如何构建AI Agent快速分析行业景气度

如何通过AI Agent解决人工行业景气度研究的痛点？

当前AI技术迭代速度较快，KIMI、腾讯元宝等终端产品逐渐成为投研人员的重要工具，主因或在于其快速的资料搜索能力、长上下文阅读理解归纳能力、严密的逻辑推理能力符合金融投研的需求。

我们认为当前AI应用较适宜做文字类的整理分析，如搜集某个行业的近期数据、观点，或者做单个公司初步的资料搜集，财务分析等。而在策略分析中较契合AI替代的场景或在于分析比较不同行业特点时间区间的景气度，如当月景气度或者当季景气度。

原本的行业景气度分析需要整理不同行业定性、定量（月、季、年频数据）数据框架，在特定时点更新这些数据和信息，并对单个行业进行景气度分析，然后再对不同行业进行景气度定量/定性的比较。整体研究的痛点或在于：

（1）工作量较大，每次更新需要手动搜集更新大量数据；（2）新增细分行业需要较大时间成本，由于确立单个行业分析框架和数据库时需要完成相应框架的梳理，行业分类框架确定后再新增细分行业或热门概念/赛道需要相对较多的时间重新订立框架，如确定汽车零部件的分析框架后，衍生出人型机器人的赛道，需要重新构建相关的分析框架和数据库。

我们就上述痛点，充分发挥AI大模型的特性，基于COZE平台构建快速分析特定行业景气度的AI工作流。AI工作流是将人工智能技术嵌入业务流程的自动化框架，通过预设的步骤和规则处理任务，实现效率提升和成本优化。

为何当下使用预设步骤的AI Agent解决方案？

由于输入/输出Tokens的限制，KIMI、元宝等平台单次问答难以对复杂综合的景气度等问题完成全面的回答，并且多次回答的一致性较弱，而类似Manus等自主规划任务的AI Agent一方面可控性偏弱，对于精确性要求高的投研类任务适用性较差，另一方面完成单次任务的成本也较预设步骤的AI Agent高，主因在于难以根据不同难易程度的任务分配不同属性的大模型。

主要构建的思路为先构建一个性能较强的大模型规划特定行业的分析框架，然后通过两个并联的循环组件进行对应细分条目的梳理，梳理完成后再通过一个长上下文的大模型将所有的信息和数据进行综合分析，并给出各个条目的评分，最终得到该行业的综合评分。

通过AI Agent的方法可以更快速，定制化的分析特定行业特定时间区间的景气度，行业名称和区间的自由度更高，不需要过多的人力成本，与传统的景气度分析方法互为补充。根据回测的结果来看，AI Agent的景气度评分也与对应时间区间的行业指数涨跌幅具有一定的相关性，除信息面的补充外，也可为行业比较和行业择时提供参考。

在不同AI工作流平台的构建方式可能略有差异，但是我们认为构建思路大体类似，因此下文我们主要展示在扣子平台构建AI Agent的流程和主要细节，供各位投资者参考。

首先在工作空间中创建智能体，然后创建工作流，在业务逻辑页面进行相关细分agent的设置。

初始节点：初始节点是用户/使用者需要输入的内容/参数，我们在这个工作流中，涉及景气度分析需要用户输入两个关键参数：（1）分析的具体行业：如光伏，新能源汽车、房地产、基建等细分行业，用户可以参考申万等行业一、二、三级分类进行提问，或者就定制化的行业名称进行提问，如脑机接口，人型机器人、机器人减速器等名称，背后的逻辑是后面流程的AI Agent会理解相关行业名称，并且生成关键词在网络上进行搜索。（2）需要分析的时间区间，比如25年一季度、24年下半年、25年2月等时间区间，时间区间可自由设置，但也建议输入较常用的月频、季频等区间，若输入的时间区间较为高频或者较为临近当前时点（比如25年5月时，分析25年5月XX行业的景气度），可能出现网络资料和数据较为缺乏的问题，因此得到的综合评分结果也较难达到全面客观的标准，但如果用户想使用这个AI Agent搜索最新的行业相关信息，也可搜索较近的时间区间，后续AI的分析报告会罗列区间内的相关新闻和数据。（3）需要分析的因素数量，后续AI Agent会根据用户给的数字拆分对应方向的框架，用户给的数量越多，AI拆分的分析角度和搜集数据的方向就越多，但是从成本的考虑来看，数字越大也会使用更多的tokens和更多的时间，因此我们认为5-10个拆分的因素可能是较为合理的，若需要更精确的分析也可将分析因素数量增至10个以上。

大模型4——根据数据资料分析该行业的景气度并给出评分：在循环中已经完成各个细分条目的数据搜集，我们设置大模型4完成总体的分析，主要有两块的分析任务，首先，分析某细分条目根据当前数据在与历史数据的比较下景气度的高低，给出单个细分条目的评分（1-5分，1分为最低，该细分条目数据在历史中处于最低的位置，5分为最高，该细分条目数据在历史中处于最优的位置）；然后，根据不同细分条目的评分，综合分析该行业的景气度高低并给予综合打分。

该大模型需要较高的综合推理能力，因此建议选择分析推理能力更强的大模型。

系统提示词：

# 角色

你是一位专业且资深的金融分析师，凭借深厚的专业知识和丰富的经验，能够对行业进行精准剖析。你需运用严谨的语言、量化与结构化的方式，结合提示词中的资料，为这个行业在{{time}}}的投资价值分析提供基本面方面的分析。

## 技能

1. 对每个维度进行量化分析，例如分析具体的数据当前的同环比变化情况、政策等，以支撑分析观点。

3. 按照结构化的方式呈现分析框架，如采用总分总的结构。

3. 以清晰的结构化形式给出分析框架，逻辑清晰地展现该行业的投资价值基本面情况。

## 限制:

- 所输出内容必须遵循量化和结构化的要求，语言严谨规范，不能偏离框架要求。

用户提示词：

下文是{{topic}}行业的相关基本面数据分析及对应的历史数据，结合资料里面的信息，根据材料中的有效信息，请你将数据梳理成不同的分析维度，然后根据分类的数据给行业不同维度的景气度从低到高打1-5分。

打1分的标准为当前数据或定性内容处于历史最差位置。

打2分的标准为当前数据或定性内容处于历史偏差位置。

打3分的标准为当前数据或定性内容处于历史中游位置。

打4分的标准为当前数据或定性内容处于历史较优位置。

打5分的标准为当前数据或定性内容处于历史最好位置。

结合各个维度的打分结果和分析，最终给这个行业打一个综合得分，分析这个行业{{time}}的经营景气度在什么样的位置

相关资料：

{{input}}

{{input2}}

——

输出形式举例：（略）

注：input为是第一个循环的最终归总数据结果，input2为第二个镜像循环的最终归总数据结果；time为初始节点输入的需要分析的时间区间；topic为需要分析的对应行业。

我们构建了预设步骤的AI Agent应用于行业景气度分析，具体的工作模式是AI构建特点行业的分析框架后，发挥AI善于快速梳理大量文本的特点快速筛选梳理网络上的有效资料，最后对比分析对应时点基本面数据和历史同口径数据，得出各维度行业的景气度评分，进而得到该行业的综合评分。

我们设计的AI Agent工作流在实务中或可以在两类细分情景中为投资者提供参考。

辅助案头研究：AI工作流可以高效搜集和梳理全网与特定行业景气度分析相关的信息和数据，因此输出的分析报告可为投资者提供研究层面上的参考：有效降低研究员在信息搜索上的时间；偏自上而下分析的投资者也可以通过AI 工作流快速了解特定行业的景气度高低。

构建高景气投资组合：高景气度的行业/个股由于具有业绩的支撑，不确定性较弱。而AI工作流可以快速得到特定行业在月频、季频的景气度评分，可以有效地筛选当前市场的高景气行业，辅助投资者构建高景气投资组合。

我们认为AI Agent完成该类行业分析任务集中体现了“快”的特点：人工研究可能更精细更全面，但是时间成本更高，我们设计的AI工作流整体工作的时间大概在5-10分钟左右（对应5-8个分析因素），可以快速得到某行业景气度的大致评价；另外，AI Agent 通过大量在网络上搜集相关资料和新闻得到分析结果，输出的报告梳理了各个影响该行业景气度的相关因素，因此AI输出的材料也有助于投资者完成该行业的案头研究。

但AI Agent 用于行业分析也仍有一定的缺陷：首先，AI Agent对行业分析框架的设计可能不及对口研究员准确，因此按照相关分析框架去搜集数据和评分，最终结果可能与实际存在一定偏差；其次，AI Agent仅基于各个搜索引擎能搜集到的内容进行分析，若部分公开信息未以AI能理解读懂的形式记录在搜索结果中，AI可能对该信息进行忽略；最后，AI对投研任务的智能化仍有优化的空间，对部分数据和信息的应用和推理可能弱于专业的投资者。

我们认为该工作流的优化可以从两方面展开：一方面需要优化数据源，部分工作流平台的数据源尚未打通，比如缺少上市公司公告、研报和相关行业数据库/财务数据库的数据源、缺少海外网站、公众号等来源的信息源。如果AI Agent能搜集的数据源更全，那么最终得到的行业分析结果越准确；其次需要升级算力，使用更强大的大模型，AI Agent能更快更准确地完成从搜集数据到分析综合景气度的任务。

总体来看，虽然有一些尚待优化的点，但是本版本AI Agent的分析结果，我们认为基本具有一定的参考意义，可一定程度协助投资者完成行业分析类的研究任务和行业轮动相关的投资决策，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。