构建AI Agent实现行业景气度快速分析

AI技术正加速渗透至金融投研领域，KIMI、腾讯元宝等产品的普及背后，有一个关键的现实因素：它们具备快速抓取资料、长文本理解与推理的能力，恰好精准解决了金融投研的痛点。从实际应用来看，当前AI更适合处理文字类的整理分析工作，例如协助研究员搜集某个行业的最新数据与观点，或完成单个公司的初步资料整合与财务分析。而在策略分析环节，AI最具替代潜力的场景，或许就在于行业景气度的比较分析——特别是分析不同行业在特定时间区间（如当月或当季）内的景气状况。

传统行业景气度分析需要构建一套涵盖定性与定量数据（月、季、年频）的评估框架，并在特定时间点手动更新数据，再逐一分析各行业，最终进行横向对比。这套流程的痛点显而易见：其一，工作量巨大，每次更新都需手动搜集海量数据；其二，引入新细分行业的成本高昂——确立一个行业的分析框架与数据库本就耗时费力，若框架确定后，又涌现出像从汽车零部件衍生出人形机器人这样的新赛道，几乎需要从头再来。

针对上述痛点，我们尝试发挥AI大模型的特性，基于COZE平台构建了一个能够快速分析特定行业景气度的AI工作流。该工作流本质上是一套将AI技术嵌入业务流程的自动化框架，通过预设步骤与规则处理任务，旨在提升效率、降低成本。

为何偏要采用预设步骤的AI Agent方案？原因在于，KIMI、元宝等平台受输入输出tokens的限制，单次问答难以全面覆盖复杂的景气度问题，且多次回答的一致性不足。而像Manus那种能自主规划任务的AI Agent，一方面可控性较弱，对精确性要求高的投研任务并不适用；另一方面，任务成本也更高，因为它难以根据任务难易程度灵活调用不同性能的大模型。

我们的核心思路是：先用一个性能较强的大模型规划出特定行业的分析框架，再通过两个并联的循环组件梳理对应的细分条目，最后用一个长上下文的大模型汇总所有信息与数据，逐条评分，最终得出行业的综合评分。

这种方法能够更快速、定制化地分析特定行业在特定时间区间的景气度，行业名称与时间区间的设定自由度极高，且无需大量人力投入，恰好与传统景气度分析方法形成互补。从回测结果来看，AI Agent给出的景气度评分与对应时间区间的行业指数涨跌幅之间存在一定相关性，这不仅补充了信息层面的参考，也为行业比较与择时提供了依据。

预设步骤AI Agent的构建流程

不同AI工作流平台的构建方式可能略有差异，但总体思路是相通的。这里以扣子平台为例，展示构建AI Agent的具体流程与关键细节。

首先，在工作空间创建智能体，然后创建工作流，在业务逻辑页面设置相关的细分Agent。

初始节点：此处需要用户输入三个关键参数。第一，分析的具体行业，例如光伏、新能源汽车、房地产等。用户可参考申万等行业分类进行提问，也可直接输入定制化行业名称，如脑机接口、人形机器人。其背后的逻辑是，后续流程中的AI Agent会理解这些行业名称，并自动生成关键词进行网络搜索。第二，需要分析的时间区间，例如25年一季度、24年下半年或25年2月。时间可灵活设置，但建议采用常用的月频、季频。若时间区间过短或离当前时点过近（比如在25年5月分析25年5月的景气度），网络上可搜到的资料与数据将较为有限，最终评分难以全面客观。不过，若仅需搜索最新行业信息，也可设定较近的区间，后续AI报告会整理出相关新闻与数据。第三，需要分析的因素数量，后续AI Agent会根据此数字拆分对应的分析方向。数量越多，分析角度与数据搜集方向越多，但也会消耗更多tokens与时间。根据经验，5到10个因素较为合理；若需更精确的分析，可增加至10个以上。

大模型1——提出行业分析框架：初始节点之后，引入第一个大模型，负责提出整体行业分析框架。框架确定后，每个分析角度会以数组形式输出给后续用于搜索资料的大模型。提示词的设计大致如下：系统提示词设定角色为专业严谨的金融分析师，要求基于相关信息，列出可用于描述特定行业在特定时间区间景气度与经营情况的细分方向（数量由用户输入决定），并输出重要性排序最高的前N个维度。用户提示词则进一步明确要求：列出可用于描述目标行业与目标时间区间景气度的基本面分析维度，最多为指定数量。此处Input代表行业名称，input2代表时间区间，input3代表分析因素数量。

循环——自动化搜集各维度数据：大模型1完成框架设计后，进入循环节点，自动依次搜集网络上对应各个细分框架条目的数据。循环中设置了三个模型：

大模型2负责搜集特定分析条目在特定时间区间的数据。例如，若初始节点输入“光伏，25年一季度，3”，大模型1将光伏的基本面拆分为“光伏产品价格走势、光伏产能变动、光伏相关政策”三个方向，那么大模型2会依次对这三个方向进行网络资料搜集，整理相关新闻与数据。提示词设定角色为资深金融分析师，要求利用工具搜索特定行业在指定时间区间内的基本面数据，并尽可能完整、结构化地呈现。用户提示词则指定行业名称、时间区间、当前需要查找的分析条目，以及前序循环的结果等参数。

大模型3负责搜集该分析条目相关数据的历史走势。由于判断行业景气度需要对比当前数据与历史值，因此在数据搜集部分，我们将特定时间区间数据与历史数据拆分为两个独立工序。大模型3根据大模型2搜到的特定时间区间数据，寻找类似口径的历史数据，以便进行纵向对比。提示词同样设定为资深金融分析师，要求使用工具搜索相关历史数据，并清晰呈现。

在循环模型的选择上，建议采用速度更快、成本更低的模型。循环是“类串联”流程，上一个任务完成才能启动下一个，因此高速模型能压缩整体工作时间。大模型2与3的主要任务是从搜索引擎中提取有效信息，对推理能力要求不高。

其余节点：文本处理节点用于汇总大模型2与3搜集到的资料；变量设置节点则把本轮循环的数据打包传递给下一循环，最终在所有细分条目都搜集完毕后，得到汇总的数据结果。由于单个模型能搜到的新闻与数据有限，且带有一定偶然性，我们复制了另一个循环作为补充——这样大模型1给出的分析条目会同时交给两个循环中的大模型进行搜集，最后的数据报告都将汇总到后续分析模型手中。

大模型4——根据数据资料分析行业景气度并评分：循环完成后，设置大模型进行总分析。主要包含两项任务：一是分析每个细分条目在当前数据与历史数据比较下的景气度高低，给出单项评分（1-5分，1分最低，5分最高）；二是根据各条目的评分，综合给出行业景气度总评分。该模型需要较强的综合推理能力，建议选择分析推理能力更强的大模型。提示词设定角色为专业资深金融分析师，要求结合资料对行业进行基本面分析，对各维度进行量化分析（如同环比变化、政策等），并按照结构化方式呈现。用户提示词则要求根据资料中的数据，将不同维度的景气度从低到高打1-5分，并最终给出综合得分，分析目标行业在指定时间区间的经营景气度。输出形式举例略去。

总体评价及未来展望

我们构建的这个预设步骤AI Agent，核心工作模式是：先由AI自动构建特定行业的分析框架，然后发挥其快速梳理大量文本的优势，筛选网络上的有效资料，最后对比分析对应时点的基本面与历史数据，得出各维度景气度评分以及综合评分。

在实务中，该工作流可能在两类场景下为投资者提供参考。一是辅助案头研究，它能高效搜集与梳理全网与特定行业景气度相关的信息数据，输出报告能够大幅减少研究员的信息搜索耗时；对偏自上而下的投资者而言，也能快速了解特定行业的景气度高低。二是构建高景气投资组合，因为高景气度的行业或个股业绩支撑性强、不确定性较低，而AI工作流能够快速获取月频、季频的景气度评分，有效筛选当前市场中的高景气行业，辅助构建投资组合。

该方案最大的特点就是“快”。人工研究可能更精细、更全面，但时间成本高昂。我们设计的流程完成一次分析（对应5-8个因素）大约只需5到10分钟，能够快速给出某行业景气度的大致评价。同时，AI在网络上搜集资料与新闻的过程中，输出的报告也自然梳理了影响行业景气度的各因素，有助于投资者进行案头研究。

当然，AI Agent用于行业分析仍有局限。首先，它对分析框架的设计可能不及对口研究员精准，按特定框架搜集数据与评分，最终结果可能与实际情况存在偏差。其次，它只能基于搜索引擎能搜到的内容进行分析，若某些公开信息未以AI能理解的形式出现在搜索结果中，就可能被忽略。最后，AI对投研任务的智能化仍待优化，在处理部分数据与信息时，推理能力可能弱于专业投资者。

未来的优化方向主要有两个：一是优化数据源，很多工作流平台的数据源尚未打通，例如缺少上市公司公告、研报、行业数据库、财务数据库，以及海外网站、公众号等来源。若AI Agent能够获取更丰富的数据源，分析结果自然会更准确。二是升级算力，使用更强大的大模型，让其在从数据搜集到综合分析的整个链条中更快速、更准确。

总体来看，虽然还有优化空间，但当前版本的AI Agent分析结果已具备一定的参考价值，可以在一定程度上协助投资者完成行业分析类研究任务与行业轮动决策。投资者也可以根据AI的定量评分，快速构建基本面因子，辅助量化投资。

风险提示

AI分析具有随机性。大模型每次输入同样的参数，可能输出不同结果，因此生成内容存在一定随机性。

AI幻觉风险。大模型的智能化程度仍有待提升，由于数据可得性等原因，部分分析过程可能存在AI幻觉。本文仅作为AI投研工作流的方法示意，不构成任何投资建议。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：构建AI Agent实现行业景气度快速分析要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题