AI投研方法论：从Skill 1.0到3.0的架构进化路径

投研能力的本质与AI化重构

投研行业的核心在于研究能力，而非单纯的研究成果。研究成果具有可复现性和可模仿性，但研究能力却是独一无二的，它包含了研究员个人的框架、方法、习惯和偏好。在人工智能技术普及之前，卖方机构提供基础框架和培训，买方机构在此基础上构建自有体系，这种分工模式长期存在。随着Agent和Skill技术的出现，研究能力首次具备了被拆解、复现和训练的技术条件。然而，能力能否真正沉淀，取决于底层框架是否具备易理解性和可复用性。一套清晰、可解释且易于交流的框架，是实现能力组合、训练和进化的前提。

当前，AI投研方法论正经历从Skill 1.0到Skill 3.0的演进。这一过程的核心逻辑是能力从“固定封装”走向“拆分组合”，最终实现“使用即训练”。Skill 1.0阶段表现为整体封装，将一套完整流程嵌入单一Skill中，虽验证了能力封装的可行性，但缺乏灵活性；Skill 2.0阶段实现了数据、逻辑、判断的三层拆分，通过中间件零部件的自由组合提升复用率；Skill 3.0阶段则进一步将使用过程转化为训练过程，使通用框架在市场实践和个人判断中迭代，最终形成专属的私有化研究体系。

Skill 1.0：固定封装的局限性

Skill 1.0阶段的典型特征是整体封装，即一套流程装进一个Skill。以财务分析为例，传统的分析师工作流程被完整封入一个Skill中，包含财报下载、解析、数据挖掘、指标计算、逐章分析及报告生成等14个子Agent环节。这种模式下，各环节环环相扣，稍加修改便可能影响整体质量。其局限性在于必须刚好适配才能直接使用，若需简化分析维度或批量处理多份财报，往往需要额外改造。此外，由于所有环节耦合紧密，更换分析框架或嵌入新数据极为困难。这种“黑箱”式的能力封装难以满足投研行业对灵活性和可解释性的要求，也无法有效支持研究能力的自由组合与进化。

Skill 2.0：拆分逻辑与中间件复用

Skill 2.0阶段的关键突破在于将能力拆分为数据、逻辑、判断三个层级，并封装为标准化的中间件零部件。数据层支持Wind、同花顺等多源取数，可独立扩充指标；逻辑层将数据解析为文本结论，本质是一套套独立存放的公式；判断层则将阈值设定、信号提醒等经验规则参数化。这种分层管理使得各层级可单独修改而不影响其他部分，显著降低了上下文占用成本，实现了按需加载。目前，债券市场已覆盖资金面、信用利差、城投、机构行为等31个标准中间件。买方研究员可通过组合不同零部件实现特定分析需求，例如结合信用利差数据库与城投数据库完成评级下调背景下的利差复盘。尽管自由度大幅提升，但该阶段仍受限于既定零部件的范围，无法完全覆盖个性化逻辑。

Skill 3.0：使用即训练的专属化演进

Skill 3.0阶段引入了训练架构，核心在于将Skill的使用过程转化为训练过程。在这一阶段，研究中的每一次判断都会沉淀为下一次直接可用的规则，框架随之迭代演进。训练架构提供取数方式、成熟逻辑框架及对话式定制引擎，帮助用户将个人经验转化为专属规则。目前已实践的五大训练框架包括国债期货技术分析、财务分析、海外市场观察、个人信息整理及通用记忆框架。其中，记忆Skill作为标杆应用，通过建立本地全文检索索引，实现了跨Agent的历史对话召回和本地知识管理。实测显示，记忆Skill能在短时间内精准召回数百条工作片段，成本仅为云服务的百分之一，且能有效保护隐私。这种机制使得研究员能够随时调用历史工作现场，延续复杂任务，真正实现了研究能力的系统性提升和专属化沉淀。

统一框架的价值与组织升级

无论是Skill 2.0的中间件还是Skill 3.0的训练架构，均遵循“数据→逻辑→判断”的统一框架语言。这一统一标准使得AI生成的Skill具备可解释性，便于人类核实、交流与进化。对于个体而言，统一框架有助于量化成长并追根溯源；对于组织而言，内部Skill成为可共享的组织资产，加速知识沉淀与增量积累。随着Deepseek Harness等工具的出现，每位投研人员构建个人系统的可能性大幅上升，中间件零部件与训练架构将成为构建自有体系的核心养料。然而，需注意数据来源风险、技术处理偏差及方法论适用性等潜在风险，确保AI辅助分析与人工专业判断的有效结合。