智能体应用正在迎来政策规范与产业落地的双重提速。AI Agent正从通用问答工具加速进入投研、资管等专业场景，成为金融科技企业争夺的新入口。
近日，国家网信办、国家发展改革委、工业和信息化部联合印发《智能体规范应用与创新发展实施意见》，提出积极稳妥推动智能体典型场景应用。对金融服务提出研发金融风控智能体，提升信贷审批、交易监控、账户安全等环节风险识别能力。
围绕投研AI Agent的应用场景以及金融智能体未来发展等问题，《中国经营报》记者近期专访了AI投研服务机构北京熵简科技有限公司（以下简称“熵简科技”）联合创始人李渔。
李渔表示，AI Agent更像是一个放大投资研究员能力的杠杆，但不能替代人的决策判断。在二级市场投研中，90%以上的数据是公开数据，一手调研等非公开数据占比并不高。目前金融投研智能体的水平还处于早中期。
本地化Agent正嵌入研究员工作流
随着开源AI智能体框架OpenClaw（中文名“龙虾”）的爆火，金融投研场景正成为AI Agent落地的重要方向之一。
鉴于金融业的特殊性，本地化能力需求突出。在金融投研场景中，研究员在工作中会形成大量非标准化资料。例如，线下调研上市公司、与董事长或技术专家访谈、去工厂调研形成的一手数据，以及固收研究员手中的利差表格、内部模型和Excel文件等。这些数据往往是研究员核心工作成果，也直接关系到机构的研究能力和交易判断，难以上传至公开云端工具处理。
“在很多场景里，核心数据都在本地，很难上传到云上的产品里。”李渔表示，如果研究员既希望AI提供专业帮助，又要控制数据外流风险，本地端工具就具有现实意义。
李渔介绍称，以固收研究为例，部分研究员平时需要处理大量Excel表格，过去可能要自己写公式或代码，耗费不少时间。但在应用智能体产品后，机构客户普遍反馈研究效率大幅提升、本地化运行和金融场景适配度加深。
今年3月，熵简科技旗下AlphaEngine推出AlphaClaw（金融小龙虾）功能，定位为面向金融投研场景的AI Agent工具。
李渔透露：“AlphaClaw推出后，它给大家的感觉像是一位工作经验在3—5年的同事，在自己的本地电脑里，可以随时跟你互动，甚至帮你完成任务，既有每日必做的自选股复盘，也有通过大量数据分析的公司建模研究等。”
在深度研究场景中，AI Agent的价值则体现为对大量原始资料的阅读和整理。李渔举例称，研究一家大型公司时，过去可能需要一个研究团队连续工作一周；现在通过多个Agent并行协作，可以在较短时间内完成资料阅读、建模分析和研究框架生成。
不过，效率提升背后也存在成本问题。李渔坦言，复杂任务会消耗较多算力。例如，一个涉及大量资料阅读和建模分析的复杂任务，可能消耗千万级Token，成本大约在数百元人民币。
从商业模式看，目前熵简科技采取按年订阅方式收费。“与传统SaaS不同，AI Agent在运行过程中会持续消耗底层算力。因此，标准订阅中包含一定算力积分，使用量超过后，客户需要额外购买算力包。”李渔透露。
金融智能体仍在L2—L3阶段
过去，金融终端更多是数据和信息入口。研究员要研究一家公司，需要主动输入公司名称，检索公告、研报、纪要和财务数据，再进行阅读、分析和建模。
在李渔看来，投研AI Agent的核心变化，是从“人操作工具”转向“人委托Agent执行任务”。“Agent出现后，产品逐渐站到用户和金融终端之间。如果用户提出‘研究一下某家公司最近值不值得投资’，Agent可以自行在金融终端上寻找资料、阅读资料、进行分析，甚至建模，最后形成带有支撑材料的结论。”
据了解，在熵简科技内部，AI投研能力被划分为从L1—L5的不同阶段。“当前AlphaClaw大致处于L3阶段，相当于一个有3—5年经验的专业分析师。未来，公司希望推动产品逐渐从L3走向L4、L5。L4阶段系统可以形成媲美专业投资经理水平的投资决策信号，但最终仍需要人来判断；L5阶段则是在用户授权的情况下，由系统自主研究，并进一步完成资产配置、交易操作，以及投后跟踪的全流程资产管理。”李渔说。
对于整个金融投研智能体行业的发展水平，李渔判断，目前大致处在L2—L3之间。L2更多是AI辅助，L3则能达到初级金融分析师水平。
对于未来业务计划，李渔表示，今年首先要把Agent作为中间层做好，公司将继续扩充入口，包括微信、飞书等更灵活的接入方式，使用户能够更方便地与Agent互动。同时考虑本地端之外的云端待命形态，逐渐做到真正的7×24小时待命。
智能体应用加速落地的同时，相关风险也逐渐被市场关注。
李渔认为，投研AI Agent并不意味着替代研究员判断。在二级市场投研中，90%以上的数据本身是公开数据，少量一手调研等非公开数据占比并不高。真正的核心，在于数据质量和应用场景——如何从数据里面找到关键投资逻辑和投资信号，并基于这个信号决定最终投资决策。
在李渔看来，投研智能体更像是一个放大研究员能力的杠杆。对于普通研究员，它可以帮助其在一周内完成过去两三周的工作量；对于经验丰富的投资人员，它可以将其分析框架沉淀为Skill，把大量手工性、重复性工作自动化，让研究员把更多时间放在思考和深度分析上。
在行业竞争层面，李渔认为，这一轮AI Agent竞争的核心，一方面是对金融业务的理解，另一方面是技术团队对Agent能力的判断、积累和落地执行力，人才是最核心的竞争力。
