导读 近年来，大模型技术浪潮席卷全球，Agent 的应用更是从实验室逐步走向各行各业的实际产品环境中。熵简科技致力于成为中国金融资管领域的新一代 AI 基础设施提供商，公司于今年 8 月推出了国内首个真正意义上面向金融场景的泛任务专业级 AI Agent 产品 。本次分享的题目为《FinGPT Agent：迈向专家级 AI 金融分析师的实践与探索》。
1. AI+金融投研的建设背景与目标
2. FinGPT Agent 的产品形态与实践案例
3. Agent 背后的关键技术与实践探索
4. 总结与展望
5. Q&A
分享嘉宾｜李渔博士 北京熵简科技有限公司 联合创始人兼CTO
编辑整理｜曲洋
内容校对｜郭慧敏
出品社区｜DataFun
扫码入群参与讨论
✅ 对分享有疑问？群里问！
✅ 老师在线解除疑惑！
✅ 有心得体会想分享？群里聊！
扫码入群参与讨论
01
AI+金融投研的建设背景与目标
1. 投资研究的核心挑战：信息与认知不对称
资本市场的投资本质，是基于时间维度对资产进行定价和预测 。其收益来源核心是赚取“预期差”的钱，而预期差则源于两点：信息不对称和认知不对称 。信息不对称指的是“我知道一些别人不知道的信息”；认知不对称则是指“面对同样的信息，别人能发现独到的投资机会而我不能”。熵简科技从创业至今，始终致力于通过大数据和 AI 技术，构建一套能够帮助客户在信息和认知两个层面获得竞争优势的投资研究系统 。
2. AI 投研系统的智能化分级（L1-L5）
我们参考智能驾驶领域的标准，对金融投研 AI 系统的智能程度进行了从 L1 到 L5 的分级。
L1 工具辅助： AI 能在单一环节提供辅助，例如从一篇数百页的研报中快速提取关键财务信息 。
L2 部分自动化： AI 能串联多个环节，针对特定场景（如每日市场复盘）形成相对完整的结论。目前行业内多数固定的工作流 Agent 处于此阶段 。
L3 有条件的自动化： AI 能针对特定市场，根据用户的任务目标动态规划工作流，并通过与环境的多轮交互，端到端地形成高质量的决策参考，与人配合完成最终决策。
L4 高度自动化： AI 可作为一套独立的系统，负责完整的资产管理工作，人类只需设定 KPI 指标 。
L5 完全自动化： 目前尚无明确定义，依赖于未来技术的发展 。
当前技术正处在从 L2 向 L3 演进的过程中 。而我们今天介绍的 FinGPT Agent，根据用户反馈和内部测试，已初步达到了 L3 级别效果 。
3. 整体解决方案：Alpha Engine SaaS 平台
FinGPT Agent 是我们推出的 AlphaEngine 金融投研平台中的一个核心功能 。该平台定位为全球资本市场的 AI 投研工具，旨在运用生成式 AI，帮助投资者应对信息过载的挑战，有效筛选市场杂音，提升分析决策的效率和胜率 。目前平台已覆盖 A 股、港股、美股三大市场的一手资料，服务超过 6000+ 家资产管理机构和 6 万多名专业投资者 。
02
FinGPT Agent 的产品形态与实践案例
1. FinGPT Agent 的核心能力与特色
FinGPT Agent 是国内首个面向金融领域的、支持泛任务的自主规划型投研 Agent 。其核心特色包括：
理解复杂投研指令： 能够处理如“分析美联储降息对全球及中国市场的影响”这类复杂的深度研究任务 。
自主调用专业工具： 可自主使用包括研报查询、财务分析、产业链分析在内的 22 种不同类型的专业投研工具 。
撰写深度研究报告： 能够形成逻辑严谨、数据详实、观点明确的深度报告 。
达到准专家水平： 在我们内部对 18 种投研场景的评估中，其表现已接近甚至略微超过初中级的人类分析师 。用户的直接反馈也证实，其水平约等于一位拥有三年经验的分析师 。
2. 与通用型 Agent 的核心差异
相比于市面上的通用型 Agent，FinGPT Agent 的核心优势在于真正解决了金融场景下的
信息不对称和认知不对称问题 。
数据壁垒（解决信息不对称）： 我们拥有面向全球资本市场的全量、深度、专业的研究资料库，这是通用模型不具备的，背后是我们长达八年的数据积累与治理。
专业知识壁垒（解决认知不对称）： 我们内置了一套关于“如何做公司研究”、“如何做行业分析”、“如何做估值”等问题的专家最佳实践框架（CoT），这是通用模型难以达到的专业深度 。
3. 实践案例展示
案例 1：宏观事件分析——美联储降息影响
在分析美联储降息影响的任务中，Agent 首先会自动进行任务规划与拆解，分为信息收集、影响分析等五大步骤。随后，它会检索基础数据库、互联网，并深度阅读我们内部知识库中超过 120 篇的专业研究资料。最终生成的报告不仅准确预测了降息的概率，还详实地列出了就业、通胀等基本面数据，并对不同情景下的市场走势进行了分析 。
案例 2：个股与行业研究
在个股分析（如泡泡玛特）中，Agent 能像买方研究员一样，给出核心观点、底层逻辑和相关信息佐证 。在行业研究（如 AI 数据中心产业链）中，它能清晰地梳理出 AI 服务器、液冷等核心环节的头部龙头公司和关键投资逻辑 。
案例 3：关键数据查询与整理
Agent 能够高效整合散落在各份研报中的关键数据。例如，在整理 AI 资本开支数据时，它能准确无误地汇总阿里、腾讯等巨头的投入情况 。这项工作如果由人工完成，至少需要半天时间，而 Agent 极大地提升了效率，并且幻觉率极低（仅为 0.5‰），几乎做到了零幻觉。
扫码入群参与讨论
✅ 对分享有疑问？群里问！
✅ 老师在线解除疑惑！
✅ 有心得体会想分享？群里聊！
扫码入群参与讨论
03
FinGPT Agent 关键技术与实践
1. 整体技术架构：四层解构
我们的 AI 投研系统采用四层技术架构：
第一层：场景/产品端： 最上层，直接面向用户的多应用构建，如 AI 投研：Alpha Engine 平台 、AlphaBox：金融第二大脑、智能会议等。
第二层：大模型代理层（Agent Layer）： 核心调度层，负责动态调用底层的数据和 AI 能力，以完成上层业务应用 。
第三层：大模型基座层： 该层从数据源到数据中台，基于数据中台内容产生高质量预料库，基于训练集群和推理集群，最终构建出向量化模型 FinBERT、文本大模型 FinGPT-text 和语音大模型 FinGPT-audio。
第四层：资源层：GPU 集群、存储和网络等基础硬件设施
过去两年，我们重点建设了底层的模型和数据基座；而今年，工作的核心则聚焦于大模型代理层，最终实现了我们看到的产品效果 。
2. 核心：大模型代理层（Agent Layer）
代理层由记忆系统、核心处理模块和工具层构成。
多 Agent 协作机制： 我们构建了包含推理 Agent、规划 Agent 和执行 Agent 的协作体系 ，能够将基座模型的持续工作能力扩展约 10 倍 。在实验环境下，Agent 能就一个复杂任务持续工作 3 小时以上，执行超过 400 个步骤，且始终保持目标一致性和结果高质量 。我们的经验是，系统中必须有一个“主 Agent”来把控全局，确保整个系统有“灵魂”，避免多 Agent 各自为政导致的混乱 。
专业工具链与知识库： 这是我们区别于通用 Agent 的核心。
专家智库： 内置了 50 多种不同投研场景的分析框架（CoT），指导 Agent 如何专业地思考和分析 。
工具库： 整合了检索、查询、分析等多种工具，背后是我们多年构建的复杂语义检索（RAG）体系，能在大规模文档中实现“大海捞针”级别的精准召回 。
记忆系统： 为了应对日益复杂的任务，我们正在构建可持续保存的长期记忆系统，目标是实现无步骤限制的“无限工作流”，这是从 L3 迈向 L4 的关键 。
3. 基础：模型基座与数据中台
自研向量化模型 FinBERT： 我们从 2020 年起就研发并开源了金融领域的专用语言模型 FinBERT 。近期公布的 FinBERT-v2 版本，在 Hugging Face 上受到了广泛关注，在中文金融领域的同类模型中影响力排名第一 。该模型在下游任务（如行业分类、实体识别）和向量检索效果上，均显著优于通用模型，是我们实现高精度信息检索的关键基础 。
全量金融研究资料库： 我们通过自研的数据工具，对 TB 级的各类金融数据（研报、公告、会议纪要、经营指标等）进行深度的结构化治理，确保对任何一个研究对象（如公司或行业）都能进行穿透式的信息整合与获取 。
扫码入群参与讨论
✅ 对分享有疑问？群里问！
✅ 老师在线解除疑惑！
✅ 有心得体会想分享？群里聊！
扫码入群参与讨论
04
总结与展望
我们的实践结论是：
趋势已经形成： 当前的大模型技术路线，已足以保证在未来 1 到 3 年内，各垂直领域的 AI 系统能够达到平均水平的人类专家水平。这是一个确定性的结论 。
拥抱变革： 这是一场持续至少 20 年以上的生产力大变革。只要我们真心参与，任何时候开始都是最好的时机 。
05
Q&A
Q1: FinGPT Agent 的幻觉率为什么能做到千分之五这么低？
A1： 这主要基于两个核心点。第一，我们选择了本身幻觉率就比较低的大模型作为基础。不同的大模型各有擅长，例如有些模型擅长推理，思维跳跃性强，幻觉率可能就相对较高。第二，我们深入理解幻觉产生的原因。在当前技术下，幻觉大概率是因为模型处理任务时，在给到的“上下文”信息里找不到答案。因此，我们通过高效的检索（RAG）和其他配套技术，对上下文进行预处理，确保在将资料提供给大模型之前，其中已经包含了回答问题所需的准确信息，这样就能有效控制幻觉的发生。
Q2：分享中提到 FinGPT Agent 的构建有人工审核环节，具体是如何操作的？是由内部同事还是外部专家来完成？
A2： 这个环节是人机结合的。我们首先通过机器进行大规模的自动化知识挖掘，然后由我们公司内部专业的分析师团队进行进一步的筛选和二次确认。这样做是因为，如果你希望 AI 达到一个中级专家的水平，那么用来“教”它的知识（即专家知识库）必须由更高级别的专家来把关。这个过程主要针对的是构建专家知识库的数据，而不是直接审核 AI 生成的每一份报告。这些经过筛选的高质量数据，会用来给大模型作为推理时的重要参考。
Q3：系统所需的金融数据是每天通过人工收集的吗？
A3： 不是的，依靠纯人工收集无法满足我们巨大的数据量需求。我们的数据来源是多渠道的，主要方式包括：
数据采购： 直接购买专业的金融数据。
机构合作： 与券商等机构进行合作获取数据。
公开数据： 有少量数据会通过技术手段从公开渠道进行收集。
通过这种多元化的方式，我们确保了数据的全面性和时效性。
