报告行业投资评级 - 报告未明确给出行业投资评级 报告核心观点 - AI正深刻改变传统投研范式，但当下存在三重阻碍：真实需求与清晰表达之间的鸿沟、技术能力与产品化之间尚未打通、合规信息安全和效率平衡 [2] - AI投研的远期目标是通过特定框架下AI自动化运行返回可靠且有效的投资建议 [2][5] - AI真正的价值是赋能放大研究员与基金经理的元认知，而非替代其判断 [2] - AI时代本质上是元认知的放大，前提是人能把自己的认知外化 [3] 行业现状：AI使用深度不一，三大阻碍制约投研应用 AI投研使用现状 - AI使用情况因人而异，技术力较高者更容易担心AI替代研究员 [8] - 人的精力/带宽是AI使用的重要制约因素，而非意愿 [12] - 主动和量化投资经理正试图朝对方靠拢，但两种路径的基础注定了合不拢 [15][16] 行业存在的普遍阻碍 - 潜在需求与清晰表达之间存在障碍，本质是需求对自身明确但无法清晰表达 [18] - 技术和产品化之间的障碍，即使需求能被清晰表达，市面上也未必存在能直接承接的成品工具 [20] - 合规、信息安全与效率之间的平衡，合规问题聚焦于信息准确性与可复现性上 [30][31] 投资视角：AI投研的目标是产出有价值的投资结论 现有投研AI工具的分类 - 投研AI工具可从技术复杂度（对话框模式、智能体模式、AI框架模式）和产品形态（IDE、垂直目标工具、集成工具平台）两个维度分类 [34] - 外采工具面临根本性矛盾：标准化程度越高，“军备竞赛”效应越强 [35] 信息->处理->输出三环拆解投研流程 - 投研流程可分为三环：信息、处理、输出 [37] - 整个流程符合木桶原理，某一环的短板会拖累整体质量 [38] - 处理端的需求对大部分人更迫切 [38] - 避免“毒树之果”问题，信息才是基础设施 [39] 技术视角：如何解决数据准确性、推理黑盒和深度研究问题 投研痛点一：数据可靠性 - 数据可靠性是第一位的，但单纯的Skill无法解决AI幻觉问题 [45] - 通过预先提取的方式，确保定量数据和主要关系的准确性，LLM只专注于解决非结构化信息 [47] - 以鲟龙科技为例，在招股书梳理前先提取了1000条关键数据，包含三张表、量价经营数据、产能数据等 [48] 投研痛点二：黑盒问题 - 黑盒问题表现为三个递进层次：推理路径不可见、输出不可复现、问题不可归因 [50] - AI直接给出的投资结论不可靠，因为大语言模型是通过语言预测来模拟推理的系统，而非通过数值计算来执行模型的系统 [55] - 解决方案：多Agent交叉验证+蜜罐检测 [61][62] 投研痛点三：深度研究能力 - AI的默认能力是信息整理，而非深度研究 [67] - 深度研究的价值在于认知增量的密度 [67] - 行业规模测算是该问题最典型的缩影 [68] - 解法是给AI的认知建模：将资深研究员脑中的认知模型转化为可执行的框架 [69] 产品视角：技术服务于投研的落地 解决单纯Skill无法解决的更复杂问题 - Skill简单上手但具有技术局限性，无法解决太过复杂的问题 [74] - 设计了完整产品以确保对信息、处理和输出三环流程的落地 [74] AI研究员 - AI研究员解决深度研究的核心瓶颈，可如同人类研究员一样深入研究行业或个股 [77] - AI研究员结合了基本面和技术面分析从而输出投资结论 [80] - 可调优性而非初始性能才是AI应用设计的核心命题 [82] - AI的自我迭代：从写提示词到写Skill文件，再到教给AI如何学习 [84] “活”知识库 - “活”知识库用于储存非结构化信息并解决黑盒问题 [88] - 采用多层次知识库架构，将SQL、RAG系统、LLM Wiki等形成优势互补 [93][94] - 知识库思考执行流程全透明，确保辅助研究的准确度 [92] 投研专用框架Harness+Agent - 开发了投研领域专用的Harness，参考了现实组织架构的特点 [76] - Harness+Agent框架在未来是必须的，已初步应用于Skill的生产与校验 [76]