企业官网建设流程全解析

过去半年我一直在做一件事：把一套原本靠研究员手动操作的工作流，改造成由AI自主驱动的投研流水线。这套体系的输入是财报、公告、券商研报、舆情数据，输出是一份结构化的公司分析纪要、异动归因说明和风险提示清单。整个过程涉及AI大模型、AI Agent、知识库、自动化调度，也踩了无数个数据坑，今天这篇文章不聊空概念，直接拆架构、讲实现、放代码，把我在落地过程中怎么设计Agent、怎么控制幻觉、怎么处理数据污染的经验全写出来。

这套东西适合谁看？如果你正在做投研相关的工作，无论是买方研究员、卖方分析师，还是做量化策略的人，并且已经受够了每天打开几十份PDF、几百页财报手动摘数，那么这篇内容会对你有直接帮助。如果你本身就是工程师，想用AI Agent重构一条业务流程，我的踩坑记录和代码框架同样可以参考。

1. AI自主驱动投研，本质上是把“脏活累活”自动化

先说清楚一个前提：AI自主驱动不是要替代研究员的判断，而是把“找信息、读信息、整理信息、校验信息”这类高耗时、低创造性的事情全部自动化。研究员真正值钱的地方是建立分析框架、做关键假设、下投资结论，这些短时间很难被替代，但信息处理环节确实可以让大模型加Agent架构全权接管。

1.1 投研的脏活累活到底有多少

我在上面提到的这套体系之前，团队里的研究员每天的工作节奏是这样的：早上先打开行情软件看持仓和自选股的隔夜新闻，然后开始读券商研报，重点看行业景气度、目标价调整、盈利预测变化；下午要参读上市公司公告，特别是定期报告、业绩预告、重大合同；晚上还要整理自己的调研纪要，把沟通内容结构化归档。

这个流程最大的问题不是某个环节难，而是信息量太大了。一家中型券商每个交易日发布的个股研报加行业报告动辄几百份，一个研究员覆盖三五十只股票，一天下来光读报告就要四五个小时。更麻烦的是，数据口径不统一，不同券商对同一家公司的营收预测可能差好几个版本，财务数据在公告里是A口径，在研报里又变成B口径，人工核对一遍极其费劲。

我最早尝试用传统方案去优化，比如写爬虫自动抓公告、写正则从PDF里抽财务数字，结果投入产出比很差。公告版式和研报模板五花八门，正则规则写了几百条还是经常漏数据。后来换成了大模型加Agent的方式，把“抽取规则”改成“语义理解”，从根上绕开了规则维护的泥潭。

1.2 AI自主驱动与传统量化投研的本质差别

很多人一听到AI投研，第一反应是量化交易。这里必须做个区分：传统量化投研的核心是因子模型和统计套利，数据必须是干净的数值型字段，然后跑回归、算相关性，整个过程是全自动的，但它不处理语义信息，读不懂“公司加大海外市场拓展力度”这句话对基本面意味着什么。

AI自主驱动投研的核心在自然语言理解和任务拆解。它不是让模型去预测股价，而是让模型去扮演一个“研究助理”：你说“帮我看看某消费电子公司最近三个季度的经营质量是否改善”，它会自动拆解成几个子任务——读取历史财报、提取核心财务指标、搜索最近研报观点、对比行业趋势、输出结构化结论。

打个比方，传统量化是在处理已经变成“Excel表格”的世界，AI Agent要处理的是“一堆文档”的世界，它自己把文档变成表格，还能顺带给出解读。这正是两个技术路线最大的分水岭。

1.3 这套思路适合谁，不适合谁

先说适合谁。第一类是券商、基金、资管机构里做投研支持的人，每天和研报、财报打交道，最需要自动化工具；第二类是负责信评风控的人员，需要持续跟踪发债主体的经营变化，AI Agent非常适合做持续监控；第三类是对上市公司做深度研究的个人投资者，虽然没有机构那么多数据源，但同样可以利用公开财报和公告搭建一个轻量级的分析系统。

不适合谁？如果你以为搭建完AI投研流程就可以自动选股、自动稳赚，那我劝你趁早放弃。大模型对未来的预测能力并没有好到可以替代投资决策，它擅长的是处理“已有信息”，而不是创造“新的有效信息”。把它定位成一个超级研究助理，而不是财富密码，才是正确的打开方式。

2. 系统架构与核心Agent拆解

整体架构我按四层来设计：数据层、模型层、Agent层、应用层。这个分层不是拍脑袋定的，是在实际运行中反复调整后才定下来的。早期我试图把所有逻辑塞到一个Agent里，结果任务一长就乱，后来才拆成多Agent协作的模式，稳定性明显提升。

2.1 整体分层：从数据源到用户界面的完整链条

数据层负责统一接入各类数据源。我这里主要接了三类源：一是上市公司公告和定期报告，来源是公开的交易所信息披露网站；二是券商研报，通过合规渠道购买或授权获取；三是行情和舆情数据，包括每日股价、成交量、新闻标题和热度指数。

数据层做四件事：采集、解析、清洗、入库。采集用调度框架定时拉取，解析现在全部交给大模型做文档结构化，清洗则是把明显错误的数据剔除，最后统一落到数仓里，公司维度、财务周期维度、事件类型维度都提前建好索引。

模型层相对简单，主要管理大模型API和私有化部署的小模型。大模型负责理解和生成，小模型负责做分类打标、敏感信息识别、格式校验这些轻量任务。把任务拆到不同规模的模型上，是为了成本可控，如果所有请求都走大模型，一个月下来API账单会非常惊人。

Agent层是整个系统的核心，我拆出了五个角色：信息采集Agent、研报解析Agent、逻辑推理Agent、风险校验Agent、报告生成Agent。每个Agent只做一件事，通过一个协调器串联整个流程。下面的表格整理了各Agent的职责、输入输出和关键模型。

2.2 多Agent协作是如何避免“一个Agent干到底”的混乱

最开始我也用过单Agent模式：一个Prompt里面包含所有工具和上下文，让它自己决定先查财报、再读研报、最后写总结。问题非常明显，任务一旦超过三步，模型就会“迷路”，要么漏掉关键步骤，要么把工具调用顺序搞乱，而且排查问题时完全不知道卡在哪一步。

拆成多Agent之后，每个Agent负责一段独立操作，边界清晰，可以单独测试和替换。举个例子，研报解析Agent只做“从研报中抽取观点”，它对输入输出有严格规范：输入是PDF解析后的纯文本，输出是标准JSON，格式为观点ID、来源研报、目标公司、观点类别、原文摘要、发布时间。

这样的设计带来三个直接好处。第一，任何一个模块出问题都可以单独重跑，不需要把整个流水线全部重来；第二，可以针对每个Agent单独调优提示词，效果迭代很快；第三，关键路径上可以插入人工审批节点，比如在风险校验Agent发现问题时强制转人工，系统是可解释的。

2.3 大模型和小模型的选型逻辑

选型的时候，我的原则是：能用小模型解决的绝不上大模型。大模型目前仍然是按Token计费，一篇研报解析几千到上万Token，全流程跑下来成本不低。而有些任务是典型的分类问题，比如判断一篇公告属于“重大合同”还是“关联交易”，用微调过的小模型效果又好又便宜。

大模型我主要用在三个场景：研报观点的语义压缩、跨文档信息聚合、生成分析结论。这三个场景对语言理解和逻辑推理要求高，小模型确实顶不上。比如跨文档信息聚合，需要把三份不同券商对同一公司的业绩预测整合到一个表格里，并标注预测分位数，没有强大的语义对齐能力是做不好的。

小模型我用在了公告分类、敏感信息识别、格式校验、相似文章去重。这些任务数据量大、逻辑固定，用小模型跑批量非常划算。实测下来，公告四分类的F1分数超过0.97，和之前用大模型跑的效果相差不大，但成本只有大模型方案的五分之一左右。

2.4 知识库和向量检索怎么用起来

投研系统里有一个很头疼的问题：同行业公司、历史案例、产业链关系这类知识是高度结构化的，直接塞进Prompt既浪费Token又干扰模型注意力。我采用“知识库+向量检索”的方式，把这类沉淀知识独立放出去，需要时再检索回来。

具体做法是把近三年的行业深度报告、公司深度报告、产业链图谱等文档切块后做向量化，存到向量数据库里。每当逻辑推理Agent要分析一家公司时，会先检索这家公司所属行业近三个月的深度报告片段，作为分析背景注入Prompt。

这一步非常关键。它让模型在回答“这家公司毛利率下降的主要原因”时，不只是盯着财务数据本身，还能参考行业报告中的竞争格局、原材料价格走势等上下文信息。实际验证下来，加了RAG检索之后，分析结论的完整性和深度都有明显提升，引用依据也从“感觉”变成了可追溯的源文档。

3. 从0到1实现一个投研分析智能体

这一部分直接上实操。我以一个真实场景为例：分析某消费电子公司的季度经营质量。整条流水线跑一遍，你会看到数据怎么抽、Agent怎么编排、Prompt怎么设计、结果怎么校验。

3.1 第一步：把非结构化PDF变成结构化JSON

投研数据90%以上都是半结构化或纯文本，第一步永远是把PDF和网页变成结构化字段。我最早用规则加正则，后来换成大模型抽取，准确率和通用性都上来了。

这里给出一个财务指标抽取的Prompt模板，简单但非常实用：

SYSTEM_PROMPT_FIN_EXTRACT = """ 你是一个金融文档结构化助手。用户会给你一段上市公司财务报告的正文内容， 请从这段内容中抽取以下指标，并以JSON格式返回字段： - company_name: 公司全称 - period: 报告期，格式YYYY-MM-DD - revenue: 营业总收入（元） - revenue_yoy: 营业总收入同比增速（百分比） - net_profit: 归母净利润（元） - net_profit_yoy: 归母净利润同比增速（百分比） - gross_margin: 毛利率（百分比） - operating_cashflow: 经营活动现金流净额（元） 抽取原则： 1. 只保留报告原文出现过的数字，缺失字段填空字符串。 2. 单位必须换算成“元”，如果是“万元”要乘以10000。 3. 同比增速保留百分号前的数字，比如5.3%返回5.3。 4. 如果有调整后数据，优先采用调整后口径。 5. 不要填写任何推断值，无法确定就返回空。 """

这个Prompt设计的关键在于“边界约束”。如果不限定单位、不加口径说明，模型会随机生成“营收大约50亿”这种模糊值。加了“只保留原文出现过的数字”之后，抽取结果基本可以做到零幻觉。实测对三种PDF版式不同的财报进行抽取，关键财务字段的准确率在95%以上。

抽取完成之后再写一段简单的数据校验代码，因为大模型偶尔还是会把“元”和“万元”搞混。校验逻辑就是用上期数据加同比增速反推本期营收，计算误差，如果超过1%就标记为疑似异常。

def validate_fin_extract(extract, prev_fin): revenue_implied = prev_fin["revenue"] * (1 + extract["revenue_yoy"] / 100) diff = abs(revenue_implied - extract["revenue"]) / extract["revenue"] return diff < 0.01

我把这个函数放在数据入库之前，一旦校验失败，数据不会直接写进事实表，而是进入待人工复核队列。这个复核机制帮我挡住了无数次数据污染事故。

3.2 第二步：Agent编排，让协调器调度多个模型协作

有了结构化数据，接下来就是Agent编排。这里我推荐用类似于LangGraph的方式，把Agent和工具节点定义成有向图，而不是让模型自由调用。图结构的好处是执行路径固定、方便追踪、也能控制成本。

下面是一个精简的协调器代码示例，展示多Agent怎么协作：

from langgraph.graph import StateGraph, END def collect_node(state): # 拉取指定公司的公告、研报、行情数据 facts = collection_agent.run(state["company_code"], state["period"]) return {"facts": facts} def analyze_node(state): # 逻辑推理Agent，基于事实表计算指标趋势 conclusion = reasoning_agent.run( facts=state["facts"], industry_context=rag_retrieve(state["company_code"]) ) return {"draft": conclusion} def risk_node(state): # 风险校验Agent，检查矛盾数据与模型幻觉 risk_report = risk_checker.run(draft=state["draft"], facts=state["facts"]) if risk_report.has_error: state["need_manual_review"] = True return {"risk": risk_report} def generate_node(state): # 报告生成Agent，组装最终输出 report = report_agent.run( draft=state["draft"], risk=state["risk"] ) return {"report": report} graph = StateGraph() graph.add_node("collect", collect_node) graph.add_node("analyze", analyze_node) graph.add_node("risk", risk_node) graph.add_node("generate", generate_node) graph.set_entry_point("collect") graph.add_edge("collect", "analyze") graph.add_edge("analyze", "risk") graph.add_conditional_edges("risk", lambda s: "manual" if s.get("need_manual_review") else "generate") graph.add_edge("generate", END)

这套编排写完之后，整条流程变得非常直观：采集 -> 分析 -> 校验 -> 生成，出了状态错误只需要看图上卡在哪个节点。这里的“图”是执行流程，不是用来展示的示意图，工程上调试极其方便。

3.3 第三步：提示词如何设计才能让分析结论“有依据”

Agent跑起来的核心在于提示词。我在设计分析提示词时特别强调“依据链”，要求模型每个结论都要标注数据来源和推算逻辑，不能凭空下结论。以下是我在逻辑推理Agent里用的一套核心约束：

你是一位研究员助理，请根据提供的facts数据，对公司的经营质量进行分析。要求：1）每个判断必须引用facts的字段或行业上下文，说明判断依据；2）对于趋势变化，要用至少两个连续期的数据进行对比；3）不要给出投资建议，只做事实描述和逻辑归因；4）如果数据不足，明确说“暂无法判断”，不要推测。

这套约束的核心是“不让它做预测”。模型一旦被要求闭嘴承认不知道，输出质量反而会更好。实测在没有约束前，模型经常编造“未来有望保持增长”这类空话，加了约束之后，它学会了回答“当前数据无法判断未来趋势”。

报告生成Agent的提示词则更偏格式控制，我会直接给出输出模板，要求模型把结论和依据填到指定位置。这样做的好处是最终生成的纪要风格统一，后续人工复核也更轻松。

3.4 第四步：人工复核节点设计，AI负责跑量，人负责把关

再好的Agent也会犯错，人工复核节点绝对不能省。我在流程里设计了两处强制人工复核：第一处是数据抽取异常时，也就是上文的校验函数报错；第二处是风险校验Agent检测到“高置信度矛盾”时。

高置信度矛盾是指两个信息源在同一指标上差异超过阈值，比如两份研报对同一家公司下一财年的营收预测，一个说增长20%，一个说下降5%，两者相差过大。这时候模型会输出一条风险提示，并建议人工复核。系统不会自动把这份矛盾信息写进报告，而是先把任务挂起，等人工介入。

这样做的好处是我心里一直有底——AI只是帮我初步处理了95%的常规工作，剩余5%最需要专业判断的部分仍然握在研究员手里。从效率和风险两个维度看，这是目前最合理的平衡点。

4. 踩坑记录与问题排查，这些是普通文档不会写的内容

这套系统上线到现在，踩过的坑比写过的代码还多。下面整理几个最典型的疑难问题，以及我的排查思路和解决方案，希望你能绕开这些点。

4.1 数据污染：比模型幻觉更致命的坑

所有用大模型做数据抽取的人都会担心幻觉，但实际跑下来我发现，数据污染比幻觉更常见也更危险。什么情况算数据污染？同一指标在不同文档里口径不同，比如A公告的“营业收入”是含税口径，B研报用的是不含税口径，抽出来之后直接对比，得出来的趋势判断就是错的。

排查思路说起来简单：入库之前必须做口径一致性校验，至少要在同一份分析报告里保证所有数据点来自同一口径。我的做法是为数据字典增加“口径标签”字段，并在抽取阶段让模型输出口径说明，入库时按口径分组存储。计算趋势时，只用同口径的数据点。

还有一个容易忽略的污染来源是文档版本。同一份季报可能有修订版，如果采集Agent把旧版本和新版本都抽了一遍，就会形成两条看似矛盾的数据。解决办法是为每个公告建立唯一编码，按修订时间倒序保留最新版本。

4.2 模型幻觉怎么控制，我的三层防线

应对模型幻觉我搭了三层防线。第一层是在提示词里强制“找不到就写找不到”，禁止模型自己补全。第二层是通过事实校验Agent做二次检查，让它把输出里的每个关键数字与原始文本比对，不一致就标记。第三层是人工复核节点，专门兜底前两层没拦住的问题。

三层防线建立之后，严重幻觉的发生率从早期的百分之几降到了千分之一左右。这个比率我认为是可以接受的，因为投资分析本身就有不确定性，只要每次错误都有标记、能追溯，风险就可控。

4.3 跑批性能与API成本怎么平衡

初期我所有任务都走大模型API，一个月跑下来成本非常惊人。后来做了三件事：一是把公告分类、格式校验等高频简单任务全部切到小模型，二是把研报解析做成了“只做增量”，不是每天全量重新解析所有研报，只有新入库的才处理；三是合理设置批量大小和并发数，避免频繁触发API限流。

这里给一个参考配置：并发数设置为10，每批请求间隔0.5秒，大模型窗口设为32K上下文，单次解析控制在6000 Token以内。这样既能保证处理速度，又能让成本按月稳定在一个可接受的水平。

从效果上看，调整后每天的解析量翻了接近一倍，成本反而下降了三成。如果你在建类似系统，我建议你每周看一次各Agent的Token消耗分布，主动优化那些占比高但价值低的调用。

4.4 Agent任务跑偏的典型症状与对策

Agent跑偏最常见的症状是“该做的没做，不该做的全做了”。比如你让它分析经营质量，它却把重点放在股价涨跌上；或者你让它只用一个行业的数据，它却把宏观经济数据也拉了进来。

排查方法非常粗暴但有效：打开执行日志，逐节点检查输入输出。我会在每次任务结束后打印一个JSON摘要，包含每个节点花了多少时间、调用了哪些工具、模型返回的原始输出是什么。只要看一眼JSON摘要，就能快速定位跑偏发生在哪一步。

对策有两种。第一种是给Agent加上“行动边界”：在系统提示词里明确哪些操作允许、哪些操作禁止，甚至允许回复“这个任务超出我的能力范围”。第二种是把任务拆得更细，让每个Agent只处理单一目标，减少自由发挥的空间。这两个对策配合使用，跑偏概率会大幅下降。

4.5 常见问题速查表

5. 后续还能怎么扩展

这套体系目前已经稳定运行了挺长时间，我还在继续加新东西。一个是把事件驱动机制做进去，比如上市公司发布业绩预告或重大合同公告时，自动触发对应股票的深度分析任务，而不是每天固定时间批量跑。

另一个设想是把分析结论以图结构呈现，公司、行业、上下游、可比公司之间自动建立关系图谱。AI Agent在分析新公司时，可以顺着图谱找到相关的行业背景和同业数据，分析深度会比现在提高一大截。

最后想说的是，AI自主驱动投研这套东西，最大的价值不是帮你“一秒生成研报”，而是把研究员从重复劳动中解放出来，让他们把时间花在真正需要判断力的事情上。从我自己的实践体感来看，如果你也想做类似的系统，一开始的定位一定要准确：让AI做执行层，让人做决策层，这个边界划得越清晰，系统的实用价值就越大。我强烈建议你先拿3到5家公司的公开数据搭一个最小原型，跑通之后再逐步扩容，千万不要一上来就追求大而全。