金融投研Agent行业深度报告：投研Agent，超越大模型的生产力

AI Agent的核心能力与演进阶段

AI Agent被定义为具备自主感知、记忆、决策、交互与执行五大核心能力的智能系统，其与传统Chat类产品的本质差异在于“动手能力”。这种能力具体体现为永久记忆、本地操作和主动推送三大特征。永久记忆支持对用户偏好和历史任务的结构化持久化存储；本地操作允许Agent突破纯文本交互限制，直接操控本地文件和工具接口；主动推送则使其从被动响应升级为主动触达的智能代理。根据应用范围，Agent可分为通用型与垂直类，部署模式涵盖云端托管、本地托管、专属云部署及私有化部署。行业发展历经Chat时代的大众普及、传统Agent时代的执行能力产品化，以及当前的Agent 2.0阶段，后者打通了社交数据与本地数据库连接，可复用的Skill生态成为能力扩展的核心支撑。

数据、Skill与Harness构成垂类Agent核心竞争力

在金融投研这一高复杂度专精场景中，通用Agent难以满足核心生产需求，垂类Agent凭借数据、Skill与Harness的独特优势成为关键生产力。数据方面，金融数据口径复杂、合规约束强，垂类模型拥有更优质的金融数据和对行业深层次的洞见。Skill作为封装了特定业务逻辑或外部环境交互能力的原子化组件，包括领域知识、工作流定义和工具调用权限，预设的优质Skill能迅速培养用户习惯。Harness架构通过构建、连接、能力、运行管控四层支撑，将不可控的数据调用转化为标准化、可审计的生产流程，解决多源数据口径混杂和场景错配痛点，保障投研结论的可靠性。

投研Agent市场规模预测与未来发展方向

AI Agent正驱动算力需求实现跃迁，全球Token调用量呈现爆发式增长。金融垂类赛道增长确定性突出，国内智能投研在加速完成存量市场替代的同时，依靠B、C双端全域布局挖掘本土新增量，并凭借差异化产品竞争力获取海外市场份额。预计投研Agent市场规模在2030年有望达到392亿美元。未来，投研Agent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、模型内生缺陷及校验机制缺失等局限，从辅助提效工具向全流程智能投研平台演进。

投资建议与风险提示

投资建议方面，看好数据丰富、数据底座扎实且治理能力突出的公司；兼具资深投研人才与技术研发实力，能搭建成熟Harness治理体系且产品落地能力过硬的企业；以及合规管控体系完善，能精准把握证券研究监管边界并减少AI幻觉的相关公司。同时，需关注监管合规风险、AI模型应用风险以及Agent执行失范风险。