投研这个行当过去十年最大的变化不是数据变多了而是信息处理的方式彻底变了。以前一个研究员覆盖一个行业靠的是Wind拉数据、Excel搭模型、写报告靠熬夜。现在呢光是一个赛道每天新增的公告、研报、新闻、社交媒体讨论、产业链调研纪要一个人根本看不过来。我身边做二级的朋友普遍的状态是信息过载但决策饥渴——数据堆成山真正能转化成策略信号的少之又少。AI Agent在智能投研里的价值恰恰就卡在这个缺口上。它不是简单帮你总结一篇研报而是能像一个小型研究团队一样分头去抓信息、交叉验证、形成判断最后输出可执行的策略逻辑。这篇内容我想聊的是怎么用多智能体架构把投研的信息整合和策略生成串起来包括架构怎么设计、每个Agent的职责怎么切、信息怎么流转、策略怎么从碎片信息里长出来。适合有一定编程基础、想把手里的投研流程自动化的朋友也适合刚接触AI Agent、想找一个真实场景练手的开发者。1. 为什么单Agent做投研会卡住1.1 投研任务的本质是多源异构信息的交叉验证先说一个很多人容易忽略的点投研不是问答任务而是证据链构建任务。你问一个模型某公司三季度业绩怎么样它能给你一段看起来挺像样的回答。但真正的投研判断需要的是财报数据说了什么、产业链上下游的反馈是什么、竞争对手的动态是什么、政策面有没有变化、市场情绪在往哪个方向走——这些信息来自完全不同的源格式不同、时效不同、可信度不同必须交叉验证才能形成判断。单Agent架构在这种场景下会暴露三个硬伤。第一是上下文窗口的物理限制你不可能把几十份研报、几百条新闻、几千行财务数据全塞进一个prompt里。第二是注意力稀释信息一多模型对关键信号的捕捉能力会明显下降容易抓了芝麻丢了西瓜。第三是角色混淆同一个Agent既要当数据搬运工又要当分析师还要当风控它的输出会变得四不像。我实测过一个单Agent方案把某公司近三年的财报摘要、十篇卖方研报、二十条行业新闻拼成一个超长prompt让模型输出投资建议。结果它给出的结论非常中庸——既说了利好也说了风险最后来一句建议谨慎关注。这种输出对投研毫无价值因为它没有立场、没有权重、没有时间维度。1.2 多智能体的分工逻辑像搭一个微型研究团队多智能体架构的核心思路是把一个复杂的投研任务拆成若干个角色明确、职责单一的子任务每个子任务由一个专门的Agent负责Agent之间通过结构化的消息传递来协作。这就像现实中一个研究团队有人负责数据采集有人负责财务分析有人负责行业对比有人负责撰写报告最后有一个首席分析师来拍板。但这里有个关键区别现实团队里的人是串行协作的而多智能体可以并行。信息采集Agent可以同时去抓公告、新闻、研报、社交媒体不用排队。这是效率上的质变。我目前用的架构大致是这样的一个协调者AgentOrchestrator负责拆解任务和调度下面挂四个专业Agent——信息采集Agent、财务分析Agent、行业对比Agent、情绪分析Agent最后有一个策略生成Agent负责汇总输出。协调者不直接干活它只做任务分解和结果汇总这样能避免既当裁判又当运动员的问题。1.3 什么场景适合上多智能体什么场景别硬上不是所有投研任务都值得上多智能体。我的经验判断标准是信息源是否超过三个、是否需要交叉验证、是否有明确的时间序列要求。三个都满足多智能体的收益就很明显只满足一个单Agent加好的prompt工程可能就够了。举个例子查一下某公司最新股价这种任务单Agent一个API调用就搞定上多智能体纯属浪费。但分析某新能源车企未来两个季度的交付量趋势并给出交易策略这种任务涉及财报数据、产业链排产、竞品动态、政策变化、市场情绪多智能体就是刚需。还有一个容易被忽略的成本问题多智能体意味着多次模型调用token消耗是单Agent的数倍。如果你的场景对延迟和成本极度敏感比如高频交易信号生成那多智能体可能不是最优解。但如果是日频或周频的投研报告生成这个成本完全可以接受。2. 多智能体投研系统的架构拆解2.1 协调者Agent任务分解与调度的核心协调者Agent是整个系统的大脑但它不负责具体分析。它的核心职责有三个任务分解、Agent调度、结果汇总。任务分解这块我踩过一个坑一开始我让协调者自由发挥去拆解任务结果它有时候拆得太细把分析财报拆成分析营收、分析利润、分析现金流、分析负债四个子任务有时候又拆得太粗直接说你去分析一下这家公司。后来我改成半结构化拆解——给协调者一个任务模板它只需要填充参数。比如模板是对{公司}在{时间段}的{分析维度}进行分析协调者只需要把公司名、时间段、分析维度填进去然后分发给对应的专业Agent。调度逻辑上我采用的是并行依赖混合模式。信息采集Agent和情绪分析Agent可以并行跑因为它们互不依赖。但财务分析Agent必须等信息采集Agent把财报数据抓回来才能启动。行业对比Agent则需要等财务分析Agent输出关键指标后才能做横向对比。这种依赖关系用DAG有向无环图来描述最清晰。结果汇总这块协调者不是简单地把四个Agent的输出拼在一起而是要做冲突检测。比如财务分析Agent说毛利率提升但行业对比Agent说全行业毛利率都在提升该公司提升幅度低于均值这两个结论放在一起就需要协调者标注出相对优势不明显这个关键判断。2.2 信息采集Agent多源数据的抓取与清洗信息采集Agent是整個系统的手脚它的活最脏最累但也最关键。投研涉及的信息源大致分五类结构化财务数据、公告文本、卖方研报、新闻资讯、社交媒体讨论。结构化财务数据这块我一般通过API直接拉取比如从数据服务商拿三张表和关键指标。这里的关键是字段映射——不同数据源的字段名不一样有的叫营业收入有的叫营业总收入采集Agent需要把它们统一映射到标准字段上。公告文本和研报的处理要复杂一些。我的做法是先用规则引擎做初筛比如只抓取标题包含业绩预告重大合同股权变动等关键词的公告然后再用模型做摘要和关键信息抽取。这里有个实操心得不要试图让模型一次性抽取所有信息而是分轮次抽取。第一轮抽事件类型和时间第二轮抽涉及金额和主体第三轮抽对业绩的影响方向。分轮次抽取的准确率明显高于一次性抽取。社交媒体讨论的采集要特别注意信噪比。我的做法是先用关键词过滤再用一个轻量级模型做相关性打分只保留高分内容进入下游分析。另外社交媒体数据一定要打上时间戳和来源标签因为不同平台的信息可信度和时效性差异很大。2.3 财务分析Agent从三张表到关键指标财务分析Agent的核心任务是把原始财务数据转化成有判断价值的指标和趋势。我给它设定的输出结构包括盈利能力指标毛利率、净利率、ROE、成长性指标营收增速、利润增速、运营效率指标周转率、偿债能力指标资产负债率、流动比率、现金流质量指标经营现金流/净利润。但光算指标没用关键是趋势判断和异常检测。我让财务分析Agent做三件事第一计算近八个季度的指标序列判断趋势方向第二和行业均值做对比判断相对位置第三检测异常波动比如某个季度毛利率突然跳升5个百分点就要标记出来让下游Agent去查原因。这里有个技术细节值得说财务数据的季节性处理。很多行业有明显的季节性比如白酒行业一季度营收占比特别高。如果不做季节性调整直接看环比增速会得出错误结论。我的做法是让财务分析Agent同时输出同比增速和环比增速并在prompt里明确要求它考虑季节性因素。2.4 行业对比Agent横向定位与竞争格局行业对比Agent解决的是这家公司在行业里到底什么水平的问题。它的输入是财务分析Agent输出的关键指标加上信息采集Agent抓取的竞品数据。我给它设定的分析框架是三维对比规模维度营收、市值、效率维度ROE、周转率、成长维度增速、研发投入占比。每个维度下它会输出该公司在行业中的百分位排名。但单纯的排名还不够我更看重的是竞争格局的变化趋势。比如某公司三年前ROE行业排名前20%现在掉到前40%这个变化趋势比当前排名更重要。所以行业对比Agent还需要做时间序列上的排名变化分析。这里有个坑行业分类标准不统一。不同数据源对同一行业的定义可能不一样有的按申万分类有的按中信分类有的按GICS分类。如果不做统一对比结果会失真。我的做法是在系统初始化时就锁定一套分类标准所有Agent都按这套标准来。2.5 情绪分析Agent市场预期与资金动向情绪分析Agent负责捕捉市场怎么看这个维度。它的信息源主要是新闻、研报标题、社交媒体讨论、以及资金流向数据。我把它拆成两个子模块文本情绪模块和资金情绪模块。文本情绪模块用模型对新闻和讨论做情感打分输出正面/中性/负面的比例。资金情绪模块则分析北向资金、融资融券、大单净流入等数据判断资金是在进还是在出。这里的关键是预期差的捕捉。市场情绪本身不重要重要的是市场情绪和基本面之间的差距。如果基本面在改善但情绪还很悲观这可能是机会如果基本面在恶化但情绪还很乐观这可能是风险。所以情绪分析Agent的输出必须和财务分析Agent的输出做交叉比对这个比对逻辑我放在协调者Agent里做。3. 信息整合的关键技术点3.1 结构化输出让Agent之间说同一种语言多智能体系统最容易出问题的地方就是Agent之间的通信。如果每个Agent都用自然语言自由输出下游Agent解析起来会非常痛苦而且容易丢失关键信息。我的做法是强制结构化输出。每个Agent的输出都必须是一个JSON对象包含固定的字段。比如财务分析Agent的输出格式是{ company: 某公司, period: 2024Q3, profitability: { gross_margin: 0.35, gross_margin_trend: up, net_margin: 0.12, roe: 0.15 }, growth: { revenue_yoy: 0.22, profit_yoy: 0.18 }, anomalies: [ { metric: gross_margin, change: 0.05, note: 需核查是否因产品结构变化 } ], confidence: 0.85 }这个confidence字段很重要它表示Agent对自己输出的置信度。下游Agent可以根据这个字段来决定是否采信这个结果或者是否需要触发人工复核。3.2 冲突消解当两个Agent给出矛盾结论时怎么办冲突消解是多智能体投研系统的核心难点。我遇到过很多次这种情况财务分析Agent说现金流健康但情绪分析Agent说市场在担心现金流问题。这时候系统不能简单地说一个说好一个说坏而要做归因分析。我的处理逻辑是三步走第一步确认冲突是否真实存在。有时候只是表述差异比如现金流健康和现金流增速放缓其实不矛盾。第二步追溯信息源。如果两个Agent用的是同一份财报数据但得出不同结论那说明至少有一个Agent的推理逻辑有问题。第三步引入第三方Agent仲裁。我专门设了一个逻辑校验Agent它的职责就是检查其他Agent的推理链条是否自洽。实操中大部分冲突其实源于时间维度不一致。比如财务分析Agent看的是历史数据情绪分析Agent看的是未来预期两者本来就不应该一致。所以我在系统里强制要求所有Agent在输出时标注时间维度历史/当前/预期这样冲突就少了很多。3.3 记忆机制让系统记住上次是怎么判断的投研是一个持续跟踪的过程不是一次性问答。所以多智能体系统必须有记忆机制能记住之前的判断和依据。我采用的是分层记忆设计。短期记忆存当前分析任务的所有中间结果任务结束后清空。长期记忆存两类东西一是历史判断记录包括每次分析的核心结论和依据二是反馈记录包括事后验证的结果比如当时判断业绩超预期后来实际数据出来是否真的超预期。长期记忆的存储我用的是向量数据库这样在下次分析同一家公司时系统可以检索出历史判断做一致性检查。如果这次判断和上次判断方向相反系统会提示判断方向发生变化请确认是否有新的关键信息。这个机制的价值在于避免反复横跳。我见过一些单Agent方案今天问它说看好明天问它说看空问它为什么变了它也说不清楚。有了记忆机制每次判断变化都有迹可循。4. 策略生成Agent的设计与实现4.1 从信息到策略需要跨越的三道坎策略生成Agent是整个系统的最后一公里也是最难的一环。从信息到策略需要跨越三道坎信息浓缩、逻辑推演、可执行化。信息浓缩是把四个专业Agent的输出压缩成核心信号。我的做法是让策略生成Agent先做一轮信号提取把每个Agent输出中最关键的3-5个信号拎出来形成一个信号列表。逻辑推演是把信号组合成判断。这里我用的是规则模型混合的方式。规则部分处理确定性逻辑比如营收增速连续两个季度下滑毛利率下滑基本面恶化。模型部分处理模糊逻辑比如市场情绪极度悲观但基本面稳健可能存在预期差机会。可执行化是把判断转化成具体的策略动作。这里必须明确方向、仓位、时间窗口、止损条件。比如建议做多仓位不超过5%持有周期1-2个季度跌破关键支撑位止损。4.2 策略模板让输出可复现、可回测策略生成Agent的输出不能是建议关注这种模糊表述必须是可回测的结构化策略。我设计了一套策略模板包含以下字段字段说明示例标的具体标的代码某股票方向做多/做空/观望做多逻辑核心驱动因素业绩超预期估值低位仓位建议占总仓位比例3%-5%时间窗口预期持有周期1-2个季度触发条件什么情况下执行回调至某价位止损条件什么情况下退出跌破某价位或逻辑破坏置信度策略置信水平0.72有了这个模板策略就可以被回测系统直接读取验证历史表现。我实测下来经过回测验证的策略模板实际执行的胜率明显高于拍脑袋式的主观判断。4.3 置信度校准避免过度自信的策略输出模型有个通病过度自信。它给出的每个判断都显得很有把握但实际上很多判断的可靠性并不高。所以我在策略生成Agent里加了置信度校准机制。校准逻辑是这样的策略的最终置信度 各专业Agent置信度的加权平均 × 一致性系数。一致性系数取决于四个Agent的输出是否方向一致。如果四个Agent都说好一致性系数高如果两个说好两个说坏一致性系数低最终置信度就会被拉低。我设定的阈值是置信度高于0.7才输出建议执行级别的策略0.5到0.7输出建议观察低于0.5输出信息不足暂不判断。这样能有效避免系统在信息不充分时给出误导性策略。5. 实战中的踩坑与调优经验5.1 信息采集的时效性陷阱投研对时效性极其敏感但多智能体系统的信息采集往往有延迟。我踩过最大的坑是财报发布当天系统抓到的还是旧数据。原因是数据源的API有缓存或者采集Agent的调度周期没对上财报发布时间。解决方案是事件驱动轮询混合。对于财报、重大公告这类有明确时间点的事件用事件驱动方式在预定时间点触发采集。对于新闻、社交媒体这类持续产生的信息用轮询方式但轮询频率要根据市场活跃度动态调整——盘中频率高盘后频率低。还有一个细节时间戳统一。不同数据源的时间戳格式和时区可能不一样必须在采集环节就统一成标准格式否则下游Agent做时间序列分析时会出错。5.2 Agent幻觉在投研场景的放大效应模型幻觉在一般场景下可能只是说错一句话但在投研场景下会被放大成错误的投资决策。我遇到过财务分析Agent编造了一个不存在的财务指标然后行业对比Agent基于这个假指标做了对比最后策略生成Agent给出了错误建议。防幻觉的核心手段是强制引用来源。我要求每个Agent在输出任何数据时都必须附带数据来源标识哪份财报、哪条公告、哪个数据接口。如果Agent无法提供来源这个数据就不被采信。另外我加了一个数值校验Agent它的职责是对所有数值型输出做合理性检查。比如毛利率不可能超过100%营收增速不可能连续八个季度保持50%以上除非是极端特殊情况一旦发现异常值就标记出来要求复核。5.3 成本控制多智能体不等于无限调用多智能体系统的token消耗是单Agent的数倍如果不做控制成本会失控。我的优化手段有三个第一分级调用。不是所有任务都需要调用大模型。信息采集Agent的初筛、字段映射这些活用规则引擎或小模型就够了只有需要理解语义的环节才调用大模型。第二缓存复用。同一份财报数据财务分析Agent和行业对比Agent都要用没必要抓两次。我在系统里加了缓存层相同请求在有效期内直接返回缓存结果。第三按需激活。不是每次分析都要激活所有Agent。如果只是做快速筛查可能只需要信息采集Agent和财务分析Agent就够了行业对比和情绪分析可以跳过。我设了一个分析深度参数浅度分析只激活两个Agent深度分析才激活全部。5.4 人工复核节点的设置完全自动化的投研系统是不现实的也是危险的。我的做法是在关键节点设置人工复核。第一个复核点是信息采集完成后。人工快速扫一眼抓到的信息是否完整、是否有明显错误。这个环节花不了几分钟但能避免下游基于错误信息做分析。第二个复核点是策略生成后、执行前。系统输出的策略必须经过人工确认才能进入执行环节。人工复核的重点是看策略逻辑是否自洽、是否有系统没考虑到的风险因素。第三个复核点是定期回测验证。每隔一段时间把系统历史输出的策略和实际市场表现做对比评估系统的判断准确率并据此调整各Agent的权重和阈值。6. 从单机到协同系统扩展的思考6.1 多模态信息的接入现在的投研信息早就不限于文本了。调研纪要的音频、产业链的卫星图像、财报电话会的视频都是重要信息源。多智能体系统需要具备多模态处理能力。我的做法是给信息采集Agent加装多模态处理模块音频用语音识别转文本图像用视觉模型做识别和描述视频先抽关键帧再做图像分析。处理完的统一转成文本格式再进入下游分析流程。这里有个实操建议多模态处理不要追求一步到位。先把文本信息跑通再逐步接入音频和图像。我一开始就想做全模态结果每个模态都做得半吊子反而拖慢了整体进度。6.2 Agent之间的通信协议设计当Agent数量增多时通信协议的设计就变得关键。我用的是发布-订阅模式每个Agent把自己的输出发布到一个消息总线其他Agent按需订阅。这样Agent之间不需要知道彼此的存在只需要知道消息总线上有什么消息。消息格式我统一用JSON包含sender、receiver、message_type、payload、timestamp五个字段。message_type用来区分是数据输出还是请求还是通知。这种设计让系统扩展变得很容易——加一个新Agent只需要让它订阅相关消息就行不用改现有Agent的代码。6.3 系统评估怎么知道这套系统到底有没有用最后聊一个很实际的问题怎么评估多智能体投研系统的效果。我的评估框架分三层第一层是信息层看系统抓取的信息是否全面、准确、及时。指标包括信息覆盖率、信息准确率、信息延迟。第二层是分析层看系统的分析结论是否合理。这个比较难量化我的做法是定期让人类分析师对系统输出做盲评看人类分析师的判断和系统判断的一致率。第三层是策略层看系统输出的策略实际表现如何。指标包括胜率、盈亏比、最大回撤。这一层是最有说服力的但需要足够长的时间来积累样本。我目前的系统在信息层和分析层的表现已经比较稳定策略层还在持续积累数据。从已有的样本看系统输出的高置信度策略置信度0.7的胜率明显高于低置信度策略这说明置信度校准机制是有效的。这套系统我前后迭代了大概半年从最初的单Agent方案一路改到现在的多智能体架构。最大的体会是投研场景的复杂性决定了没有银弹多智能体不是万能药它解决的是信息整合和交叉验证这个特定问题。如果你的场景不需要交叉验证单Agent加好的prompt工程可能更划算。但如果你的场景确实需要多源信息融合那多智能体架构带来的效率提升是数量级的。