川海智库

报告概述

本报告聚焦AI Agent在金融投研领域的应用，研究对象为具备自主感知、记忆、决策、交互与执行能力的智能系统。报告覆盖了Agent产业链（从算力、模型到应用交付）、技术架构（Model+Harness）、部署方式及商业模式，重点分析了垂类Agent在数据、Skill和Harness三个维度的核心壁垒。通过对比通用与垂类Agent，报告揭示了金融场景对专用模型和标准化数据治理的强依赖，并展望了投研Agent从辅助工具向全流程智能平台演进的路径。对于投资者和从业者，该报告提供了理解投研Agent行业现状、竞争格局与投资机会的系统框架。

报告的核心结论

AI Agent正从Chat演进为具备动手能力的智能体，垂类Agent在金融场景不可替代。

Agent具备永久记忆、本地操作和主动推送三大特征，与传统问答式AI有本质区别。金融投研涉及复杂数据规则和严谨合规要求，通用Agent难以胜任，必须依靠垂类Agent基于专业数据和领域知识进行深度适配。

投研Agent的核心竞争力在于数据、Skill和Harness，其中Harness治理是关键。

数据是金融投研的原材料，优质数据治理能消除口径偏差；Skill作为可复用的标准化能力模块，直接影响用户体验和用户粘性；Harness通过构建层、连接层、能力层和运行管控层，将不可控的数据调用转化为可审计的生产流程，是保障输出可靠性的核心。

投研Agent市场规模2030年有望达392亿美元，B/C端全域布局打开增量空间。

全球AI软件市场快速增长，金融SaaS占比最高。国内智能投研一方面加速替代传统投研存量市场，另一方面通过服务机构和个人投资者挖掘新增量，同时凭借差异化产品抢占海外市场份额，预计2030年中国投研Agent市场达392亿美元。

未来投研Agent将沿数据标准化、Skill工程化、Harness专业化三大方向协同升级。

当前投研Agent在数据口径统一、模型幻觉控制、长推理链路校验等方面仍有局限。未来需搭建标准化数据资产体系，封装财报解析、估值建模等专属Skill，并构建投研级治理底座，实现多智能体协同与全流程可追溯，以契合专业与合规双重要求。

报告回答的关键问题

什么是投研Agent？

投研Agent是一种专为金融投研场景设计的垂直类AI智能体，具备自主感知、记忆、决策、交互与执行能力。它能自主拆解投研任务，调用工具（如数据库、API）进行数据查询、财务分析、研报撰写等操作，并通过Harness架构保证过程的可靠性和可审计性，相比通用Chat产品拥有永久记忆和本地操作能力。

投研Agent如何提升投研效率？

投研Agent通过自动化处理信息收集、数据校验、财务分析、研报初撰等重复性工作，将分析师从繁琐事务中解放出来。它利用预置的Skill（如估值建模、舆情分析）和Harness治理体系，实现跨系统数据调用和长链路推理，显著缩短单次研究周期，并降低人为错误，使分析师更专注于深度判断。

金融垂类Agent相比通用Agent有哪些优势？

金融垂类Agent基于专业金融数据和行业规则训练，能精准理解复杂业务逻辑（如估值框架、合规要求），避免通用Agent常见的“幻觉”和场景错配。它支持本地部署、低延迟且满足数据安全要求，在投研分析、策略生成等决策型场景中表现远优于通用产品，但跨领域扩展性较弱。

投研Agent市场规模有多大？

报告预计中国投研Agent市场规模在2030年有望达到392亿美元。该预测基于Gartner全球AI软件市场规模以及金融SaaS占比推算，并考虑了国内存量替代、B/C端新增需求和海外市场拓展。当前AI Token调用量18个月增长55倍，表明用户需求正快速爆发，支撑市场高速增长。

企业如何选择投研Agent产品？

选择投研Agent应关注三个核心要素：一是数据治理能力，优先选择数据底座扎实、口径标准化的厂商；二是Harness成熟度，需具备完善的运行管控层（如沙箱隔离、审计追踪）；三是Skill生态丰富度，看其是否预置了高质量的投研专用技能。此外，还需评估合规管控体系和部署灵活性（如本地/云端）。

报告中的代表性数据

122.96万亿

全球模型Token月调用量

2026年5月，根据OpenRouter数据，2026年5月全球模型Token调用量达122.96万亿，较2025年1月的2.23万亿增长约55倍，月均增长28.5%，反映AI需求井喷。

392亿美元

投研Agent市场规模

2030年（预计），基于Gartner和Dataintelo数据推算，预计2030年中国投研Agent市场规模达392亿美元，考虑了国内存量替代、B/C端全域布局及海外市场拓展。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

  • 完整市场数据与趋势图表：包含全球AI模型Token调用量增长曲线、金融SaaS市场规模占比、投研Agent市场规模预测模型及多维度图表，直观展示行业增长驱动力。
  • 投研Agent技术架构详解：详细拆解Agent=Model+Harness的技术共识，说明构建层、连接层、能力层和运行管控层的功能及相互协作机制，并附有架构示意图。
  • Skill生态与Harness治理框架：深入解析Skill的四个结构文件（skill.md、reference.md、example.md、Scripts）及其在投研场景中的应用，同时展示Harness在数据治理、场景明晰、数据使用方面的具体运作流程。
  • 全球及中国市场预测：基于Gartner、Dataintelo等第三方权威数据，分区域（亚太、其他地区）和分场景（国内存量替代、B/C端增量、海外拓展）给出2025-2030年市场规模预期数值及增速。
  • 代表性厂商分析：对比WindClaw、Codex、Paiwork、WorkBuddy、妙想Claw、iFinD投研智能体等产品的模型、部署方式、数据源及价格模式，揭示垂类Agent的差异化优势。
  • 投资建议与风险提示：列出重点推荐公司（东方财富、同花顺）的估值表及评级，并从监管合规、AI模型应用风险、Agent执行失范三个维度揭示潜在风险。
  • 政策环境梳理：汇总2017年以来人工智能相关支持政策（如《新一代人工智能发展规划》《智能体规范应用与创新发展实施意见》），分析其对金融投研Agent落地的引导作用。
  • 案例与选型框架：提供证券行业研究分析等实际应用场景的Harness工作流解构，并总结垂类Agent选型的三大核心考量点（数据、Skill、Harness），帮助读者快速评估产品。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告