从LLM到AI Agent：如何用多智能体架构重构投研工作流

1. 一位“古法研究型”从业者的转向为什么他会选择AI Agent我认识一位做二级市场研究的朋友之前属于典型的“古法研究型”选手——每天花十几个小时翻公告、拆模型、蹲数据终端把行业报告当成教科书来啃甚至会手工比对上市公司上下游的产能利用率。这种方法笨但扎实他有自己的研究框架也确实做出过不错的业绩。转折发生在去年他手里同时推进三个行业的深度跟踪整个人快被信息流吞没了每天光是整理会议纪要和定期报告就要耗掉大半精力。于是他把“AI Agent”这三个字从概念词变成了自己工作台里的常驻工具用一整套智能体流水线替换掉过去纯人力的信息处理环节。他给这套东西起了个名字叫“AI时代对冲基金”。这不是标题党式的包装。他做的事情本质上是把过去需要一个人完成的研究、跟踪、对比、提示、复核等一系列动作拆解成多个Agent子任务让每个Agent像一个小职员一样待在自己的岗位里各司其职再通过一个调度机制协同工作。传统金融投研中“研究→决策→执行”的链条没有变但链条上每个环节的信息处理主体从人变成了更加全天候的Agent集群。和很多人直觉里的“用ChatGPT看看财报”完全不一样。他最初也踩过“信息检索研究”的坑后来才意识到AI Agent的核心不是生成一段漂亮的文字而是具备目标拆解能力、工具调用能力、记忆管理能力和自主判断能力。如果你只是把大模型当成问答工具那就没有跨过从LLM到Agent的门槛仍然在做“古法研究”只不过把翻报纸换成了刷对话窗口。这篇文章我就从他这个真实转向出发拆一拆AI Agent到底是怎么改变投研工作流的。你会看到一套可落地的Agent架构看到每个角色背后真正干活的逻辑也会看到我们在这套系统搭建过程中踩过的一些很实际的坑。2. 先把概念理顺AI Agent、LLM和AI模型之间的那堵墙要理解他做的“AI时代对冲基金”首先得打个地基。因为这轮技术讨论里AI Agent、LLM、AI模型三个词经常被混着用尤其是很多刚入门的朋友上来就关心“DeepSeek到底是属于哪个”。我的回答很简单DeepSeek本质上是大语言模型LLM它属于基础模型这一层是Agent大脑里的“推理引擎”选项之一。那Agent和LLM到底差在哪我习惯用一个公司部门的类比来解释AI模型底层基建相当于一个拥有海量知识的应届毕业生知道很多但没有任何岗位职责不会主动干活。你问它什么它回答什么不问你就不吭声。LLM大语言模型就是那个毕业生的语言和推理能力本身能读懂题目能组织答案但依然不是一个“工作者”。AI Agent智能体则等于给了这个毕业生一个工位、一份岗位说明书、一套办公工具和一名主管。它不再是“你问我答”而是“我根据目标自己拆解任务自己调用工具自己确认结果交付后用新的情况更新自己的认知”。听上去有点抽象我给你举一个投研里的具体例子。如果你用ChatGPT你会输入“帮我拆解一下某锂电公司一季报里毛利率下降的原因。”它会给你一段有理有据的分析但分析完就结束了它不会主动去翻另一个公司的同类数据不会对比行业均值也不会把毛利率变化转达给估值模型。这就是“通过LLM做研究”和过去的Excel分析本质没有区别。但如果你用一个投研Agent你可以直接定义它的目标是“持续跟踪新能源中游材料环节发现毛利异常变化的公司输出一份可供调仓参考的周报。”Agent会自己决定——先从数据源拉财报再对关键科目做同比环比再调取一致预期数据做对照再结合当日新闻做异动归因最后结构化地输出结果。这个过程里它会自己选择先调用哪个接口、需要补哪份数据、输出格式怎么符合下游消费。这才叫Agent。所以那位朋友说得很直白“LLM是我雇来的实习生Agent才是真正进入编制的研究助理。”你需要分清能力层和应用层才不会在搭建的时候把两件事混在一起。顺带回答很多新手常问的另一个问题“从0到1搭建AI Agent是不是需要先训练个大模型”不需要。今天绝大多数应用层Agent都是基于现有LLM构建的你选一个推理能力强、上下文窗口合适的模型然后把工作重点放在Agent的规划能力、工具接入和记忆结构上。这个理解一旦建立后面所有架构讨论就顺了。3. 表面叫“对冲基金”本质是一套多角色Agent协作系统他这套系统之所以敢叫“AI时代对冲基金”核心原因是里面真的模拟了一个投资团队的组织结构只不过团队成员全是AI Agent。这是整套设计里最值得讲清楚的部分因为大多数自作聪明地搭Agent的人最后的成品充其量是个“增强版对话机器人”离“可执行的系统”还差很远。我把他的系统拆开看里面一共有六个核心角色每个Agent职责完全分离。这听起来够复杂但正是这种角色分工才让Agent之间可以互相校验、互相补位而不是一个大模型包揽所有事。AI基金经理PM Agent这是唯一的决策节点。它接收其他Agent的产出结合用户预设的投资约束比如单行业持仓上限、回撤容限、风格偏好生成最终的投资建议。它不直接读取原始数据而是读取各研究Agent的结构化输出。这个设计很关键——决策者不碰脏数据只碰加工后的信息。AI行业研究员Sector Analysts一组Agent一个行业一个Agent专门负责某条产业链的追踪。它们的任务是周期性扫描财报、行业新闻、政策动态、上下游价格变化并把发现转换成标准化的事件卡片。AI数据运算师Quant Assistant这个角色不产出观点它只负责数字。当研究员看到某家公司毛利异常的时候数据运算师会独立去核验原始数据、重新计算增速、做压力测试。它能防止研究Agent用错数据。AI宏观观察员Macro Monitor负责把利率、汇率、大宗商品、市场情绪这些宏观信号抓出来单独形成一份“宏观状态表”。它会告诉PM Agent当前是risk-on还是risk-off环境进而影响仓位建议。AI风控官Risk Officer这个Agent可以否决任何触发风控条件的建议。它内部有一套规则引擎硬性检查——单票仓位是否超限、组合波动率是否达到警戒、是否存在异常换手。简单说它是系统里的反对党。AI交易执行官Execution Trader把决策转化成具体的订单参数。但在研究阶段这个Agent主要做的是让输出带上完整的约束条件包装方便将来对接真实交易柜台时不会出现语义误差。这些角色之间的数据流动非常像一家小型资管公司研究员把信息加工成观点数据师核验数字宏观员提供氛围风控官做否定基金经理做最终拍板。整套系统跑起来之后他不会轻易改任何一个Agent的具体判断但会给每个Agent配置不同的“性格参数”。比如宏观观察员默认在数据矛盾时选择更保守解读行业研究员默认偏向事实陈述而非主观预测。这套角色的划分不是拍脑袋想出来的而是对应了过去投研流程里真实的岗位边界。反过来说如果一个人直接扔给Agent一句“帮我管钱”结果一定会很差——因为Agent没有清晰的岗位边界就意味着没有衡量工作质量的标准。用户必须像CEO一样先设置组织架构而不是像用户一样只在对话窗口里提需求。4. 一套可落地的投研Agent从0到1的搭建步骤角色、记忆和工具层很多朋友看完上面那一段会问“这套架构具体怎么落地我不会写复杂代码能不能搭出自己的投资研究Agent”我先说结论能用开源框架做基础可以用无代码/低代码平台快速验证情绪但要做成他那种长期稳定运行的“AI时代对冲基金”你需要理解几个关键工程点。下面我按实操顺序拆开讲。第一步是明确Agent集群的通信协议。你在纸上设计一个多Agent系统第一件事不是写代码而是确定消息格式。他用的做法是每个Agent都输出JSON结构化消息包含统一的字段事件类型、标的、发生时间、置信度、详情载体。这样一来下游Agent或者PM Agent消费上游结果时不需要解析自然语言直接读字段。头痛的“Agent之间对话风格不一致导致误判”问题从这里根治了一半。第二步是搭建Agent运行框架。他选择的是开源多智能体框架不是自己硬造轮子。市面上的主流选择包括相关LangChain生态的Agent组件、AutoGen的多Agent对话模式、CrewAI的角色化协作以及Spring AI这类偏Java企业级的技术栈。选型逻辑只有一个看你的主语言和现有系统。比如团队本来就是Java技术栈那Spring AI更合适因为它能直接嵌入已有的交易和研究平台如果偏Python研究型人才多LangChain或CrewAI上手更快。他最终选了一套以LangGraph为基础的自定义流程编排因为LangGraph对状态机的控制力更强能让Agent按预定流程流转而不是自由乱跑。第三步是设计Agent的记忆结构。这个是很多新手最容易忽略的地方。Agent是否记得你上周让它研究过什么标的它是否知道某个行业研究员上次输出的结论如果你不做记忆管理每次跑任务都像失忆一样重启那Agent永远做不了持续跟踪。他的做法是三层记忆短期对话记忆保存本轮任务的上下文、工作记忆保存最近N轮任务的关键结论、长期档案库用向量数据库存报告摘要和事件记录。每次研究报告生成后系统会同步写入长期档案库下次再碰到同类任务时Agent能自动联想到“上次我们看过这个行业”。第四步是打通工具层。Agent不能只活在对话里它必须能调用外部数据。他用到的核心工具有几类行情与财报数据接口、新闻与公告源、PDF解析工具用于读取年报原文、Excel导出组件、以及内部投研数据库。每一个工具随手用没问题但要作为Agent可调用的“手”你需要在框架里注册工具的输入输出描述告诉Agent这个工具是干什么的、能返回什么。这步如果做得到位Agent才能主动执行“拉数据→读公告→做解析→写结论”的完整链路。第五步是给Agent上安全边界和学会拒绝。这可能是整个工程里最重要的部分。他设计了一条硬性规则“任何Agent不得在没有外部工具确认的情况下对真实市场提供带有数字绝对值的判断。”比如行业研究员产出的观点可以写“该公司毛利趋势持续恶化”但如果没有调用数据运算师去核验具体数字就不允许写出“毛利率会掉到15.5%”这种精确值。听起来像是在限制Agent但实际恰恰是让Agent变得更可用的前提——因为大模型容易一本正经地编造精确数字你必须让精确数字只能来自外部工具的可验证输出。到这一步你其实已经完成了大半个“Agent投研系统”剩下的就是不断迭代了。5. 实测跑起来之后真正会被市场教育的几个反直觉问题如果说上面一节是在讲怎么搭那这一节就是搭完之后你一定会遇到的真实问题。他这套系统跑了大半年我几乎每次都问“哪里最不靠谱”他的答案和我想象的不太一样不是模型能力不够而是工程和认知上的反直觉盲区。第一个问题Agent很容易“过度协作”产出信息熵增。多Agent系统有个很隐蔽的缺陷——每个Agent都输出一份报告汇总到PM Agent那里时信息量爆炸PM根本无从决策。他的应对方式非常粗暴每一个研究Agent产出都必须带置信度置信度低于阈值的结论自动降级为“参考”不进决策主链路。这套机制后来成了整个系统的杠杆点有效解决了Agent越多噪声越多的问题。第二个问题幻觉不是消失了而是转移了位置。众所周知LLM会幻觉但他发现加入Agent化之后幻觉不再表现为“模型编造事实”而表现为“Agent把过时的信息当成新事实”。比如一个行业研究员Agent可能一直使用某个数据库里的旧产能数据而新的公开信息已经把产能格局改了。这种幻觉极难察觉因为数据的格式一致、来源看起来正规但底层已经过期。他们的解法是在数据接入层加入“数据新鲜度校验器”每次拉取数据时强制记录时间戳如果某个数据源的更新时间超过滚动窗口就会触发重新拉取甚至主动发警报。这个经验可以在任何Agent系统里复制尤其是做跟踪类任务的。第三个问题语义检索在投资数字面前效率极低。很多新手会把“智能搜索”想得很美比如我那位朋友最初也试图靠向量检索直接搜索“沧州大化最近三个月产能利用率”但后来发现这类检索适合找文本描述并不适合追问精确数字。你需要的是结构化查询直接指定数据表、字段、时间范围。他把这类需求全部改成SQL查询或API参数化调用只有新闻事件和定性描述走语义检索。这个坑其实很有普适意义——不要用一种工具解决所有问题Agent的系统设计里工具分层才是智能的核心来源。第四个问题Agent更擅长“发现异常”而不是“预测拐点”。他最初最丰满的野心是希望Agent能像资深基金经理一样前瞻性判断行业拐点。实践下来Agent在“异常发现”上表现相当亮眼——数据突然异动、新闻和价格走势背离、财报科目之间逻辑不符这些它做得又快又准。但预测拐点需要极强的主观经验和对行业“不可言说”的理解这个恰恰是Agent最欠缺的。所以他把系统的定位从“预测工具”修正为“预警工具”一切Agent的输出都服务于提升人的决策效率而不是取代人的最终判断。这一步认知转变直接决定了他这套系统是否能长期跑下去并真正创造价值。说实话这第四个问题是很多人对Agent化抱有不切实际期待的地方。如果你也打算搭一套类似系统我的建议是先从“信息过滤和提醒”开始别一上来就追求“全自动决策”那样很容易被市场反复教育。6. 如果你想练手几个能让你快速上手的AI Agent小项目看完上面的架构很多人会想我没有他那种数据接口、没有私募级的研究平台怎么练手其实搭一个能用的投研Agent门槛没有想象中那么高只是别一开始就奔着“完整对冲基金”去。我的建议是从下面四个层次的项目里挑一个开始每个都能让你理解Agent的核心机制。第一个项目是建立一个“公告异动提醒Agent”。它只需要两个组成部分一个爬取指定公司公告的组件、一个调用LLM做重点摘要的Agent。目标很简单——每天固定时间扫描目标公司的公告按“重大合同”“股东减持”“业绩修正”“诉讼仲裁”四个标签分类输出摘要。这个项目能让你快速理解Agent的第一个核心能力工具调用和定时任务调度。第二个项目是做一个“财报科目变化透视Agent”。这个不用接数据库直接上传一份年报PDF让Agent解析三大报表自动计算同比变化并给出三个最值得关注的异常点。这里你会接触到文本解析和结构化输出的配合问题也能体会为什么直出数字必须经过规则校验——用两份标准财报测试你很快就会发现大模型算数的不稳定性这比任何教程都让人印象深刻。第三个项目是搭建“舆情因子计数器”。用新闻API或者公开搜索抓取特定公司近一周的新闻交给Agent做情感打分然后按天汇总成情绪曲线。这个场景最贴近Agent的日常工作方式它需要按目标拆步骤分别是抓取、去重、判读、统计、输出。做完这个项目你就能理解“一个Agent干一套流程”而不是“一个问题被回答一次”的感觉。第四个项目是试用多Agent协作框架搭一个“研究讨论小组”。一个大纲生成Agent、一个数据分析Agent、一个质疑Agent、一个结论汇总Agent。每次要求质疑Agent专门反驳数据分析Agent最后汇总Agent负责输出一致结论。这种项目适合理解多Agent的真实代价值得还是不值得花——你大概率会第一次体会到“Agent吵架”的发生也第一次意识到要设计一套共识机制来让协作收敛。这四个练手项目里我特别推荐第二个。财报解析是一个标准、重复、有硬约束的任务非常适合用来验证Agent能力的边界而且市面上有海量免费财报数据可用。做完之后你会发现你实质上已经完成了一个简化版“行业研究员Agent”再往里面加数据源、加记忆、加定时调度就是在一步步走向复杂系统了。我自己对AI Agent的定义一直是保持一个朴素的判断Agent不是更聪明的聊天框而是一个更听话、更能加班、更稳定执行流程的数字化同事。它不会替代投资经理的经验和嗅觉但它能把投资经理从繁琐的信息海洋里解放出来让人重新把有限精力放到真正需要人类判断的地方。那位朋友关掉“古法研究型”后做的事本质上不是什么魔法就是很务实地用AI Agent把一套成熟的研究流程给数字化、自动化和可复制化了。搭建过程中不要迷信大模型无所不能时刻记住数据和规则才是底座Agent只是在底座之上帮你跑腿和监督流程的那个角色。