AI Agent时代投研Skill化实践：从通用模型到可复用专业能力

Skill化：投研成果的新型组织形态

大模型在自然语言理解、代码生成和工具调用方面展现出较强能力，但真实投研任务涉及数据获取、口径确认、指标计算、模型运行、证据核查、图表展示和结果留痕等多个环节。仅依靠一次性问答或临时提示词，难以保证不同调用之间的数据、参数和评价标准保持一致。AI Skill通过组织研究说明、数据接口、确定性脚本、模型资产和输出模板，使已有方法不再仅以报告或孤立代码存在，而是进一步沉淀为边界清楚、口径明确、可以持续调用的专业研究能力。

Skill既不是一段更长的提示词，也不等同于重新训练一个模型。它更接近连接通用模型与专业任务的能力封装：模型负责理解意图、组织步骤和解释结果，代码与工具负责执行可验证的计算，研究细则负责约束数据、参数和评价口径，研究员则保留关键确认、结果复核和最终判断权。不同部分各自承担适合的职责，才能在灵活性与稳定性之间取得平衡。

选股因子迭代：可持续积累的研究工作区

选股因子迭代Skill将数据接入、研究细则确认、候选因子代码生成、IC评测、历史反馈和断点恢复组织为持续迭代的研究工作区，使每轮产生的代码、指标、图表和工具组件能够进入下一轮研究。该Skill首先要求研究员明确工作区和真实数据位置，并依次确认评测起止日期、IC口径以及预测目标，将这些信息视为本轮因子研究的"研究细则"。

完成接入检查并得到研究员确认后，Agent负责提出候选因子的金融逻辑、组织计算代码和说明设计意图，确定性脚本负责执行因子计算与评测。每个候选因子均保留代码、逻辑说明、评测区间和指标结果，并输出全区间及分年度IC、ICIR，以及对应的IC走势。评测结果与近期候选、历史较优候选共同构成下一轮反馈，使新一轮生成能够参考已经验证过的有效结构和失败经验。

为减少跨会话和跨阶段研究中的信息损失，Skill将数据配置、评测口径、候选因子代码、指标结果和图表统一保存在独立工作区，并记录当前流程所处节点。研究员可以在后续会话中恢复已有工作区，查看已经完成的材料和历史结果。每轮评测后，流程还会识别候选因子中具有跨因子复用价值的计算模块，经研究员确认后沉淀到工作区工具库，供后续候选因子直接调用。

择时场景：历史形态检索与深度时序模型

K线时空镜像Skill将历史复盘过程转化为标准化的历史检索任务：输入当前阶段，自动在历史行情中寻找相近片段，并同步展示这些片段结束后的真实走势。用户只需提供一个Wind证券代码，还可以选择查询截止日和K线根数。现阶段脚本通过Wind获取开盘价、最高价、最低价、收盘价和成交额，在统一对数尺度下构建多维特征，使用对近期走势赋予更高关注的多变量动态时间规整方法进行精排，并对高度重叠的历史区间去重，最终保留三个具有代表性的历史镜像。

深度学习择时Skill则调用已经训练完成的GRU时序模型，将连续量价因子转化为多头、中性和空头观点。当前发布版本以连续40个交易日的七维量价序列作为输入，通过窗口内尺度处理弱化证券绝对价格和成交规模差异，3层GRU沿时间顺序更新隐藏状态，最终经MLP输出连续的深度时序因子。Skill采用带中性区间的动态阈值：设当日时序因子为其过去40个交易日的均值和标准差，则上下轨分别为均值加减0.5倍标准差，据此形成三类观点。

两项择时案例具有相同的转化逻辑：简化的是使用入口，而不是研究过程本身；Skill化的核心基础是可复现的研究细则；复杂计算转化为可阅读的中间证据，而不是只输出一个结论；标准化输出仍需保留不确定性边界。

主动投研：从研究框架到决策协同

固定框架报告Skill将周期性跟踪报告、事件点评和产品分析等标准化任务沉淀为可重复执行的流程，固化周期性、标准化投研报告完整工作流，支持多次调用、跨场景复用。深度研究框架Skill围绕核心问题组织研究假设、正反证据、投资含义、监控指标和认错条件，将零散观点、研报、会议纪要、财报、市场资讯统一转化为可溯源研究底稿。

投资决策委员会Skill通过多角色陈述、交叉质询、风控核查和投资总监总结，形成可审计、可追溯的决策记录。投资专家画像Skill将专家方法论转化为结构化角色档案，投资专家研讨会Skill则支持围绕行业、个股和市场观点开展多角色讨论。这些实践表明，Skill不仅可以封装计算模型，也可以沉淀研究框架和协作机制。

基金研究：FundLab的综合工作流

FundLab采用"本地数据优先、外部数据按需补充"的数据组织方式，在使用团队既有标签、分类规则和研究资产的基础上，根据任务需要连接Wind、iFinD等外部数据能力，并将数据获取、指标计算、特征识别和研究结论输出贯通起来。当前工作流覆盖基金筛选、单基金画像、基金公司画像、相似基金检索、基金组合分析和标签回测等典型场景，重点回答收益来源、风格稳定性、风险暴露、产品比较和组合适配等投资决策问题。

在单只基金画像场景中，FundLab自动整合基金经理、投资风格、历史收益、风险来源和持仓特征，回答"收益来自哪里、优势是否持续、风险在哪里"等核心问题。在基金公司画像场景中，从产品布局、权益与固收能力、基金经理梯队、核心产品表现、投资风格稳定性等多个维度构建画像。在寻找相似基金场景中，根据投资风格、行业暴露、持仓结构、历史表现和风险特征寻找替代配置候选。在基金组合分析场景中，逐对分析持仓重叠度、行业集中度、风格同质化和净值相关性，诊断组合拥挤风险。在基金筛选回测场景中，基于基金标签体系构建选基策略，按照实际可获得的信息进行历史回测。

跨场景共性与演进方向

综合四类场景可以看到，Skill化并未消除不同研究方法之间的差异，而是为其提供了相对一致的组织和复用方式。不同Skill虽然分别输出因子代码与评测结果、历史情景与模型观点、研究底稿与决策记录、基金画像与验证数据，但均遵循明确输入、稳定执行、可解释输出和过程留痕的共同原则。

随着共享数据接口、公共工具、研究资产、版本管理和评测机制逐步完善，单点Skill还可以形成上下游协同，使量化证据、深度研究、反方质询、投资决策和持续跟踪在不同流程之间有序传递。后续建设需要逐步建设可以被不同Skill复用的公共基础设施，完善研究资产的版本和生命周期管理，并探索不同Skill之间的协同方式，推动AI由单次任务助手逐步转化为可复用、可追溯、可持续演进的投研工作伙伴。