篇报告当中，其实我们有很详细的去说明si各类插件的安装和使用的方式，而且我们给出了非常具体的配置步骤和操作的示例，能够方便咱们快速上手。但是今天受限于这个线上会的形式和一些合规的需要，我们更希望能够从一些更加切实且有趣的案例的角度，能够辅助我们去看看今点到底真正能够如何改变我们的投研工作的方式。所以首先这里我有一个非常常见的场景的展示，就我们做研究或者写报告这样的一个场景。现在我们工作当中，其实已经不可避免的会用AI I去协作完成一些研究，写材料这样的一些任务。但是我相信大多数人都会有一个感受，就是AI I写出来的东西，我们很难就第一次就百分之百的去接受去满意。这里的原因也蛮简单的，因为研究在我理解它是一个循序渐进的过程，我们很难在一开始的时候就想好，就如说我要做一个怎样的事情，从头到尾每个细节都去想好。然后再搭配一个非常完美面面俱到的提示词，让A一次性就把包括结构、逻辑、语气，包括一些润色的细节都全部的处理到位。所以我们用AI I写作，用AI I做研究，几乎是几乎一定是一个需要反复修改和迭代去交互这样的一个过程。但是我们在过去的工作流当中，其实总是会发现这个迭代的过程是相对来讲有些割裂的。比如说我可能让AI I去先写一版，我可能会觉得不太满意。在复制到word模板里面各种调整自己改改了一遍之后，我又觉得好像还缺一些内容需要AI再去辅助。我再把这个相关的段落复制回AI让他继续去做补充，润色这样的一些操作。这样来回几次之后，就很容易出现一个问题。比如说版本可能会乱掉，上下文也会有一些丢的这样的一些现象。因为AI可能并不知道刚才我在外面做了什么。 然后反复拼接之后，我们就很可能去发现有一些文本会发现很强的这种拼凑感，各种文风不一致的这样的