廣發證券認為AI投研的核心在於能否最大化還原真實投研生產鏈路，策略團隊系統性闡述了AI投研系統的構建邏輯與進階優化路徑，為業內提供了一套從底層原理到工程實踐的完整框架。
8月28日，廣發證券劉晨明團隊發表報告，指出主觀研究員和基金經理的核心工作流是捕捉信息差、形成認知差，並最終轉化為研究觀點或投資決策。
AI投研系統的設計應以此為第一性原則，在信息攝入層和經驗加工層兩個核心環節發力。前者負責提升投研語料的廣度、質量與即時性，後者負責將真實投研體系沉澱為可複用的Skill，藉助AI工程學思想落地執行。
報告同時點名了當前兩類低效實踐：一是將主觀投研"金工化"，喪失信息差與認知差提煉這一超額收益來源；二是單一環節機構嘗試打通全鏈路，既削弱分工優勢，又產生隱私泄露風險。報告認為，上述方向均與現代金融產業的分工原則相悖。
Agent基座：Harness工程是核心變量
廣發證券報告指出，隨着主流大模型能力趨於同質化，選擇Agent基座的本質，是對Harness（駕馭工程）的權衡——即在不修改模型權重的前提下，如何設計外部運行環境以提升複雜任務的執行穩定性。
報告從當代大模型的三個原生技術缺陷切入。
其一是上下文衰減：Prompt輸入越長，模型回答質量越差，標準Transformer的全注意力計算複雜度隨序列長度呈O(n²)增長，實際有效上下文窗口往往顯著小於標稱窗口。
其二是輸入擾動敏感：Prompt中的微小語義無關改動，會因Token序列分佈變化引發輸出質量顯著偏移，且自迴歸循環會不斷放大該問題。
其三是輸出非確定性：相同Prompt兩次發送，輸出幾乎不會相同，根因在於Decoder-Only架構的Token概率抽樣機制。
在路徑選擇上，報告將Agent基座分為兩類：一體化產品（如Claude Code、WorkBuddy等）和開源架構（如OpenClaw、Hermes等）。
前者Harness由廠商預調校，易用性強，經輕度優化後可勝任大部分輕量投研任務；後者Harness由用戶側全局自定義，上手難度極高，但合理優化後性能上限顯著更高，能實現對Harness和LLM Query的絕對微觀控制。
報告給出的最佳實踐是：開源架構Agent負責具體生產場景，一體化Agent產品負責項目維護，最大化發揮兩者的原生稟賦。前者深度適配投研場景，承接深度研報、選股策略等複雜長程任務；後者補齊開源架構Agent在自我診斷修正、自迭代方面的短板。
多代理矩陣：分步加載破解上下文積壓
針對上下文衰減這一核心痛點，報告提出了分步加載與多代理（Multi-Agent）矩陣的解決方案，其底層邏輯是將複雜長程任務拆分為多個獨立的"最小高信號集合"子模塊，分步獨立執行，避免無關上下文干擾特定環節的執行效果。
報告根據二級市場真實投研場景，設計了最小Multi-Agent矩陣，包含三個角色：實習生、分析師和投資總監。三者職責清晰分層：
- 實習生負責調用API或MCP接口查詢數據、初步清洗並輸出標準化信息卡；
- 分析師負責調用專業投研Skill完成細分領域內容創作，將章節性結論落盤為本地快照；
- 投資總監負責理解用戶意圖、拆分任務、規劃調度，統籌子實例的內容產出。
這一架構的目標是確保數據取數、清洗和無關資料，不會顯著影響最終交付產物的質量。
報告指出，該思路同樣適用於一體化Agent的工作流設計，在任務流程沉澱為可複用工作流時，可明確要求"最大化實現任務拆分和分步加載，避免上下文堆積"。
Skill體系：分析彈性與工程精度的結合
Skill（技能）是廣發證券報告着力闡述的另一核心模塊，指的是可被Agent按需動態加載的文件夾，包含指令、腳本、資源等內容。其設計採用三階段漸進式披露思想：
- 元數據常駐Context供Agent判斷是否激活；
- 指令主體在激活時掛載，本質是任務路由；
- 項目資源則在路由激活後按需加載。
報告通過兩個典型案例說明Skill的工程價值。
案例一是投研數據網關Skill，其工程痛點在於，單一Agent配置多個API或MCP時，Tool Schema常駐上下文會造成注意力漂移和工具調用干擾。
優化方案是引入CodeAct思想，對Agent只暴露單一函數簽名，由適配層腳本統一管理所有數據需求，確保取數流程不佔用LLM注意力。
案例二是組合業績歸因Skill，其工程痛點在於，將個股升跌幅數據直接發給LLM分析，會因模型輸出不確定性導致定量結果存在隨機差異。
優化方案是引入數學抽象層，將歸因問題轉化為Barra CNE10因子模型的數學求解，LLM僅負責自然語言與結構化參數之間的轉譯，不參與實際運算，從而消除輸出隨機性。
私域RAG知識庫：信息差是α的理論根源
報告在信息攝入層的核心結論是：私域RAG向量知識庫優於LLM-Wiki，且是投研場景的理論最優解。
報告首先從有效市場假說（EMH）出發，論證了私域知識庫的必要性。
基於Fama、Grossman-Stiglitz等經典框架，報告指出A股市場呈現明顯的結構性有效特徵：覆蓋不足標的（小微市值、分析師覆蓋0-2家以內）存在顯著的公告後價格漂移（PEAD），弱式有效假說直接被拒絕。
中等覆蓋標的則對公開信息的解讀速度差異仍能帶來超額收益。由此推論，私域信息（調研、反路演、個人經驗等）對投研框架具有實質性的α強化價值。
在路徑選擇上，報告指出LLM-Wiki存在無解的先天缺陷。一是隨着語料規模膨脹，Schema顆粒度難以維持全局最優；二是數據膨脹會持續觸發上下文衰減，在複雜任務中LLM有效上下文窗口僅為標稱的20%至30%。
報告實測顯示，專業投資者合格信息攝入量約為50至70萬字/日，持續運營兩個月以上後LLM-Wiki的Schema管理問題將顯著惡化。
在RAG的投研場景優化上，報告提出兩個關鍵環節。
數據預處理側，圖片和文字均可通過純算法高效去重，PDF和圖片通過VLM解析精度高於OCR方案，切片策略上結構化壓縮後完整機械切片的效果優於父子切片、語義切片等特殊方案。
用戶查詢側，報告建議採用意圖識別與Query改寫機制，預設各研究方向最優關鍵詞供Agent補齊；實測顯示，該思路效果優於任何形式的知識圖譜調優。
遠期思考：AI能力將重塑從業者基本功與賣方展業形式
報告最後從二級金融機構角度提出了若干前瞻性判斷。
在從業者能力層面，報告認為"KYA（Know Your AI）"的重要性將持續上升——進階性AI工作流有望繼經濟學思想、財務分析、辦公軟件操作之後，成為從業者第四大必備基本功。
與此同時，對AI原理的微觀理解也將重塑從業者對AI產業中長期邏輯的認知，例如傑文斯悖論在用戶側多級模型路由場景下的呈現，可能對閉源模型廠商和雲服務提供商（CSP）的ROIC假設產生影響。
在賣方研究所展業形式上，報告判斷行業或將經歷一輪MCP化變革，研究觀點、數據和活動更新將能更高效、更廣泛地觸達機構客戶。
報告同時提示，AI技術發展及應用效果不及預期、大模型底層技術範式顛覆性變化，以及數據安全與監管政策變化，均構成上述框架的主要風險來源。