AI投研方法论：从Skill 1.0到Skill 3.0，Skill架构的进化

AI投研方法论演进：从Skill 1.0到Skill 3.0

核心观点

• Skill化关键：易理解、可复用的框架是投研能力Skill化的关键，确保人才看得懂、能核实、能交流，并实现能力的组合与进化。
• Skill演进阶段：从Skill 1.0到Skill 3.0代表着投研能力框架的演进方向，核心是能力从“固定死”走向“可拆分”，再到“可训练”。

Skill 1.0：固定的能力

• 特点：整体封装，一套流程装进一个Skill，如财务分析Skill的14个子Agent流水线。
• 局限性：必须刚好适配才能直接使用，不灵活，难以修改和扩展，不利于研究能力的进化和白箱化。

Skill 2.0：拆分与组合能力

• 核心：将能力拆成数据、逻辑、判断三层，按需匹配不同零部件。
• 优势：
  • 可拆分、可复用：数据层可扩充、逻辑层可单独修改。
  • 中间件零部件：一次封装，开放复用，如信用利差数据库、城投数据库等。
  • 能力组合：拼装零部件形成解决问题链条，如使用流动性、机构行为、信用利差传导链复盘信用债市场。
• 局限性：分析框架仍依赖于给定的零部件，缺乏个性化。

Skill 3.0：把使用变成训练

• 核心：在2.0基础上，加入Skill训练框架，把使用变成训练，让每位买方老师的框架不断迭代演进。
• 买方Skill化复杂性：大量经验与框架未公开，需通过自然语言对话实现复现。
• 训练架构Skill提供：
  • 所需取数方式。
  • 市场上已有的成熟逻辑框架。
  • 一套Skill训练架构，如对话式定制引擎。
• 已实践五大训练框架：如国债期货技术分析训练Skill。
• 标杆应用：记忆Skill
  • 功能：跨Agent、管理本地所有知识。
  • 效率实测：一次召回616条工作片段，耗时2分钟，成本仅为云服务的1/100。
  • 真实案例：一句话续推一个多月前的复杂工作，高效找回并继续推进。

统一框架的价值

• 统一框架：数据→逻辑→判断，便于理解、核实、交流和进化。
• 组织AI化升级：个体Skill可解释，便于在组织层面交流和沉淀，形成每个人的系统。

风险提示

• Skill定义完备性不足。
• 数据源口径变更或更新滞后。
• AI辅助分析存在偏差。
• 方法论适用性因机构和市场环境而异。
• 记忆机制依赖本地数据资产。