在《从金融文本数据到投研工作流Agent构建——OpenClaw金融Skills体系》中，我们已构建起一套涵盖市场数据、新闻、研报和聊天记录等多信息源的AI智能体数据获取Skill体系。但是即使有了数据，后续仍需解决三个问题：怎么维护和更新数据、构建分析数据分析框架以及如何迭代分析框架。基于此背景，本报告通过让AI智能体提炼以及借鉴市场基金经理和投资大师的框架来进行市场以及股票分析这一场景，构建了集信息获取、知识沉淀、智能分析、策略生成与反馈迭代于一体的主动投研系统，旨在为大模型赋能投研提供一条完整的落地路径。
　　数据的获取与更新维护
　　面对数据维护难题，我们引入LLMWiki知识库架构，将原始资料整理为持久化、可追溯的知识体系。具体落地中，我们采用Obsidian llm-wiki搭建本地知识库，借助其纯文本文件夹结构，实现对投研方法论、公司资料及行业数据的分类存储与版本管理。在此基础上，Agent可通过研究平台数据源自动初始化目标公司的基础信息，并持续补入研报、公告、媒体、社交内容、会议及路演等材料，同时获取目标公司的经营表现、业务结构、管线进展与核心投资逻辑，同步更新至公司维基。这一步为后续所有推理提供了稳固且动态更新的认知底座。
　　基于材料蒸馏角色与投资框架
　　拥有了动态知识库之后，下一步是从中提炼出可复用的分析逻辑。为此，我们研发国金蒸馏Skill，用于从研报、路演纪要、访谈记录、基金经理观点以及行业研究资料中系统提炼投资框架，整个流程包括收口与路由、材料盘点、三轮压缩、框架写入和质量自检五个环节。借助这一Skill，Agent不仅能够学习策略分析师、基金经理等专业投资人的研究方法，还能主动提炼行业研究范式。基于这些提炼出的框架，用户只需通过指令指定文件，Agent便会沿着该文件的逻辑路径进行推演出发，生成与之匹配的投资建议。
　　基于对话和历史事件迭代框架
　　静态框架仍不足以应对市场的动态变化，为此我们在国金投资框架中设计了专门的Skill迭代组件，针对新资料入库、回答方式优化、投资判断修正和框架版本升级四种场景提供闭环更新方案。相比Hermes-skill的通用自动优化能力，国金投资迭代框架聚焦于行业与公司研究领域，能够基于候选事件的主体属性、产业链位置与逻辑特征，自动匹配最适配的投研方法论，让每次推演都能在用户反馈或历史基础上不断改进，确保分析路径具备清晰的边界与专业逻辑。
　　风险提示
　　以上结果通过历史数据统计、建模和测算完成，历史规律不代表未来；在市场环境发生变化时，模型存在失效的风险；本文所提炼的观点，基于一定的提示词产生，大语言模型输出的结果可能随着提示词的变化而发生变化；部分应用本身可能存在一定的安全风险，在使用此类应用时，用户需自行承担由此可能引发的任何风险和后果；在使用AI生成内容时，需要注意相关版权问题。用户应确保所使用的工具及其生成的内容符合相关法律法规的要求，避免侵犯他人知识产权