信用研究正在走向重建：
　　信用债市场正在进入一个旧框架退潮、新框架孕育的重建期。城投、地产等传统主体进入存量时代，科创和新产业仍在加速成形，研究员过去依赖的区域框架、行业框架和经验框架，都开始面临重新校准的问题。对买方机构而言，这意味着信用研究不只是继续做下去，而是要重新回答：材料怎么读，主体怎么审，证据怎么整理，最后又如何回到统一的准入和打分框架。
　　工作流嵌入是AI赋能的核心要旨：
　　本文想讨论的，不是AI会不会写摘要、润色文字，而是AI是否真正进入了研究工作流程。市场上很多相关内容，讲到最多的还是总结、改写、问答这些外围环节，或者黑箱直接让AI处理一个复杂问题，例如判断利率涨跌；这些当然有帮助，但它们没有触到信用研究最费时、最容易散、也最需要复核的部分。真正决定研究质量的，始终是材料从哪里来、附注怎么拆、证据怎么串、判断怎么回到原文、后续怎么复用。
　　赋能三项心法以及落地工具：
　　本文的核心判断有四点。第一，AI辅助投研真正稀缺的，不是会不会写摘要，或者替研究做判断，而是能不能进入信用研究的真实工作流程。第二，财报附注这类复杂、非标准化的大文本场景，是AI最先真正跑通的地方。第三，很多AI投研内容看起来在提效，但实际上还停留在研究外围。第四，只要材料没有被整理成能回头检查的证据链，研究结论就还不算真正落地。
　　Financialanalysis(https://github.com/timyefi/financialanalysis)工具是系列skill构建的工作流，主要用于处理年报、半年报、公告、募集说明书、评级报告等非结构化或半结构化材料，围绕债券发行主体的财务分析，将原始信息转化为结构化底稿、证据索引及分析报告，重点解决附注等关键环节的整理与标准化问题。使用上，将整套workflow（skills）接入Agent工具（如OpenClaw或ClaudCode），按预设prompt输入目标主体或材料，即可自动完成从材料获取、解析、附注分析到结构化底稿与报告输出的全流程。
　　风险提示：AI技术局限性，数据质量风险，框架适用性风险，市场与政策风险。