1. 投资研究这行的分工正在被重新切一遍先把结论摆在前面AI不会让分析师这个岗位消失但它正在把“一个分析师从头包到尾”的工作模式拆成几段然后重新分配给不同角色——人、模型、智能体、工作流。过去一个初级分析师的一天大概是这样的早上刷公告和研报中午整理财务模型下午写点评晚上改PPT。现在这套流程里至少有六成环节可以被拆解成标准化的“输入-处理-输出”链路交给智能体和工作流去跑。我真正意识到这件事是去年帮一个做二级研究的朋友梳理他的日常。他当时抱怨“每天光是把十几份财报里的关键数据抠出来填进模型就要花三个小时”。我问他这三个小时里有多少是判断有多少是搬运他愣了一下说搬运占八成。这就是问题的核心——投资研究里大量的“搬运型劳动”和“判断型劳动”混在一起过去因为工具不够聪明只能由人来兜底。现在智能体和工作流能把搬运那部分接走人被迫、也被解放出来去做真正值钱的判断。所以这篇不聊“AI会不会取代分析师”这种空对空的问题而是拆开来看投资研究这条链路到底由哪些环节组成哪些环节适合交给智能体哪些环节必须留给人以及一个普通分析师现在就能动手搭起来的工作流长什么样。关键词里的智能体、工作流、投资研究、AI、分析师我会一个一个落到具体场景里讲。适合谁看如果你是从业一两年、每天被数据搬运淹没的分析师这篇能帮你省出时间如果你是带团队的研究负责人这篇能帮你重新设计分工如果你只是对“AI金融”感兴趣也能从里面的工作流拆解里看到真实的落地逻辑而不是概念演示。2. 把投资研究拆成七段才知道哪段该交给谁2.1 一条完整的研究链路到底包含什么很多人讨论AI替代分析师讨论的是“AI能不能写出研报”。这个问题问偏了。写研报只是最后一步的产物前面还有一大堆环节。我把一条典型的研究链路拆成七段信息采集公告、财报、行业新闻、政策文件、产业链调研纪要、第三方数据。信息清洗与结构化把PDF、网页、图片里的数据抠出来变成可计算的表格。数据校验交叉核对不同来源的数字发现异常值。建模与测算搭财务模型、做敏感性分析、跑估值。逻辑推演形成投资逻辑判断驱动因素和风险点。观点表达写点评、写深度、做路演材料。跟踪与更新财报季更新模型事件驱动时快速反应。这七段里第1到第3段是典型的“搬运型劳动”第4段是“半搬运半判断”第5到第7段是“判断型劳动”。AI和智能体目前能稳定接管的是第1到第3段以及第4段里标准化的部分。第5段往后AI能当助手但拍板必须是人。2.2 为什么“搬运型劳动”最容易被工作流吃掉搬运型劳动有三个特征输入格式相对固定、处理规则可描述、输出格式可预期。这三个特征恰好是工作流最擅长的。比如“从财报PDF里提取营收、净利润、毛利率、经营现金流”这件事输入是PDF处理规则是“找到对应科目、提取数值、注意单位”输出是结构化表格。这种任务用工作流串起来稳定性远高于让一个大模型“自由发挥”。我见过太多人一上来就想用一个大模型解决所有问题结果发现模型今天提取对了、明天提取错了因为每次的提示词、上下文、文档格式都在变。正确做法是把任务拆细每一步用最合适的工具PDF解析用专门的解析库数值提取用规则模型兜底校验用脚本。这就是工作流思维和“一个大模型打天下”思维的区别。2.3 判断型劳动为什么暂时还交不出去判断型劳动的核心是“在信息不完整的情况下做取舍”。比如一家公司毛利率下滑是原材料涨价、产品结构变化还是会计政策调整这三个原因对应的投资含义完全不同。AI可以帮你把三种可能性都列出来甚至帮你找证据但“哪个是主因、影响多大、要不要因此下调评级”需要结合行业经验、公司历史、管理层风格来判断。这部分目前AI给不了可靠答案因为它缺的不是算力是“对这家公司过去五年发生过什么的记忆”和“对行业潜规则的体感”。所以我的判断是AI重写的是分工不是替代。它把分析师从第1到第3段里解放出来让分析师有更多时间待在第5到第7段。一个能熟练用智能体和工作流的分析师产出效率可能是过去的3到5倍但前提是他知道哪些活该扔出去、哪些活必须自己扛。3. 智能体在投研里到底能干什么不能干什么3.1 智能体和工作流不是一回事这两个词经常被混用但在投研场景里必须分清。工作流是“确定性的流水线”你定义好步骤A到B到C它每次按同样的路径跑适合处理规则明确的任务。智能体是“带决策能力的执行者”你给它一个目标它自己决定用哪些工具、按什么顺序、遇到问题怎么调整适合处理规则模糊、需要临场判断的任务。举个例子。“每天把某公司公告下载下来、提取标题和日期、存进数据库”这是工作流因为步骤固定。“帮我看看这家公司最近有没有值得关注的异常”这是智能体因为它需要自己决定看哪些公告、怎么判断异常、要不要交叉验证。投研里两者都要用但用错地方就会翻车——用智能体做固定提取浪费且不稳定用工作流做开放判断根本做不了。3.2 智能体最擅长的三类投研任务根据我自己的实践和观察智能体在投研里目前跑得最稳的是这三类第一类多源信息聚合。比如“把这家公司过去一个月的公告、新闻、研报标题汇总按时间线排列标出可能影响股价的事件”。这种任务需要跨来源、跨格式工作流很难穷举所有情况智能体可以自己决定先看哪个、怎么去重、怎么排序。第二类初步筛查与预警。比如“监控我关注的20家公司如果出现业绩预告大幅偏离预期、高管变动、重大诉讼就提醒我”。智能体可以定时跑按规则筛把结果推给人。第三类辅助建模的中间步骤。比如“根据这份财报把三张表的关键科目填进我的模型模板并标出和上期相比变动超过20%的科目”。这活儿介于工作流和智能体之间我倾向于用工作流做提取、用智能体做异常标注。3.3 智能体现在还干不好的事必须说清楚边界否则容易踩坑。智能体现在干不好的事包括精确计算让它算估值、算加权平均资本成本它可能给你一个看起来合理但算错的结果。计算必须交给代码智能体只负责调用。长链条逻辑推演超过五步的推理它容易在中途丢失前提。投研里的逻辑链往往很长这部分要人盯着。对“沉默信息”的捕捉比如管理层在电话会里回避某个问题这种信号AI很难识别但老分析师一听就知道有问题。合规敏感判断涉及内幕信息、未公开重大信息的边界必须由人把关不能交给智能体。提示把智能体当成一个“执行力很强但经验不足的实习生”。它能帮你跑腿、整理、初筛但你不能让它替你签字。4. 一个能直接抄的投研工作流长什么样4.1 整体架构三层结构我搭的这套工作流分三层采集层、处理层、输出层。采集层负责把信息抓回来处理层负责清洗、结构化、校验输出层负责生成可读的结果。三层之间用统一的中间格式我用的就是Markdown表格加JSON衔接这样任何一层换工具都不影响其他层。为什么用这个架构因为投研的信息源经常变——今天从交易所网站抓明天从第三方数据终端导如果每换一个源就重写整条链路维护成本太高。分层之后换源只需要改采集层。4.2 采集层把PDF和网页变成文本采集层最麻烦的是PDF。财报PDF有两种一种是文本型可以直接解析一种是扫描型需要OCR。我的做法是先判断类型文本型用解析库直接抽扫描型走OCR。这里有个坑很多财报PDF是“文本表格混排”直接解析会把表格结构打乱。我的处理方式是先用布局分析把表格区域框出来再单独处理。网页采集相对简单但要注意反爬和频率控制。我的原则是能拿到官方数据接口就用接口拿不到再用页面解析且严格控制请求频率避免给对方服务器造成压力。4.3 处理层结构化与校验处理层做三件事字段映射、单位统一、交叉校验。字段映射是把不同来源的科目名统一成我模型里的标准名比如“营业收入”和“营业总收入”要区分开。单位统一是把“万元”“亿元”“元”统一成“元”。交叉校验是用多个来源核对同一个数字不一致就标红。这一步是工作流价值最高的地方。过去人工做这三件事一份财报要花二三十分钟现在跑一遍工作流几分钟出结果而且不会因为疲劳出错。我实测下来结构化准确率能到95%以上剩下的5%人工复核即可。4.4 输出层生成可读的研究底稿输出层不是直接生成研报而是生成“研究底稿”——包含关键数据表、异常标注、待确认问题清单。为什么不做成研报因为研报需要观点和逻辑那是人的活。底稿的作用是让人能快速进入判断状态而不是从零开始翻原始文件。底稿的格式我固定成三块数据摘要关键财务指标及变动、异常提示变动超过阈值的科目、待办清单需要人工确认的问题。这样分析师拿到手直接看异常和待办效率最高。5. 搭这套东西时我踩过的坑5.1 坑一一上来就追求全自动我最初的想法是“全自动跑完人只看结果”。结果发现根本行不通因为投研里太多“例外情况”财报科目变了、公司改了披露口径、某年数据缺失。全自动的结果是一旦遇到例外就整条链路卡住反而比人工慢。后来我改成“半自动”工作流跑到需要判断的地方就停下来等人确认后再继续。比如遇到科目名对不上就弹出来让人选映射关系选完继续跑。这样既保留了自动化的效率又不会因为例外卡死。5.2 坑二用大模型做精确提取我试过让大模型直接从PDF里读数字结果发现它经常“看错行”或者“把千位分隔符读错”。后来改成“解析库负责定位、大模型负责理解上下文”准确率才上来。具体说解析库先把表格结构抽出来大模型只负责判断“这个表格里哪一列是本期、哪一列是上期”。分工明确之后错误率大幅下降。5.3 坑三忽略数据版本管理投研数据经常更新财报有更正公告、数据有修订。我一开始没做版本管理结果模型里混用了不同版本的数据算出来的结果对不上。后来加了版本字段每次更新都留痕才能追溯。这个坑很隐蔽但一旦踩了排查起来非常痛苦。5.4 坑四智能体权限给太大我早期让智能体直接读写我的模型文件结果它有一次“自作主张”改了一个假设参数导致整个估值偏了。后来我把权限收紧智能体只能读原始数据、只能写中间结果最终模型文件必须由人确认后才能改。这个原则叫“最小权限”在投研场景里尤其重要因为一个参数错了结论可能完全反过来。6. 分工重写之后分析师的时间该花在哪6.1 从“做数据”转向“问问题”当数据搬运被工作流接走之后分析师最该练的能力是“问对问题”。过去时间被填满没空想“这家公司的核心变量到底是什么”。现在省出来的时间应该花在这个行业的驱动因素是什么、这家公司在产业链里的位置、管理层的能力和诚信、市场预期差在哪里。这些问题AI给不了答案但AI能帮你把相关信息整理好让你更快进入思考状态。6.2 从“写报告”转向“做判断”写报告本身也在被重写。AI能生成初稿但初稿的价值在于“把事实和逻辑框架搭好”观点和取舍必须人来。我现在的做法是让智能体生成事实部分和逻辑框架我自己写观点和风险提示。这样一份深度报告的时间从三天压缩到一天但观点部分我花的时间反而更多了因为那才是真正值钱的地方。6.3 从“单打独斗”转向“设计工作流”未来分析师的核心竞争力之一是“能不能把自己的研究方法论变成可复用的工作流”。你脑子里那套“怎么看一家公司”的方法如果能拆成步骤、写成工作流就能规模化。这不仅是效率问题也是传承问题——团队里新人按你的工作流跑一遍就能快速上手。7. 给不同阶段从业者的实操建议7.1 刚入行的分析师先学拆解再学工具如果你刚入行别急着学一堆工具。先把你每天的工作拆开标出哪些是搬运、哪些是判断。然后把搬运的部分试着用工作流替代。工具会过时但“拆解任务”的能力不会。我见过太多新人沉迷工具结果连财报科目之间的关系都没搞清工具用得再溜也做不出好研究。7.2 有经验的分析师把隐性知识显性化你有经验脑子里有很多“说不清但就是知道”的判断。这些隐性知识恰恰是最难被替代的。建议你花时间把它们写下来什么情况下你会警惕、什么信号你会兴奋、什么数据你会交叉验证。写下来之后一部分可以变成工作流的规则一部分可以变成智能体的提示剩下的留给自己。7.3 团队负责人重新设计分工而不是简单裁员如果你带团队别想着“用AI换人”。正确的做法是重新设计分工让初级分析师做更多判断型工作因为有工作流兜底让高级分析师做更多方法论输出因为要设计工作流。团队的总产出会上升但每个人的角色会变。这个过程中培训比裁员重要得多。8. 这套东西的边界和我的真实体会最后说点实在的。这套工作流不是万能的它有几个明确的边界第一它依赖数据源的稳定性如果数据源本身格式混乱、更新不及时工作流的效果会大打折扣。第二它需要持续维护财报口径会变、监管要求会变工作流不是搭一次就一劳永逸。第三它替代不了人的判断尤其是在信息不完整、逻辑链很长、涉及合规边界的时候。我自己的体会是AI和智能体进入投研最大的价值不是“省了多少时间”而是“逼着我把研究方法论想清楚”。过去很多步骤是“习惯性动作”现在要写成工作流就必须想清楚每一步的输入、处理、输出是什么。这个过程本身就是一次研究能力的升级。所以回到标题那个问题AI会替代分析师吗不会。但它会替代“只会做搬运的分析师”。而那些能把搬运交出去、把判断留下来、把方法论变成工作流的分析师会变得比以前更值钱。这个分工重写的过程现在正在发生早动手的人早受益。
1. 投资研究这行的分工正在被重新切一遍先把结论摆在前面AI不会让分析师这个岗位消失但它正在把“一个分析师从头包到尾”的工作模式拆成几段然后重新分配给不同角色——人、模型、智能体、工作流。过去一个初级分析师的一天大概是这样的早上刷公告和研报中午整理财务模型下午写点评晚上改PPT。现在这套流程里至少有六成环节可以被拆解成标准化的“输入-处理-输出”链路交给智能体和工作流去跑。我真正意识到这件事是去年帮一个做二级研究的朋友梳理他的日常。他当时抱怨“每天光是把十几份财报里的关键数据抠出来填进模型就要花三个小时”。我问他这三个小时里有多少是判断有多少是搬运他愣了一下说搬运占八成。这就是问题的核心——投资研究里大量的“搬运型劳动”和“判断型劳动”混在一起过去因为工具不够聪明只能由人来兜底。现在智能体和工作流能把搬运那部分接走人被迫、也被解放出来去做真正值钱的判断。所以这篇不聊“AI会不会取代分析师”这种空对空的问题而是拆开来看投资研究这条链路到底由哪些环节组成哪些环节适合交给智能体哪些环节必须留给人以及一个普通分析师现在就能动手搭起来的工作流长什么样。关键词里的智能体、工作流、投资研究、AI、分析师我会一个一个落到具体场景里讲。适合谁看如果你是从业一两年、每天被数据搬运淹没的分析师这篇能帮你省出时间如果你是带团队的研究负责人这篇能帮你重新设计分工如果你只是对“AI金融”感兴趣也能从里面的工作流拆解里看到真实的落地逻辑而不是概念演示。2. 把投资研究拆成七段才知道哪段该交给谁2.1 一条完整的研究链路到底包含什么很多人讨论AI替代分析师讨论的是“AI能不能写出研报”。这个问题问偏了。写研报只是最后一步的产物前面还有一大堆环节。我把一条典型的研究链路拆成七段信息采集公告、财报、行业新闻、政策文件、产业链调研纪要、第三方数据。信息清洗与结构化把PDF、网页、图片里的数据抠出来变成可计算的表格。数据校验交叉核对不同来源的数字发现异常值。建模与测算搭财务模型、做敏感性分析、跑估值。逻辑推演形成投资逻辑判断驱动因素和风险点。观点表达写点评、写深度、做路演材料。跟踪与更新财报季更新模型事件驱动时快速反应。这七段里第1到第3段是典型的“搬运型劳动”第4段是“半搬运半判断”第5到第7段是“判断型劳动”。AI和智能体目前能稳定接管的是第1到第3段以及第4段里标准化的部分。第5段往后AI能当助手但拍板必须是人。2.2 为什么“搬运型劳动”最容易被工作流吃掉搬运型劳动有三个特征输入格式相对固定、处理规则可描述、输出格式可预期。这三个特征恰好是工作流最擅长的。比如“从财报PDF里提取营收、净利润、毛利率、经营现金流”这件事输入是PDF处理规则是“找到对应科目、提取数值、注意单位”输出是结构化表格。这种任务用工作流串起来稳定性远高于让一个大模型“自由发挥”。我见过太多人一上来就想用一个大模型解决所有问题结果发现模型今天提取对了、明天提取错了因为每次的提示词、上下文、文档格式都在变。正确做法是把任务拆细每一步用最合适的工具PDF解析用专门的解析库数值提取用规则模型兜底校验用脚本。这就是工作流思维和“一个大模型打天下”思维的区别。2.3 判断型劳动为什么暂时还交不出去判断型劳动的核心是“在信息不完整的情况下做取舍”。比如一家公司毛利率下滑是原材料涨价、产品结构变化还是会计政策调整这三个原因对应的投资含义完全不同。AI可以帮你把三种可能性都列出来甚至帮你找证据但“哪个是主因、影响多大、要不要因此下调评级”需要结合行业经验、公司历史、管理层风格来判断。这部分目前AI给不了可靠答案因为它缺的不是算力是“对这家公司过去五年发生过什么的记忆”和“对行业潜规则的体感”。所以我的判断是AI重写的是分工不是替代。它把分析师从第1到第3段里解放出来让分析师有更多时间待在第5到第7段。一个能熟练用智能体和工作流的分析师产出效率可能是过去的3到5倍但前提是他知道哪些活该扔出去、哪些活必须自己扛。3. 智能体在投研里到底能干什么不能干什么3.1 智能体和工作流不是一回事这两个词经常被混用但在投研场景里必须分清。工作流是“确定性的流水线”你定义好步骤A到B到C它每次按同样的路径跑适合处理规则明确的任务。智能体是“带决策能力的执行者”你给它一个目标它自己决定用哪些工具、按什么顺序、遇到问题怎么调整适合处理规则模糊、需要临场判断的任务。举个例子。“每天把某公司公告下载下来、提取标题和日期、存进数据库”这是工作流因为步骤固定。“帮我看看这家公司最近有没有值得关注的异常”这是智能体因为它需要自己决定看哪些公告、怎么判断异常、要不要交叉验证。投研里两者都要用但用错地方就会翻车——用智能体做固定提取浪费且不稳定用工作流做开放判断根本做不了。3.2 智能体最擅长的三类投研任务根据我自己的实践和观察智能体在投研里目前跑得最稳的是这三类第一类多源信息聚合。比如“把这家公司过去一个月的公告、新闻、研报标题汇总按时间线排列标出可能影响股价的事件”。这种任务需要跨来源、跨格式工作流很难穷举所有情况智能体可以自己决定先看哪个、怎么去重、怎么排序。第二类初步筛查与预警。比如“监控我关注的20家公司如果出现业绩预告大幅偏离预期、高管变动、重大诉讼就提醒我”。智能体可以定时跑按规则筛把结果推给人。第三类辅助建模的中间步骤。比如“根据这份财报把三张表的关键科目填进我的模型模板并标出和上期相比变动超过20%的科目”。这活儿介于工作流和智能体之间我倾向于用工作流做提取、用智能体做异常标注。3.3 智能体现在还干不好的事必须说清楚边界否则容易踩坑。智能体现在干不好的事包括精确计算让它算估值、算加权平均资本成本它可能给你一个看起来合理但算错的结果。计算必须交给代码智能体只负责调用。长链条逻辑推演超过五步的推理它容易在中途丢失前提。投研里的逻辑链往往很长这部分要人盯着。对“沉默信息”的捕捉比如管理层在电话会里回避某个问题这种信号AI很难识别但老分析师一听就知道有问题。合规敏感判断涉及内幕信息、未公开重大信息的边界必须由人把关不能交给智能体。提示把智能体当成一个“执行力很强但经验不足的实习生”。它能帮你跑腿、整理、初筛但你不能让它替你签字。4. 一个能直接抄的投研工作流长什么样4.1 整体架构三层结构我搭的这套工作流分三层采集层、处理层、输出层。采集层负责把信息抓回来处理层负责清洗、结构化、校验输出层负责生成可读的结果。三层之间用统一的中间格式我用的就是Markdown表格加JSON衔接这样任何一层换工具都不影响其他层。为什么用这个架构因为投研的信息源经常变——今天从交易所网站抓明天从第三方数据终端导如果每换一个源就重写整条链路维护成本太高。分层之后换源只需要改采集层。4.2 采集层把PDF和网页变成文本采集层最麻烦的是PDF。财报PDF有两种一种是文本型可以直接解析一种是扫描型需要OCR。我的做法是先判断类型文本型用解析库直接抽扫描型走OCR。这里有个坑很多财报PDF是“文本表格混排”直接解析会把表格结构打乱。我的处理方式是先用布局分析把表格区域框出来再单独处理。网页采集相对简单但要注意反爬和频率控制。我的原则是能拿到官方数据接口就用接口拿不到再用页面解析且严格控制请求频率避免给对方服务器造成压力。4.3 处理层结构化与校验处理层做三件事字段映射、单位统一、交叉校验。字段映射是把不同来源的科目名统一成我模型里的标准名比如“营业收入”和“营业总收入”要区分开。单位统一是把“万元”“亿元”“元”统一成“元”。交叉校验是用多个来源核对同一个数字不一致就标红。这一步是工作流价值最高的地方。过去人工做这三件事一份财报要花二三十分钟现在跑一遍工作流几分钟出结果而且不会因为疲劳出错。我实测下来结构化准确率能到95%以上剩下的5%人工复核即可。4.4 输出层生成可读的研究底稿输出层不是直接生成研报而是生成“研究底稿”——包含关键数据表、异常标注、待确认问题清单。为什么不做成研报因为研报需要观点和逻辑那是人的活。底稿的作用是让人能快速进入判断状态而不是从零开始翻原始文件。底稿的格式我固定成三块数据摘要关键财务指标及变动、异常提示变动超过阈值的科目、待办清单需要人工确认的问题。这样分析师拿到手直接看异常和待办效率最高。5. 搭这套东西时我踩过的坑5.1 坑一一上来就追求全自动我最初的想法是“全自动跑完人只看结果”。结果发现根本行不通因为投研里太多“例外情况”财报科目变了、公司改了披露口径、某年数据缺失。全自动的结果是一旦遇到例外就整条链路卡住反而比人工慢。后来我改成“半自动”工作流跑到需要判断的地方就停下来等人确认后再继续。比如遇到科目名对不上就弹出来让人选映射关系选完继续跑。这样既保留了自动化的效率又不会因为例外卡死。5.2 坑二用大模型做精确提取我试过让大模型直接从PDF里读数字结果发现它经常“看错行”或者“把千位分隔符读错”。后来改成“解析库负责定位、大模型负责理解上下文”准确率才上来。具体说解析库先把表格结构抽出来大模型只负责判断“这个表格里哪一列是本期、哪一列是上期”。分工明确之后错误率大幅下降。5.3 坑三忽略数据版本管理投研数据经常更新财报有更正公告、数据有修订。我一开始没做版本管理结果模型里混用了不同版本的数据算出来的结果对不上。后来加了版本字段每次更新都留痕才能追溯。这个坑很隐蔽但一旦踩了排查起来非常痛苦。5.4 坑四智能体权限给太大我早期让智能体直接读写我的模型文件结果它有一次“自作主张”改了一个假设参数导致整个估值偏了。后来我把权限收紧智能体只能读原始数据、只能写中间结果最终模型文件必须由人确认后才能改。这个原则叫“最小权限”在投研场景里尤其重要因为一个参数错了结论可能完全反过来。6. 分工重写之后分析师的时间该花在哪6.1 从“做数据”转向“问问题”当数据搬运被工作流接走之后分析师最该练的能力是“问对问题”。过去时间被填满没空想“这家公司的核心变量到底是什么”。现在省出来的时间应该花在这个行业的驱动因素是什么、这家公司在产业链里的位置、管理层的能力和诚信、市场预期差在哪里。这些问题AI给不了答案但AI能帮你把相关信息整理好让你更快进入思考状态。6.2 从“写报告”转向“做判断”写报告本身也在被重写。AI能生成初稿但初稿的价值在于“把事实和逻辑框架搭好”观点和取舍必须人来。我现在的做法是让智能体生成事实部分和逻辑框架我自己写观点和风险提示。这样一份深度报告的时间从三天压缩到一天但观点部分我花的时间反而更多了因为那才是真正值钱的地方。6.3 从“单打独斗”转向“设计工作流”未来分析师的核心竞争力之一是“能不能把自己的研究方法论变成可复用的工作流”。你脑子里那套“怎么看一家公司”的方法如果能拆成步骤、写成工作流就能规模化。这不仅是效率问题也是传承问题——团队里新人按你的工作流跑一遍就能快速上手。7. 给不同阶段从业者的实操建议7.1 刚入行的分析师先学拆解再学工具如果你刚入行别急着学一堆工具。先把你每天的工作拆开标出哪些是搬运、哪些是判断。然后把搬运的部分试着用工作流替代。工具会过时但“拆解任务”的能力不会。我见过太多新人沉迷工具结果连财报科目之间的关系都没搞清工具用得再溜也做不出好研究。7.2 有经验的分析师把隐性知识显性化你有经验脑子里有很多“说不清但就是知道”的判断。这些隐性知识恰恰是最难被替代的。建议你花时间把它们写下来什么情况下你会警惕、什么信号你会兴奋、什么数据你会交叉验证。写下来之后一部分可以变成工作流的规则一部分可以变成智能体的提示剩下的留给自己。7.3 团队负责人重新设计分工而不是简单裁员如果你带团队别想着“用AI换人”。正确的做法是重新设计分工让初级分析师做更多判断型工作因为有工作流兜底让高级分析师做更多方法论输出因为要设计工作流。团队的总产出会上升但每个人的角色会变。这个过程中培训比裁员重要得多。8. 这套东西的边界和我的真实体会最后说点实在的。这套工作流不是万能的它有几个明确的边界第一它依赖数据源的稳定性如果数据源本身格式混乱、更新不及时工作流的效果会大打折扣。第二它需要持续维护财报口径会变、监管要求会变工作流不是搭一次就一劳永逸。第三它替代不了人的判断尤其是在信息不完整、逻辑链很长、涉及合规边界的时候。我自己的体会是AI和智能体进入投研最大的价值不是“省了多少时间”而是“逼着我把研究方法论想清楚”。过去很多步骤是“习惯性动作”现在要写成工作流就必须想清楚每一步的输入、处理、输出是什么。这个过程本身就是一次研究能力的升级。所以回到标题那个问题AI会替代分析师吗不会。但它会替代“只会做搬运的分析师”。而那些能把搬运交出去、把判断留下来、把方法论变成工作流的分析师会变得比以前更值钱。这个分工重写的过程现在正在发生早动手的人早受益。
