跟踪 | AI在投研的进展和改变 – 从openclaw开始我们有哪些应用领域的发现

本公众号是《思维纪要社》的备用账号，通道↓↓↓

本次会议围绕AI在投研领域的应用进展展开，马老师、王老师结合过往客户交流经验，分享了4类AI投研应用案例，解析了chatbot到agent的技术演变、token消耗趋势、投研数据基建MCP及垂类agent的价值，最后给出短期市场情绪判断，内容如下：

·当前AI投研应用整体状态：马老师指出今年以来从OpenCL（即OpenClaw，可管理多agent的平台类产品，同类型还有飞书workbody、hermes等）到国内相关产品热潮后有所冷却，但投研领域AI实际在爆发式前进；当前90%用户仅用AI处理无需动脑的基础任务，如整理纪要、刷网页提取信息，未充分发挥AI价值，多数客户仍停留在非常基础的使用阶段，甚至认为AI热潮已过。

投研AI应用案例分享

·商品矛盾监控agent案例：王老师分享首个案例：针对PTA品种的日度矛盾监控agent，将研究员脑子里的矛盾判断规则（规则劈叉、相关性突变、基差价差异常等）与数据库指标结合，agent可自动展示指标概览、矛盾引擎表现，识别当前存在的矛盾、预测与实际的背离，并给出验证路径，帮助研究员拓展能力边界，覆盖多品种、多类型标的监控，及时发现新的市场变化信号。

·投资指纹识别agent案例：马老师分享第二个案例：构建“投资指纹”工具，将公司映射到50+维度，内置200+历史典型案例库，配套9个工作流skill（含数据缺口管理、不同公司画像侧重调整、相似度权重赋值等），可快速将当前公司与历史案例做比对，生成包含宏观状态、基本面阶段、历史相似样本、未来监控指标、风险预警的分析报告，3-5分钟即可完成单家公司分析，能力超过人工，可覆盖海量历史比对。

·个人知识管理agent案例：马老师分享第三个案例：针对其关注的知识星球内容搭建专属agent，每日自动收集内容，提炼重要边际变化、反共识观点，抽取所有帖子的实体并标记新增实体，梳理实体关联关系，追踪信息演变，还可扩展至所有需账号登录的信息源，背后依靠完整的工程化能力实现信息抽取、登录校验、实体去重等工作，token消耗量远高于普通问答。

chatbot到agent的技术演变解析

·chatbot与agent的核心差异：王老师从技术视角解析：chatbot本质是通用对话，以概率预测输出内容，幻觉率高，类似刚毕业的大学生，仅能做简单问答（如查植物种类、菜谱），对话结束即任务终止；agent则可调用工具、有工程化约束（评估器、实时检查器、规则校验等），类似经过公司合规培训3年的熟练研究员，可循环执行任务，幻觉率远低于chatbot，有固定身份、明确目标方法、专用数据工具与记忆沉淀。

·OpenCL的定位与agent能力边界：马老师补充OpenCL、codex等产品本质是管理多agent的平台，支持agent配置记忆、MCP（模型上下文协议，用于agent调用外部工具和数据源）、数据源，可不断迭代能力；当前agent能力已从替代人基础工作，发展到拓展人能力上限，甚至超过人（如海量历史比对）。

token消耗趋势分析

·token消耗变化历程：王老师分析token消耗变化：chatbot时代仅单轮问答，token消耗低；agent初期类似人工作查资料，消耗小幅上升；2025年DeepSeek推出深度思考模式、Anthropic推出强agent能力后消耗暴增，当前agent可起多个子agent并行处理任务，支持长时间不间断运行，重度用户消耗可达普通用户的万倍以上。

·未来token消耗趋势判断：王老师认为此前token消耗横盘是因模型能力限制，当前工程能力不会成为长期门槛，未来token消耗会以指数级爆发，增长动力来自重度用户的深度使用，当前重度用户覆盖仍处于早期阶段。马老师补充后续AI应用的核心壁垒将从模型能力转向工程化能力，即能否清晰拆解、分配复杂任务给多agent协作。

投研数据基建与垂类agent价值

·鸿泽MCP数据产品介绍：王老师介绍鸿泽自研的VMCP（专为agent时代设计的投研数据接口，AI原生属性）：一是接口支持自然语言查询，降低agent调用复杂度，无需多次请求接口即可拉取多维度数据；二是覆盖结构化（宏观、财务、行情）与非结构化数据（A股、美股调研纪要等），非结构化数据经过AI处理管道拆分成多视角、提取关键指标，配套聚类校验与原文反查保证真实性；三是由AI维护数据，通过钩子技术（任务完成后强制调用确定化代码校验结果）保障可靠性，内部5-6个agent产品均以其为基底。

·通用agent与垂类agent的差异：王老师指出当前用户觉得AI“墙外红火墙内冷清”的核心痛点是缺垂类数据、通用agent到垂类agent存在巨大gap：第一类垂类agent是通用agent+skill+工程化（如OpenCL加定制skill），适配场景广、使用成本低，但可靠性不足；第二类是业务场景导向的专属垂类agent（如定制股票池筛选agent），数据和计算方法由用户明确提供，可靠性更高，但需要一定开发、维护与规则迭代成本。

·产业链观点抽取案例：马老师补充基于MCP实现的产业链观点抽取案例：可自动梳理某产品（如碳酸锂、MLCC）的上下游企业，批量提取全量公开调研纪要、业绩会内容中企业对产品价格、供需的判断，无需人工筛选，还可扩展至多个品种，底层均调用鸿泽MCP数据能力，支持客户按需定制agent或接入MCP能力。

短期市场判断与会议收尾

·短期市场情绪判断：马老师给出短期市场观点：用情绪周期刻画，当前已完成情绪上行的80%，6月为预期情绪高点，100个交易日的短周期情绪已处偏后期，短期不是加仓时点，但未出现明确拐头信号；同时通过超高换手个股占比、行业换手率拥挤度（行业换手金额占比减市值占比）、行业收益率方差（当前达13%）等指标验证，过往多次情绪高低点判断均得到验证。