东吴金工AI赋能投研：重构主动工作流与知识库管理

发布时间：2026-08-31 一、AI总结内容 一、核心观点 1. AI赋能投研的核心是让AI成为投研工作助手、流程引擎、知识沉淀工具三者的结合，而非仅为提升信息生产效率。 2. 投研场景中AI应用需避免方法焦虑，应紧密贴合真实投研工作流，解决实际问题，而非为用AI而用。3. AI时代投研知识库建设的核心是结构化沉淀、可追溯、与投研流程深度绑定，而非单纯信息存储 二、AI在投研中的应用架构 1. 底层数据与知识层是AI投研产出质量的核心基础，需整合官方数据源（如万得MCP）与内部因子数据库、自有知识资产。2. 投研知识资产沉淀可依托腾讯、阿米巴知识库，支持搭建个人/团队专属知识库，整合年报、纪要、笔记等内容。 三、AI Agent在投研工作流的具体应用 1. 可基于Workflow构建多种投研应用，包括宏观数据分析（如PPI、CPI数据生成分析章节）、标准化任务自动化（如投价报告、周报月报工作流沉淀为Skill）。 2. 支持本地结构化知识库构建，如信息通讯知识库、深度研究Skill（可调用本地知识提升产出质量）。 3. 提供投资决策辅助Skill，如投资专家讨论Skill（多专家观点碰撞）、投学会Skil l（多角色辩论），辅助观点验证。 四、Obsidian在AI赋能投研知识库中的应用价值 1. Obsidian相比云端笔记工具，具备本地文件存储安全性、数据控制权，且开放插件生态支持个性化配置，能适配原有投研工作流。 2. Obsidian配合AI可优化投研写作流程，实现实时文档上下文交互，避免反复复制粘贴导致的版本混乱、文本拼凑感问题，提升写作效率。 3. 可通过Web Clipper插件保存外部观点，结合AI将卖方报告等内容结构化生成观点卡片，搭建可追溯的研究驾驶舱，支持卖方共识、观点变化跟踪。 4. 可将券商金股等另类数据结构化，通过DataView插件搭建个性化研究数据库，实现多维度跟踪与共识分析。 五、后续安排 1. 东吴金工系列会议后续将于9月4日（周五）盘后3点半举办衍生品研究专题汇报，邀请投资者交流探讨。 二、音频原文（转写） 微信上的老师们晚上好，我是东吴精工的孙石。那今天跟大家分享的主题是AI AGENT重构主动椭圆工作流。那么随着大语言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。那我们总体而言呢，其实是认为目前当前的这样的一个AI AGENT，它在 在投研场景中的定位，应该是呃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。 那么当然市面上呢，它其实是存在多类的不同定位的这样的A镜的产品的。那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。那综合考虑这个场。间的这种A进特的上手的门槛，以及我们使用的便捷性。 我们后续其实是主要基于work body去作为一个主要的这样的一个展示的方式。no 三十。嗯，A键的之前呢，我们任务我们。我们想想要先要就是介绍一下，我们觉得说 底层的数据库和知识层的这样的一个构建呢，它其实对于 A技能最终产生。 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。那首先呢，就是 比较高质量的这样的一个数据的来源。它其实是A进程深度介入我们投研工作流的这样的一个基础。 那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M C P去提一些数据过来。那万宝它的官方的M C P其实给A G呢提供了 哦，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呀。 我们其实是可以通过万德他们官网的这样的一个提供的。呃，提示词或者是指令。然后直接发给我的agent，让他去接入万泽的数据。那呃，把这个相应的数据底座构建好之后呢，我们其实就非常方便的去 调用。 就是。呃，比如说万德的一些呃个股或者指数，以及宏观相应的数据的这样的一个调取。那进一步的话，我们其实也可以去通过A镜的调用我们的内部的一些数据。那这里呢，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 相应的呃，就是提取数据。是的，这样的一个demo呢，把把它。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。哼。 啊 嗯。在在数据以外呢，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。我们这里呢，我们其实是会选择腾讯、阿玛的知识库来作为一个示例。它的最大的优势是去联通了这样的一个微信的生态。 另外呢，它也支持多种类型的文件。那我们可以看到，就是我们是可以在这。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 年报啊、纪要呀，或者相关笔记呀。 多类的这样的一个知识资产去进行系系统化的沉淀。和长效的管理 那通过这些知识资产呢，其实是可以提升。A技能输出内容的这样的专业性的。那我们非常可以非常便捷的去。 进行相应知识资产的，比如说我们的 微信公众号文章呀，去进行它的沉淀或者是管理。也可以进一步呢，对它进行一些调用和执行的操作。那另外呢，对于一些碎片化的信息。比如说我们的一些聊天记录呀，或者是我 们每天的这样的一些邮件的。 我们其实也可以通过 嗯，相应的。比如说连接器呀，或者其他的一些方式。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。 那接下来其实 我们可以 结合我们实际的工作流。去进行去通过A D呢，去构建一些比较复杂的应用。那我们在这块呢，仅去展示一些部分的这样的一个事例。那首先呢，是我们比较常见的一个数据分析的工作。 那这里呢，我们其实是通过了万德的M C P去提供了宏观的数据。去进行一个分析。那我们可以看到我们这里提供了P P I和C P I的数据。然后就生成了一个宏观分析的这样的一个小章节。 那这块呢，就大家可能就会相对熟悉。那另外呢，其实对我们 一些比较 标准化的一些投研的任务。那我们这里有一个投价报告的这样的一个任务。那这个整个过程呢，它就是一个非常框架固定的这样的一个。 一个工作流。那我们其实是可以把整个工作流呢去沉淀为一个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。 嗯，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，我们也可以结合就是官方的数据源，然后对于我们相关的这样工作流。去进行一个类似的沉淀。这样的一个操作。那除了投下报告的这样的一个skill呢，我们其实还可以通过这样的 呃，我们的agent去构建一个本地的结构化知识库。 那这里呢，是。我去。通过A政策去构建了一个本地的。信息通讯知识库的展示 那这里的图片呢，是通过over sitting这样的一个。 呃，软件去去进行的一个展示。那后续这块内容呢，我的同事吴艳琴老师会进一步的详细的介绍。那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。 一些场景对我们本地的知识资产去进行一个调用的。那比如说这里我们构建的这样的一个深度研究的skill。他其实在 呃，多。多多方和。 和供方去进行一个。这样的一个论据展示的过程中呢，其实是有直接去。呃，对于我，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。 嗯 嗯，此外呢，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呢，我们去构建出来的不同的投资专家。那不同的投资专家，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呢？ 他其实是会给出不同的这样的一个结论。然后我们去进行参考。我们也让他们去进行了一些投票以及辩论的这样的过程。那进一步，如果说我的这个 角色非常多的话，我们也构建了一个投学会的skill。 那总体而言呢，这两个是Q都是对于。呃，一个投资观点。去进行 呃，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。然后总体来。 来说，还是对于投资关联的这样的一个补充。那当然呢，我们其实也可以通过agent呢去进行。呃，简单的一些代码的实。じゃあね。 或者是信息的服务器。呃，以及其他的一些定时任务。那我们的团队成员呢，其实也构建了，除了我们刚刚介绍。介绍了这些Q以外的一些选股的择时Q。 也欢迎大家，就是。呃，联系我们去进行进一步的 进一步的交流。那以上是我今天分呃分享的这一块内容，接下来交给吴老师。嗯，各位先生的领导，大家晚上好，我是东吴新工团队的研究员吴艳锦。 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研究系列报告第四期，AI在奥斯西电区管理投研知识库的这样子内容。那这篇报告呢，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这个时代，千万不要陷入方法的焦虑，也不要说为了用AI而去用AI。那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。但是呢，这个时候新的问题也随之出现，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。 え。所以相当于说，AI能够帮助我们提高信息生产的效率。但肾脑信息生产的更多。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。所以今年四月的时候，在AI领域非常有名的这个卡帕西卡神啊。他重新提到了一个思路，就是去做一个wiki的知识库。它和我们比较熟悉的这个rag型的这种知识库还不太一样啊。 R A G rack这种知识库呢？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呢，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。而这件事情呢，又恰好跟我们去做研究的习惯，我们去做打标签啊。或者归类啊，这样的一些动作。 是非常契合的。而然而在这个前AI时代啊，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这个时代呢，这些工作都可以轻松地去交给AI去完成。这也是为什么我们会在这个时候去提出 obsidian 这个工具。这个工具又会在今年在这个卡神的带领下又火一次啊，因为它本身。 就是一个非常适合去承载 with MEETI 这个思路的工具。嗯。那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op c点呢，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哈，就首先一个。 是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呢，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了，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option它不太一样啊，它更像是一个建立在本地文件之上的这样的一个壳儿。所有的文件呢，仓库的底层呢，仍然是一个就普普通通的文件夹哈。里面存的是一个一个的mark down文件。 那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。那还是因为在A I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