大模型不够用了？投研Agent正在重塑金融研究，2030年市场392亿美元（附下载）

最近翻完了一份国泰海通最新出的行业深度报告，名字叫《投研Agent，超越大模型的生产力》。报告只有23页正文，但信息量很大，把AI Agent在金融投研领域的来龙去脉讲得挺透。

报告里有一个判断我觉得很关键：智能投研正在加速发展，投研Agent正在从"辅助工具"变成"关键生产力"。而且给出了一个具体数字——2030年投研Agent市场规模有望达到392亿美元。

下面把报告里最值得关注的几个点拎出来聊聊。

先搞清楚：Agent和Chat到底差在哪

报告一开始就厘清了一个很多人混淆的概念：AI产品分两类，一类是Chat（聊天），一类是Agent（智能体）。两者的本质区别不在于界面长什么样，而在于有没有"动手能力"。

Chat类产品就是咱们平时用的那种一问一答的AI，你问它答，页面一刷新上下文就没了。擅长知识问答、写文案、做摘要这些轻活儿，但碰到需要多步骤、跨工具、还得反复纠错的复杂任务，就得你自己一步步指挥。

Agent不一样。报告引用了国家网信办等三部门联合印发的《智能体规范应用与创新发展实施意见》，给Agent下了个定义：具备自主感知、记忆、决策、交互与执行五大核心能力的智能系统。

说人话就是，Agent能自己感知环境、记住你的偏好、自己规划怎么做、跟各种系统打交道、最后直接把活儿干了。

报告总结Agent和Chat的"动手能力"差异主要体现在三个方面：

永久记忆——Chat的记记忆仅限于单次会话，关了就没了；Agent能结构化存储用户偏好、历史任务、交互习惯，不会因为会话中断或平台重启而丢失。

本地操作——Agent能调用本地系统能力、操作本地文件、执行指令任务，不局限于纯文本交互。

主动推送——Agent能主动给你推提醒、推资讯，还能接入各种社交工具实现多平台触达，从"被动等指令的聊天机器人"升级成"主动执行的智能代理"。

通用Agent和垂类Agent：谁更适合金融？

报告把Agent分成通用型和垂直类两种。

通用型Agent由字节跳动、百度、阿里、腾讯这些互联网大厂主导，面向大众用户，靠互联网海量公开语料支撑，泛化能力强、场景覆盖广，在通用办公、内容生成、知识问答这些场景表现不错。但碰到专业度极高的业务就力不从心了。

垂类型Agent则专精于单一垂直行业。以金融领域为例，主要由Wind、同花顺、东方财富、讯兔科技等金融信息服务商主导，以高度结构化的金融专业数据和高频行业纪要作为知识基座，行业理解深、专业精度高，能直接赋能投研分析、复杂策略生成、专业数据库整理等核心金融业务场景。

报告里有一张对比表挺直观：

报告的核心观点是：金融投研作为高复杂度专精场景，通用Agent无法支撑核心生产需求。原因有三：

第一，金融数据口径复杂、业务规则严谨、合规约束强，垂类模型拥有更优质的金融数据和对金融行业深层次的洞见。

第二，优质的Skill（技能包）能够较好满足用户需求，迅速得到用户好感，培养使用习惯，形成用户沉淀。

第三，投研领域多源数据口径混杂、场景错配频发、数据滥用导致结论失真是普遍痛点，Harness能够将不可控的数据调用过程转化为标准化、可审计的生产流程。

Agent发展三阶段：从聊天到动手

报告把Agent的发展分了三个阶段，挺清晰的。

第一阶段：Chat时代。 2022年前后，ChatGPT这类产品问世，AI第一次以极低门槛走进普通人生活。一问一答，简单直观，适合处理相对简单、边界清晰的任务。但面对资料整理、文档处理等多步骤任务时短板明显——用户得自己拆解任务、规划路径，通过多轮引导反复纠偏，AI只负责"信息加工"，活儿还是你自己干。

第二阶段：传统Agent时代。 Manus的爆火是标志。它以目标为驱动，能自主规划执行路径、主动调用工具接口、持续推进任务闭环。用户只需要说"做什么"，不用管"怎么做"。报告认为这是从"指令-响应"到"目标-执行"的本质跃迁，AI从"信息工具"升级成了"任务执行者"。

第三阶段：Agent 2.0时代。 需求多元化与专业化并行。通用型Agent快速兴起，满足资料整理、办公协同、内容生成等需求。但通用能力满足不了专业场景，金融、法律、医疗等领域需要数据准确性、流程深度、行业知识适配和合规要求，这就催生了面向特定行业的垂类型Agent。同时，Skill生态也快速扩张——Skill可以理解为Agent完成特定任务所依赖的标准化能力模块，不同Skill组合决定了Agent在不同场景中的实际能力边界。

Agent=Model+Harness：为什么Harness这么重要

报告引用了LangChain在2026年3月提出的公式：Agent=Model+Harness。

Harness指的是除模型以外的一切设施。报告说得很直白：绝大多数Agent在生产环境翻车，不是因为模型不够聪明，而是因为外部环境太脆弱——无限循环烧token、越权执行危险操作、出了事无法审计这些问题频发。

OpenAI和Anthropic的报告也得出了类似结论：Agent在实际工作任务中的可用性、稳定性，核心差异化不在模型本身，而在Harness的设计水平。

Harness分四层：

构建层——解决"Agent如何被搭建、如何按业务目标有序工作"，包括系统Prompt策略、Agent SDK等。

连接层——让Agent和外部世界连接，通过API接口、MCP等对接数据、第三方服务。

能力层——以封装好的Skills/Tools为核心，涵盖文件读写、数据查询、文本处理、接口调用等基础技能，相当于Agent的"工具箱"。

运行管控层——这是Harness的核心，解决"Agent如何安全、可控、可观测地长期稳定运转"，包括沙箱隔离、状态记忆管理、执行控制与钩子、链路追踪与可观测性。

报告用证券行业研究分析举了个例子：构建层通过系统Prompt定义分析师角色、研究框架、合规边界；连接层对接金融数据库、第三方咨询数据库、各公司官网信息；能力层把财务分析、估值建模、数据可视化、文本舆情分析、Excel处理等封装成标准化Skill，Agent可以直接调用完成杜邦拆解、PB-ROE定价、同业盈利对比；运行管控层通过沙箱隔离保障安全，通过链路追踪实现全流程审计回溯。

Skill：Agent的"专业技能包"

报告对Skill的讲解挺细致。Skill由Anthropic在2025年10月正式发布，2026年3月因OpenClaw爆火而出圈。

Skill就是封装了特定业务逻辑或外部环境交互能力的原子化组件，通俗说就是一个包装好的、可复用的"专业技能包"。包含三个核心部分：领域知识（特定领域的深度know-how）、工作流定义（预设的多步骤执行路径）、工具调用权限（查数据库、调API、读文件、发通知等操作）。

Skill分四个独立结构：

1. skill.md——Agent识别、加载技能的唯一入口，包含YAML格式元数据和正文核心执行规则。元数据让Agent判断"当前任务是否该调用这个技能"，正文是技能的核心操作手册。

2. reference.md——承载非核心的细节知识，避免大量冗余内容撑满skill.md、浪费Token上下文。Agent只在遇到具体细节问题时才读取。

3. example.md——用具象实例替代抽象指令，降低Agent的理解偏差，锚定输出格式与质量标准。

4. Scripts——把固定、重复、对准确性要求高的操作固化为代码，比如数据校验脚本、批量格式转换脚本、API封装脚本、报表生成脚本。

报告强调：Skill的下限低（支持自然语言撰写），但上限很高，写出一个优质的Skill并不容易，因此是Agent的核心资产。各家金融垂类Agent预设的Skill将直接决定功能高低，影响用户体验。

Harness在投研中的三大作用

针对投研领域数据口径混杂、场景错配频发、数据滥用导致结论失真的痛点，报告认为Harness主要在三个方面发挥作用：

数据治理——通过对工具接口与上下文的标准化定义，把各类投研数据的存储形态按数据格式、数据时段、数据口径、数据内涵全部显性化沉淀，相当于给模型建一份统一的"投研数据字典"，从源头消除数据定义模糊导致的口径偏差与计算错误。

场景明晰——针对估值、点评、盈利预测、行情分析等典型投研场景预置专属数据适配规则，精准界定不同分析任务所需的数据范围、字段维度与逻辑边界，避免无效数据调取与场景错配。

数据使用——建立全链路的数据优选与质量管控机制，以官方权威数据、最新时效数据等对数据进行排序，动态校验数据与当前投研任务的匹配度，从输入端筛选最优数据注入模型，从根源压缩幻觉空间。

算力需求暴涨：Token调用量18个月增长55倍

报告引用了OpenRouter的数据：2025年1月全球模型token调用量为2.23万亿，到2026年5月已经达到122.96万亿。18个月增长了约55倍，每月平均增长28.5%。

报告梳理了三次增长峰值：

- 2025年1月，DeepSeek诞生，以卓越性能、极低价格和开源环境迅速获取全球关注； - 2025年9月，X.AI发布Grok Code Fast编程模型，凭借极高代码准确率和低价快速占领市场； - 2026年2月，OpenClaw凭借动手能力、连接微信等社交工具等特点，推动AI从Chat向Agent转型。

从Chat到Agent，算力需求呈指数级上升，原因有三层：一是基础开销更高，Agent需要持续加载全套工具定义、行为约束等长系统提示词；二是存在多轮推理循环，大量思维链文本额外消耗Token；三是上下文持续堆叠，每次工具返回的数据、日志、网页内容都完整留存，后续每步推理都要重读全部历史信息。

392亿美元市场：投研Agent的增长逻辑

报告预计投研Agent市场2030年有望达392亿美元。这个数字怎么来的？

基于Gartner 2026年5月的预测，全球AI软件2030年规模有望达到12677亿美元；根据Dataintelo的数据，金融类SaaS 2025年全球占比为21.3%，是所有SaaS服务中规模排名第一的行业。结合亚太占比、中国AI投研在亚太占比、中国AI投研在其他地区占比等参数，测算出2025年约31.64亿美元，到2030年约391.52亿美元。

增长逻辑有三重支撑：

功能体验持续迭代——投研Agent在信息整合、纪要整理、研报初撰等场景的提效价值持续验证，驱动C端付费渗透率提升。

产品能力进阶打开提价空间——随着数据覆盖、分析深度与执行能力升级，厂商可通过分层订阅、高级技能包、定制化服务抬升客单价。

B端机构场景渗透加速——券商、公募、私募等机构的私有化部署、批量账号与定制化需求升温，大单采购逐步落地。

同时，智能投研还在打开C端空间——既能服务券商、基金、私募这类专业机构，也能给普通投资者提供简化好用的分析工具，实现机构端、个人端同步运营。依托成熟的A股、中概、跨境产业链数据优势，还能面向全球配置中国资产的海外机构与投资者提供差异化投研服务。

投资建议：看好三类公司

报告的投资建议部分明确看好三类公司：

一是数据丰富、数据底座扎实、治理能力突出的；二是兼具资深投研人才与技术研发实力、能够搭建成熟Harness治理体系、产品落地能力过硬的；三是合规管控体系完善、能精准把握证券研究监管边界、减少AI幻觉的。

具体推荐了两家公司：

东方财富（300033.SZ）——2026/7/8收盘价20.13元，2026E EPS 0.97元，PE 20.69，评级增持。

同花顺（300059.SZ）——2026/7/8收盘价225.77元，2026E EPS 5.87元，PE 41.23，评级增持。

还有哪些风险？

报告最后提了三个风险：

监管合规风险——目前国内仅出台通用生成式AI管理办法与证券业AI应用指引，尚未针对具备自主检索、多步推理、自动成稿能力的投研Agent出台专项细则。

AI模型应用风险——大模型存在"幻觉"问题，可能导致金融分析、投资建议失真；同质化模型易引发"模型共振"，加剧市场顺周期波动；算法"黑箱"属性可能影响监管穿透性。

Agent执行失范风险——Agent具备"动手"能力，若权限边界管控不严、场景规则设计存在疏漏、安全校验机制不完善，可能出现执行误操作、用户权限越界滥用、消费者隐私数据违规调取与泄露等问题。

写在最后

这份报告把投研Agent的底层逻辑讲得比较清楚：为什么通用大模型在金融投研里不够用、垂类Agent靠什么建立壁垒、Harness和Skill到底解决什么问题、市场空间有多大。

核心结论是：投研Agent正在从辅助提效工具向全流程智能投研平台演进。未来将沿数据资产标准化、Skill组件工程化、Harness治理专业化三大方向协同升级，逐步破解数据口径不统一、模型内生缺陷、内生校验机制缺失等局限。

政策面上也有支撑。2025年8月国务院印发的《关于深入实施"人工智能+"行动的意见》提出新"三步走"目标：2027年智能终端/智能体普及率超70%，2030年智能经济成为重要增长极，2035年全面进入智能社会。2026年5月和6月又相继出台了智能体专项政策和行业高质量数据集建设方案。

对于关注金融科技和AI应用的人来说，这份报告值得仔细读一读。