广发证券认为AI投研的核心在于能否最大化还原真实投研生产链路，策略团队系统性阐述了AI投研系统的构建逻辑与进阶优化路径，为业内提供了一套从底层原理到工程实践的完整框架。
8月28日，广发证券刘晨明团队发表报告，指出主观研究员和基金经理的核心工作流是捕捉信息差、形成认知差，并最终转化为研究观点或投资决策。
AI投研系统的设计应以此为第一性原则，在信息摄入层和经验加工层两个核心环节发力。前者负责提升投研语料的广度、质量与即时性，后者负责将真实投研体系沉淀为可复用的Skill，借助AI工程学思想落地执行。
报告同时点名了当前两类低效实践：一是将主观投研"金工化"，丧失信息差与认知差提炼这一超额收益来源；二是单一环节机构尝试打通全链路，既削弱分工优势，又产生隐私泄露风险。报告认为，上述方向均与现代金融产业的分工原则相悖。
Agent基座：Harness工程是核心变量广发证券报告指出，随着主流大模型能力趋于同质化，选择Agent基座的本质，是对Harness（驾驭工程）的权衡——即在不修改模型权重的前提下，如何设计外部运行环境以提升复杂任务的执行稳定性。
报告从当代大模型的三个原生技术缺陷切入。
其一是上下文衰减：Prompt输入越长，模型回答质量越差，标准Transformer的全注意力计算复杂度随序列长度呈O(n²)增长，实际有效上下文窗口往往显著小于标称窗口。
其二是输入扰动敏感：Prompt中的微小语义无关改动，会因Token序列分布变化引发输出质量显著偏移，且自回归循环会不断放大该问题。
其三是输出非确定性：相同Prompt两次发送，输出几乎不会相同，根因在于Decoder-Only架构的Token概率抽样机制。
在路径选择上，报告将Agent基座分为两类：一体化产品（如Claude Code、WorkBuddy等）和开源架构（如OpenClaw、Hermes等）。
前者Harness由厂商预调校，易用性强，经轻度优化后可胜任大部分轻量投研任务；后者Harness由用户侧全局自定义，上手难度极高，但合理优化后性能上限显著更高，能实现对Harness和LLM Query的绝对微观控制。
报告给出的最佳实践是：开源架构Agent负责具体生产场景，一体化Agent产品负责项目维护，最大化发挥两者的原生禀赋。前者深度适配投研场景，承接深度研报、选股策略等复杂长程任务；后者补齐开源架构Agent在自我诊断修正、自迭代方面的短板。
多代理矩阵：分步加载破解上下文积压针对上下文衰减这一核心痛点，报告提出了分步加载与多代理（Multi-Agent）矩阵的解决方案，其底层逻辑是将复杂长程任务拆分为多个独立的"最小高信号集合"子模块，分步独立执行，避免无关上下文干扰特定环节的执行效果。
报告根据二级市场真实投研场景，设计了最小Multi-Agent矩阵，包含三个角色：实习生、分析师和投资总监。三者职责清晰分层：
实习生负责调用API或MCP接口查询数据、初步清洗并输出标准化信息卡；分析师负责调用专业投研Skill完成细分领域内容创作，将章节性结论落盘为本地快照；投资总监负责理解用户意图、拆分任务、规划调度，统筹子实例的内容产出。这一架构的目标是确保数据取数、清洗和无关资料，不会显著影响最终交付产物的质量。
报告指出，该思路同样适用于一体化Agent的工作流设计，在任务流程沉淀为可复用工作流时，可明确要求"最大化实现任务拆分和分步加载，避免上下文堆积"。
Skill体系：分析弹性与工程精度的结合Skill（技能）是广发证券报告着力阐述的另一核心模块，指的是可被Agent按需动态加载的文件夹，包含指令、脚本、资源等内容。其设计采用三阶段渐进式披露思想：
元数据常驻Context供Agent判断是否激活；指令主体在激活时挂载，本质是任务路由；项目资源则在路由激活后按需加载。报告通过两个典型案例说明Skill的工程价值。
案例一是投研数据网关Skill，其工程痛点在于，单一Agent配置多个API或MCP时，Tool Schema常驻上下文会造成注意力漂移和工具调用干扰。
优化方案是引入CodeAct思想，对Agent只暴露单一函数签名，由适配层脚本统一管理所有数据需求，确保取数流程不占用LLM注意力。
案例二是组合业绩归因Skill，其工程痛点在于，将个股涨跌幅数据直接发给LLM分析，会因模型输出不确定性导致定量结果存在随机差异。
优化方案是引入数学抽象层，将归因问题转化为Barra CNE10因子模型的数学求解，LLM仅负责自然语言与结构化参数之间的转译，不参与实际运算，从而消除输出随机性。
私域RAG知识库：信息差是α的理论根源报告在信息摄入层的核心结论是：私域RAG向量知识库优于LLM-Wiki，且是投研场景的理论最优解。
报告首先从有效市场假说（EMH）出发，论证了私域知识库的必要性。
基于Fama、Grossman-Stiglitz等经典框架，报告指出A股市场呈现明显的结构性有效特征：覆盖不足标的（小微市值、分析师覆盖0-2家以内）存在显著的公告后价格漂移（PEAD），弱式有效假说直接被拒绝。
中等覆盖标的则对公开信息的解读速度差异仍能带来超额收益。由此推论，私域信息（调研、反路演、个人经验等）对投研框架具有实质性的α强化价值。
在路径选择上，报告指出LLM-Wiki存在无解的先天缺陷。一是随着语料规模膨胀，Schema颗粒度难以维持全局最优；二是数据膨胀会持续触发上下文衰减，在复杂任务中LLM有效上下文窗口仅为标称的20%至30%。
报告实测显示，专业投资者合格信息摄入量约为50至70万字/日，持续运营两个月以上后LLM-Wiki的Schema管理问题将显著恶化。
在RAG的投研场景优化上，报告提出两个关键环节。
数据预处理侧，图片和文字均可通过纯算法高效去重，PDF和图片通过VLM解析精度高于OCR方案，切片策略上结构化压缩后完整机械切片的效果优于父子切片、语义切片等特殊方案。
用户查询侧，报告建议采用意图识别与Query改写机制，预设各研究方向最优关键词供Agent补齐；实测显示，该思路效果优于任何形式的知识图谱调优。
远期思考：AI能力将重塑从业者基本功与卖方展业形式报告最后从二级金融机构角度提出了若干前瞻性判断。
在从业者能力层面，报告认为"KYA（Know Your AI）"的重要性将持续上升——进阶性AI工作流有望继经济学思想、财务分析、办公软件操作之后，成为从业者第四大必备基本功。
与此同时，对AI原理的微观理解也将重塑从业者对AI产业中长期逻辑的认知，例如杰文斯悖论在用户侧多级模型路由场景下的呈现，可能对闭源模型厂商和云服务提供商（CSP）的ROIC假设产生影响。
在卖方研究所展业形式上，报告判断行业或将经历一轮MCP化变革，研究观点、数据和活动更新将能更高效、更广泛地触达机构客户。
报告同时提示，AI技术发展及应用效果不及预期、大模型底层技术范式颠覆性变化，以及数据安全与监管政策变化，均构成上述框架的主要风险来源。
风险提示及免责条款 市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。融丰配资提示：文章来自网络，不代表本站观点。
