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。
