朋友们，我是帮主郑重。站在2026年的起点，我相信很多朋友和我一样，面对着看似矛盾的市场信号： 一边是机构预警AI泡沫可能破灭、全球增长面临不确定性；另一边，是量子计算、脑机接口这些颠覆 性技术加速向我们驶来。大家心里可能都有一个问号：2026年，机会到底在哪？今天的钱，又该投向何 方？ 作为一位和资本市场打了20年交道的观察者，我的答案不是一份"致富代码清单"，而是几条相对清晰 的、值得用中长线眼光去审视和布局的核心主线。在我看来，2026年的投资机会，正蕴藏在这"新与 旧"、"实与虚"、"内与外"的几重转换之中。 第二，坚持"深度研究"，警惕"故事投资"。 无论是AI还是其他赛道，随着产业成熟，市场会越来越"精 明"。仅靠宏大叙事已经不够，订单、收入、利润、现金流这些硬指标的重要性会空前提升。深入理解 一家公司的商业模式和竞争壁垒，比追逐热点标签更重要。 第三，保持"长期主义"的耐心与"中场休息"的纪律。 中长线投资不是买了就一动不动，它需要我们在 看准的长期方向上保持耐心，陪伴优秀公司成长。同时，也要有在中场（比如估值阶段性过高时）适度 休息、控制风险的纪律，这样才能走得更远。 总而言之，2026年的画 ...

投资起点：选对投资“大类标尺” - 投资需要一个作为比较基准的“锚”或“大类标尺”，它决定了获利的基础概率和建立合理投资预期的前提 [5] - 以美股为例，标普500指数在过去40年的年化回报率约为11.8%，相当于85倍收益；道琼斯指数年化回报率为9.3%，相当于40年35倍收益，年化收益的轻微差异经长期复利放大后结果相差巨大 [6] - 若看最近10年，标普500年化收益率达15.3%，道琼斯指数为13.5%，若维持30年，则40年收益分别可达300倍和160倍 [6] - 在A股，上证指数从2000年初的约2000点，25年后中枢长期在3000点左右徘徊，若从2000点持有至今，指数仅翻倍，年化回报约2.8%，大部分时间跑输债券 [6] - 选择长期中枢回报更高的市场或指数，获得超额收益的难度更小，例如在A股内部，沪深300指数过往20年年化回报率7.9%，是上证指数同期表现的2倍还多 [7] 进阶投资：警惕“标尺”的统计陷阱 - 选择“大类标尺”后，需确保其准确性，避免被统计权重或口径变化等因素干扰，表面的公允统计指数或平均数可能误导投资者 [9] - 以中国房地产市场为例，全国房地产均价从3000多元涨至峰值近1万元，看似只涨两三倍，但上海淮海路附近住房售价从2000年的3000多元/平方米涨至约20多万元/平方米，涨幅近70倍，与全国均价差异悬殊 [10] - 第一类统计偏差来自“权重”变化：以上海为例，中心区成交量占比从以前的35%降至现在的2%，中心区高价盘成交被远郊大量低价盘稀释，导致整体“均价”涨幅被严重低估 [11] - 第二类统计偏差来自非市场定价干扰：例如新房“限价”政策导致官方定价（如18万/平米）远低于同区域二手房市场价格（25~30万/平米），这种非市场价格构成的“均价”缺乏统计意义 [12] - 投资者必须穿透数据迷雾，找到真实的“市场中枢”，确保对赛道的认知正确、客观，投资决策才有坚实基础 [12] 穿越投资：散户的优势——长期深研 - 绝大多数（可能超过95%）的券商和机构研究报告聚焦于企业短期变化和事件驱动型投资（如季度财报、政策调整、短期催化剂），机构凭借信息优势和交易速度优势在短期博弈中获利 [14] - 散户在信息获取、专业工具和交易速度上处于劣势，若遵循短期博弈逻辑是以己之短攻彼之长 [15] - 散户的优势在于时间深度和认知聚焦，可以做到极致的聚焦和深研（Deep Dive），而机构必须追求多元化配置和短期平衡 [16][17] - 以上海国金中心（IFC）项目为例，论证长期基本面穿透的重要性：2001年项目启动时，浦东写字楼市场空置率高达50%以上，但决策逻辑是忽略短期空置率，聚焦5-10年后的长期供求关系 [18] - 为研究需求，团队逐层走访上海全部42栋甲级写字楼，发现受益于WTO后的国际化浪潮，跨国企业、金融及高端服务业对顶级写字楼的需求正以每年15%至20%的速度爆发性增长 [18] - 为研究供应，团队对上海内环内一千余个街区进行实地勘察和评估，梳理每个地块的现状、可开发程度和预计入市时间，得出未来5-10年竞争项目的精确体量 [19] - 结合供求数据得出结论：高端写字楼需求快速激增，但小陆家嘴核心金融区可供出让土地极度稀缺，长期供需存在巨大结构性缺口，项目盈利有高度确定性，最终IFC项目取得巨大成功 [19] 总结：一个赛道，两种选择 - 投资者首先需选择赛道并合理配置，必须清楚不同赛道的长期真实“收益率”、风险和偏好，并据此安排投资方向和比例，这决定了未来投资的基础回报 [21] - 在选好赛道后，有两种主要策略选择 [22] - A策略：“泛化投资”——分散投资，长期持有，如果做不到或不想做深度研究，最好的办法是分散投资（如选择沪深300指数），通过合理资产配置平衡波动，长期持有以分享经济增长果实 [22] - B策略：“深度研究”——聚焦优势，深研致胜，如果希望获得战胜市场的“超额收益”，那么“长期深研”是散户需要掌握的方式 [23] - 以普通人的精力，花5年、10年去真正了解一家公司，一生也只能研究透10-20家公司，这是散户天然的限制，也是优势，机构需要广泛平衡，而个人可以极致聚焦 [23] - “深研”公司有门槛，但时间是投资者的朋友，经验和认知可以随时间精深，这也是散户在特定市场阶段中击败机构的根本原因 [23]

文章核心观点 - 东吴证券研究所在2015至2025年间，通过“机制+人才”双轮驱动和“产业研究+资本服务”的差异化路径，实现了从区域性研究部门到跻身全市场最佳研究机构前十的跨越式发展，研究业务已成为公司发展的重要引擎 [1] - 公司计划持续强化深度研究与市场定价核心能力，全力冲刺国内一流券商研究所的目标 [1] 发展历程与关键节点 - 2015年是公司高质量发展的关键节点之一，东吴证券研究所于当年正式开启卖方研究市场化转型 [2] - 转型背景包括公司完成上市后首次再融资，募资净额近50亿元，资本实力大幅提升，以及A股市场牛熊转换后研究需求激增 [2] - 2025年正值研究所卖方研究转型十周年，站在新起点，研究所将紧密围绕“十五五”规划重点方向，深耕产业链研究 [3][4] 经营业绩与市场表现 - 2024年公司实现营业收入115.34亿元，归母净利润23.66亿元 [5] - 2025年前三季度，公司实现营业收入72.74亿元，同比增长35.45%；归母净利润29.35亿元，同比增长60.23% [5] - 截至2025年三季度末，公司总资产达2169.59亿元，归属于母公司股东的权益达422.96亿元 [5] - 研究所分析师仅120人，但市场影响力不断提升，公募分仓佣金收入从2015年至2021年6年增长超过12倍 [4] - 2025年上半年，在全行业佣金收入同比降幅超30%（规模约为2021年的1/4）的背景下，研究所揽下分仓佣金收入1.34亿元，稳居行业前十五 [4] 研究实力与获奖情况 - 在2025证券时报最佳分析师评选中，研究所斩获最佳研究团队SSR（Superior Super Research）第七名 [1] - “最佳北交所公司研究团队”排名跃升至第三名，四大产业研究领域全部跻身前十 [1] - 细分赛道表现突出：蝉联“汽车和汽车零部件”行业研究榜首；在新能源和电力设备、传播与文化、环保、非银金融等领域稳居前三；宏观、机械、医药等行业成功跻身前五 [1] 战略定位与发展路径 - 公司以“坚持根据地、融入长三角、服务中小微”为战略导向 [6] - 研究所明确“立足苏州、服务长三角”的定位，发展与区域经济同频共振，并契合公司“服务新质生产力发展，助推‘五篇大文章’”的战略方向 [6] - 依托苏州电子信息、装备制造、生物医药、先进材料等产业优势，成功走出了“产业研究+资本服务”的差异化发展路径 [7] - 截至2025年12月17日，苏州共有境内外上市公司282家，其中境内A股227家，数量稳居全国前列，且重点聚集在上述四大优势产业 [7] 研究布局与产业协同 - 研究所已完成总量研究、大金融、上游能源、高端制造、大消费以及TMT等六大板块的全面布局，覆盖行业领域近30个 [9] - 汽车、电力设备新能源、传媒互联网、环保、医药、非银、宏观、机械、计算机、商社等多个行业的研究实力处于业内领先地位，这些优势领域与苏州本地支柱性产业高度契合 [9] - 研究所通过定期组织专题会议、举办“金鸡湖经济论坛”等高端产业活动，搭建地方政府、上市公司、产业园区、行业协会间的沟通平台，助力区域产业“走出去”并提升科创企业市场可见度 [7][8] - 研究所先后入选“江苏资本市场行业研究智库”第一批支持单位、成为社保基金签约券商，并获得新三板优秀服务机构等多项荣誉 [9] 未来展望 - 研究所将持续发挥资本与实业间的桥梁作用，依托专家智库、产业平台及长三角区域等独特优势，在产研联动中强化深度研究和市场定价能力，打造国内一流券商研究所 [10][11]

文章核心观点 - 互联网搜索正经历从为人类优化到为AI智能体（Agent）重构的根本性转变，这催生了一个全新的、多样化的AI原生搜索基础设施和服务市场 [3][5][6] - 与1990年代由少数独立产品主导的搜索竞争不同，当前的AI搜索竞争主要由提供API服务的供应商驱动，这些供应商能够快速整合前沿技术，并深度嵌入面向用户的产品中 [3][6][14] - 深度研究（Agentic Research）被认为是AI搜索最具主导性和货币化潜力的形式，客户已表现出为高质量研究结果付费的意愿 [5][18] - 构建和维护网络索引的高成本与复杂性，使得大多数企业倾向于依赖第三方搜索API服务商，而非自建基础设施 [7] - 最终目标是构建一个平衡成本、准确性和性能的AI原生搜索层，能够为智能体提供信息密度高、时效性可控的核心信息片段 [3][9] AI搜索的演进与架构转变 - 早期LLM（如2023年的ChatGPT）因未联网导致信息过时或幻觉，催生了通过检索增强模型能力的需求 [10] - GPT Researcher（一个拥有超过20,000个GitHub星标的开源项目）定义了“为推理而检索”的新范式，成为深度研究工具的原型 [10][11] - 两大关键架构转变推动了AI搜索的实现：检索增强生成（RAG）为模型提供实时信息访问；测试时计算（TTC）允许模型在推理中分配更多计算资源以改进答案 [11] - 这些转变使搜索从静态的实用程序演变为一种交互式的智能形式 [11] - 微软关闭公共必应搜索API并引导开发者转向付费的“Agent构建器”，象征了从传统索引搜索向AI工作流集成搜索的转变 [12] 当前竞争格局与市场参与者 - 当前AI搜索市场参与者可分为两类：同时提供消费者产品和API服务的公司（如Perplexity、Exa），以及专注于API服务的公司（如Parallel、Tavily） [14] - 大多数AI搜索产品都向API平台产品靠拢，通过单一集成提供搜索、爬取、信息提取和深度研究等功能 [15] - 也出现了更面向消费者的新产品，如ChatGPT的深度研究功能、Exa Websets，它们权衡了易用性与灵活性 [16] - 客户通过结果质量、API性能和成本来评估供应商，测试方法从非正式实验到精心设计的内部基准不等，有些公司会同时使用多个供应商以提高覆盖或性能 [16] - 行业早期产品差异有限，竞争主要集中在速度、定价和易集成性，但形势正在迅速变化，部分团队开始在深度研究等领域形成差异化 [22] 核心技术方法与基础设施 - 为AI构建网络索引需要不同于传统搜索引擎的AI原生架构，应聚焦于提取核心信息片段，并精细控制长度与实时性 [3] - 各公司在索引构建上采取不同方法：例如Exa采取基础设施密集型方法，部署了144块H200 GPU并维护大规模URL队列；Parallel则维护为AI Agent优化的大规模索引，每天添加数百万页面 [8] - 另一些公司如Tavily和Valyu，选择以更节省计算的方式抓取网页，但采用强化学习模型来判断页面重新抓取的频率 [8] - 构建高质量网络索引是一项计算成本高昂的壮举，涉及对PB级别数据的排序 [8] 主要应用场景与用例 - **深度研究**：Agent进行多步骤、开放式研究的能力，可在几分钟内完成人类数小时的任务，是搜索API最引人注目的用例之一 [17] - OpenAI的BrowseComp基准显示，人类专家在两小时内仅能正确解决其25%的问题，凸显了AI在此领域的价值 [18] - **CRM线索富集**：自动查找和拼接来自不同来源的人员或公司数据，并可定期更新，将耗时的手动过程自动化 [19] - **技术文档/代码搜索**：为编码Agent提供对实时、最新的代码示例和文档的访问，确保生成代码的准确性和质量 [20] - **主动、个性化的推荐**：利用实时网络数据，为应用程序和Agent提供基于用户背景和偏好的个性化实时推荐 [21] 市场展望与影响 - 本次变革可能催生众多在不同维度和领域蓬勃发展的搜索服务商，而非像过去一样形成少数巨头垄断的局面 [3] - 让搜索对AI智能体更容易访问，也间接使其对人类更容易访问，有助于改善被广告和SEO内容充斥的传统搜索体验 [23] - 随着搜索成为AI工作流程中的原生层，正在涌现出新的、更引人注目的用例 [20] - 供应商在索引方法上的不同权衡，预计将随时间推移演变为更大的差异化，这是值得关注的领域 [22]

公司产品与技术 - 秘塔AI搜索是国内最早由创业团队上线的AI搜索产品 [1] - 产品在知识的索引、整理及输出上保持优异体验 得益于团队的计算机和法律从业背景 [1] - 公司推出「深度研究」模式 该模式试图打开搜索规划算法的「黑箱」 在分析搜索过程中呈现动态「问题链」 使复杂问题的研究过程清晰可见 [4] 行业合作与技术整合 - 公司与MiniMax Speech合作 在新产品「今天学点啥」中应用其技术 使「塔子老师」的知识讲解拥有悦耳自然的声线 [2] - 公司在MiniMax M2模型开源后第一时间试用并部署 [2] - 公司深度研究模式背后有MiniMax M2模型提供的推理能力以及强大的交错思维链能力支持 [3] - MiniMax M2是一款专为顶尖Coding和Agentic能力而生的模型 致力于在提供优秀性能的同时提供最优价格 [4]

全球AI使用现状 - 全球约10%人口每周使用AI工具，其中绝大多数使用免费版本 [1] 主要AI系统提供商 - 四大最先进AI系统包括Anthropic的Claude、谷歌的Gemini、OpenAI的ChatGPT和埃隆·马斯克xAI旗下的Grok [3] - 第二梯队开放权重AI包括中国的Deepseek、Kimi、Z和Qwen，以及法国的Mistral，这些模型变体占据AI评级系统前35名 [3] - Microsoft Copilot和Perplexity等服务基于上述九个核心AI系统构建 [3] 付费AI服务定价策略 - 高级AI服务月费分为20美元和200美元两档，20美元档满足绝大多数需求，200美元档针对复杂技术和编码需求用户 [6] - 公司正在全球某些地区试验其他定价模式 [6] 付费AI系统功能对比 - 主要付费系统(Claude、Gemini、ChatGPT)均提供智能体能力、语音模式、图像文档处理、代码执行、移动应用和多模态创作功能 [7] - Claude目前缺少图像生成能力，Gemini和ChatGPT具备图像视频生成功能 [7][20] - Grok适合X平台重度用户，但产品安全透明度较低 [7] - Microsoft Copilot通过Windows系统提供ChatGPT功能，但用户对模型控制力较弱 [7] AI模型技术分级 - 聊天模型适合对话场景，响应迅速且具人情味 [9] - 智能体模型可自主执行多步骤复杂任务(网页搜索、代码使用、文档制作)，出错概率更低 [9] - 巫师模型用于处理非常复杂的学术任务 [9] 各厂商模型选择策略 - ChatGPT提供从GPT-5 mini到GPT-5 Pro的多层级模型，付费用户可手动选择GPT-5 Thinking Extended(20美元套餐)或GPT-5 Thinking Heavy(200美元套餐) [11] - Gemini提供Gemini 2.5 Flash和Gemini 2.5 Pro两个选项，Ultra套餐用户可使用Gemini Deep Think [13] - Claude采用简化模型选择策略，主要使用Sonnet 4.5处理任务，提供"扩展思考"选项用于难题处理 [14] 数据隐私与功能权衡 - 关闭ChatGPT和Claude的训练功能不会损失功用，但Gemini会牺牲部分功能 [15] AI深度研究能力 - 深度研究模式可进行10-15分钟广泛网络研究，生成高质量报告 [16] - GPT-5 Thinking具备自主研究能力，Claude提供"中度研究"选项 [16] 数据整合能力 - AI系统支持连接Gmail到SharePoint等多种应用，Claude在整合搜索电子邮件、日历和云盘方面表现突出 [18] 多模态输入功能 - Gemini和ChatGPT在语音模式方面表现最佳，Claude语音功能相对较弱 [19] - 所有模型支持PDF、图片和视频上传，ChatGPT和Gemini的App版本支持屏幕共享和摄像头实时交互 [19] 内容创作能力 - Claude和ChatGPT可生成高质量PowerPoint和Excel文件，Claude目前在文档格式处理方面领先 [20] - Gemini拥有最强AI图像生成模型，Gemini和OpenAI具备视频生成能力(Veo 3.1和Sora 2) [20] - Sora 2定位社交媒体应用，Veo 3.1用途更广泛，生成视频均带声音 [20] 技术发展轨迹 - AI图像生成能力显著提升，从2021年生成扭曲图像发展到目前可制作多种风格的高质量视频 [21][23] 行业应用趋势 - AI系统正从基础对话向复杂任务执行演进，用户逐渐探索AI在报告撰写、问题解决和项目管理等方面的应用场景 [24] - 建立对AI系统能力和局限的直觉比掌握具体操作技巧更为重要 [24]

公司规模与业绩表现 - 截至2025年三季度末，公司总管理规模超3000亿元，公募管理规模近1100亿元，公募非货规模持续居券商资管行业前列 [3] - 公司近7年权益类基金绝对收益率达156.69%，在118家基金管理人中排名前20%（第24位） [3] - 公司权益公募基金规模从最初的7亿元增长到超170亿元（截至2025年三季度） [4] 投研团队建设 - 公司当前权益投研团队约40人，其中权益研究员20余人 [4] - 权益基金经理和投资经理平均证券从业年限超14年，证券从业经验超15年的有6位，另有2位在10-15年之间 [5] - 近20位权益研究员平均从业年限近7年，其中4位从业超10年，多数处于5-10年成熟期，另有5位后备力量 [6] 投研理念与架构 - 公司于2019年提出“深度研究、价值投资、绝对收益、长线考核”的十六字投研理念 [4] - 权益团队细分为权益公募投资一部、二部、权益私募投资部和权益研究部四大部门，各部门负责人均由资深基金经理掌舵 [8] - 权益研究部按科技、消费、制造、医药、周期等核心领域分组，实现了31个申万一级行业的全覆盖 [10][12] 投资策略与特色 - 公司核心目标是聚焦长期相对低波动下的复合绝对回报，不追逐短期热点 [13] - 投资决策基于扎实的产业基本面深度研究，挖掘企业内在价值 [13] - 公司通过长线考核机制，加大长周期收益在考核中的权重，减少短期业绩压力对投资的干扰 [15] 业务发展历程 - 公司前身为财通证券资产管理部，于2014年12月成为独立子公司，成立之初仅有的两只集合产品均为权益类 [4] - 2015年底公司获批公募管理人资格，为权益产品布局提速打下基础 [4] - 公司通过“内部培养+外部引进”双管齐下，补齐了港股及海外市场的研究拼图，并强化了主流赛道的深度研究能力 [12]

文章核心观点 - 科技创新在多个领域出现爆发式突破 包括创新药 人工智能和无人驾驶 正深刻改变生活方式和资本市场表现 [1] - 科技股投资具有高增长和高波动的双重特性 只有极少数公司能实现长期持续高增长 需要深度产业研究而非线性外推 [1][2] - 财通资管科技投研团队通过产业沉浸式研究 前瞻性布局和平台化投研体系 在科技投资领域取得显著超额收益 [3][4][6] 科技创新投资特性 - 科技创新并非新现象 100多年前的铁路 电话和电视都曾是高增长科技股 但能连续10年保持25%以上增速的企业极少 [1] - 科技股投资存在无限想象空间与无法预测的未知风险并存的特点 既让人神往又让人望而生畏 [1] - 科技行业多变 需要持续关注技术迭代 竞争格局和经营周期变化 通过深度产业研究才能捕捉变化背后的机会 [2] 财通资管科技产品业绩表现 - 包斆文管理的财通资管科技创新一年持有混合近三年业绩排名前1%（22/2467） 获三年期五星评级 [3] - 财通资管数字经济混合发起式近两年业绩排名前5%（133/3165） 财通资管创新成长混合近一年业绩排名前5%（157/3751） [3] - 李晶管理的财通资管产业优选混合发起式2025年上半年收益6.47% 超额收益6.35% 徐竞择管理的财通资管先进制造混合发起式同期收益30.46% 超额收益28.08% [3] 产业沉浸式研究方法论 - 科技投资需避免"盲人摸象" 不能仅根据新产品人气进行线性外推 关键要看是否真正满足客户需求 [6] - 企业盈利变化通常滞后 必须走在盈利变化之前 提高研究前瞻性和预判性 需基于全局视角的深层次产业理解 [6] - 财通资管权益投研理念强调"深度研究 价值投资 绝对收益 长线考核" 从产业及个股基本面出发进行深度研究 [6] 基金经理投资风格与案例 - 包斆文擅长结合微观细节和宏观背景 找到中观产业脉络 注重政策研判与产业验证 倾向左侧布局低渗透率高景气行业 [7] - 李晶通过"拼图游戏"构建科技产业全景图 制订产业坐标系 偏好中上游通用型环节公司 认为其有更好投资胜率和可验证性 [8][10] - 徐竞择偏好先进制造领域 专注创新成长和景气周期阶段 强调真实用户需求 较早布局智能机器人和AI应用（智能驾驶） [10][11] AI投资成功案例 - 2023年财通资管科技团队坚定看好AI驱动的算力 光模块等领域 尽管年底市场担忧资本开支放缓 团队判断AI将是强产业趋势 [11] - 2024年一季度财报季验证海外巨头对AI投入决心空前 资本开支放缓担忧不攻自破 旗下产品在随之而来的上涨行情中收获颇丰 [12] - 投资决策基于对产业趋势的预判而非单纯公司经营状况 跟随大产业趋势进行投资 [12] 投研融合体系 - 管理规模变大后进入研究驱动投资阶段 研究对投资助力在多变科技行业中尤为明显 [14] - 投研融合基础在于双向互动和彼此信任 研究端需"守土有责" 投资端需充分信任和沟通 实现思想同频共振 [15] - 研究员具有独立性 需在专业细分领域比基金经理研究更细致深入 确保团队在各领域没有明显短板 [15] 团队结构与考核机制 - 3位科技成长风格基金经理平均司龄超7年 证券从业年限平均13年 TMT研究员平均司龄近4年 从业年限超6年 [15] - 研究员推荐股票时很审慎 只有高置信度股票才会重点推荐 而非广撒网 [16] - 研究员晋升投资岗位前两年需承担带教工作 考核中研究工作占比较高 逐年降低直至新人具备独立覆盖能力 [17] 制度与资源分配 - 基金经理持仓需有一定比例来自研究员推荐 重点库与推荐股票需有重合度并纳入考核 [18] - 每个基金经理获得的研究资源平等 与管理产品规模大小无关 确保小规模产品也能获得同等研究支持 [18] - 研究员成果面向所有投资经理 跟踪变化信息需与整个团队共享 研究团队已实现31个申万一级行业全覆盖 [19] 公司文化与团队建设 - 公司文化强调"包容"和"共享" 投研人员人际关系简单 有竞争也有合作 懂得彼此成就 [22][23] - 投资风格在共同理念下适度多元 3位科技基金经理分别侧重成长风格 价值成长风格和成长投资 但都从个股基本面出发 [24] - 对研究员考核主要看实盘贡献 但也兼顾勤奋度和专业度等过程指标 避免唯结果论 [25] 平台化投研体系 - 新时代经济增长范式下科技股投资变得比任何时候都重要 是经济增长最重要的要素 [28] - 资管行业步入平台化时代 需通过打造完善投研体系形成平台化投资护城河 涵盖文化 人才 资源 考核和产品等多方面 [28] - 强大投研平台和体系是基金经理生命力的保障 能保持活力而非依赖个体明星基金经理 [29]

秘塔AI搜索新功能DeepResearch 核心功能升级 - 秘塔AI搜索推出"深度研究"(DeepResearch)功能，取代原有的简洁/深入/研究三种模式，提供更专业的分析能力[5][6][7] - 功能设计具有游戏化交互体验，通过可视化界面展示AI的思考过程，包括token消耗量(324911)、信源数量(540)、调研时间(8.1分钟)等实时数据[23][25][43] - 采用多链式问题分析框架，将复杂问题拆解为可追踪的节点网络，明确标注结论待完善/检索中/需验证等状态[34][35][45] 行业应用案例 - 外卖行业分析： - 准确识别京东/美团/淘宝外卖大战本质为"高频打低频"的战略对抗，美团通过高频业务切入电商低频市场形成降维打击[54][55] - 生成超万字深度报告，包含四大章节的纵向(10年行业发展)与横向(三家公司对比)分析，严格遵循用户提出的横纵分析法[16][18][53] - 网红现象研究： - 仅凭"红姐"关键词自动关联抖音/B站/微博内容，分析TOP10二创视频完播率，输出包含10个网络梗的万字报告[76][80][86] - 展示完整信息溯源路径，包括视频链接跳转、原文悬浮窗预览等交互功能[46][49][61] 产品差异化优势 - 报告质量达到OpenAI DeepResearch水平，但免费用户每日可获得100搜索额度(每次消耗20-30额度)，付费用户年费179元享500额度/日[68][70] - 独创互动研究报告生成功能，自动将长文本转化为可视化网页，支持用户自定义信源偏好管理[63][64][67] - 严格区分浅度/深度研究模式，坚持功能成熟度达标后才正式推出，报告长度控制在1万字上限[94][97] 技术实现特点 - 突破传统AI黑箱模式，通过神经网络式节点连线展示信息关联过程，支持全屏模式下的细节追溯[41][42][45] - 信源处理能力覆盖文字/视频等多模态内容，右侧信息栏可直接跳转原始材料或调用讲解功能[61][49] - 语义理解精准度极高，能根据模糊指令(如"红姐")自动扩展搜索维度，避免误判关键信息[77][80]

深度研究系统生态现状 - 2025年AI Agent探索浪潮中，"深度研究"类产品成为最早成功落地的领域之一，谷歌、OpenAI、Anthropic等巨头已推出商业竞品，开源社区涌现80+团队参与[1] - 当前生态呈现显著差异化，竞争焦点转向系统架构、工程优化与应用场景适配度的综合比拼[1] - 评估体系从通用基准转向高度专业化测评，"适合与否"取代"好坏"判断[2] 技术实现与核心能力 核心技术差异 - 基础模型与推理效率：OpenAI/DeepResearch等商业系统依托专有大模型在上下文长度和复杂推理占优，Perplexity/DeepResearch通过优化开源模型实现竞争力[4] - 工具集成适应性：AutoGLM等构建全能平台，Nanobrowser专注网页交互，n8n擅长API集成与工作流自动化[5] - 任务规划稳定性：OpenAI/AgentsSDK长于层级化任务分解，Agent-RL/ReSearch利用强化学习提升鲁棒性，smolagents通过多智能体协作提升并行效率[5] 架构选型趋势 - 单体式架构（如OpenAI/DeepResearch）保证推理连贯性但扩展性受限[12] - 多智能体架构（如smolagents）实现功能专业化与并行处理，需解决协调一致性挑战[13] - 混合架构（如Perplexity/DeepResearch）结合多智能体并行搜集与中央推理核心，灵活性最高但实现复杂[13] 应用场景适配 - 学术研究：OpenAI/DeepResearch和Perplexity/DeepResearch在引用严谨性、方法论分析上表现突出[8] - 企业决策：Gemini/DeepResearch和Manus凭借数据整合与分析框架优势明显[8] - 个人知识管理：Open-Manus等开源方案在隐私保护、本地部署方面占优[8] 评估体系演进 - 专业化基准涌现：AAAR-1.0（150项多领域任务）、DSBench（20项数据科学任务）、TPBench（理论物理推理）等[9][11] - 多模态评估兴起：MMSci（研究生级多模态科学问答）、GMAI-MMBench（医学多模态）[10] - 功能评估三维度：任务完成能力（WebArena基准）、信息检索质量（F1分数）、知识综合准确性（TruthfulQA基准）[17][18] 未来技术方向 推理架构突破 - 上下文窗口限制：通过信息压缩（OpenAI分层处理）和外部记忆架构（Camel-AI的OWL系统）解决[23][24] - 混合推理模式：神经网络-符号集成架构实现创造性联想与形式化验证切换[25] - 动态知识图谱：HKUDS/Auto-Deep-Research系统实现知识双向演化[26] 因果与不确定性 - 因果推理三层能力：因果图构建、效应量化、结构化分析框架[28] - 干预建模技术：Agent-RL/ReSearch展示反事实推理潜力[28][29] - 多维不确定性建模：Perplexity/DeepResearch区分源不确定性与集成不确定性[30]