AI投研应以“最大化还原复刻二级从业者的投研生产链路”作为第一性
　　主观投研从业者的核心工作流，是通过公开数据、调研、路演等渠道摄入信息，并根据自身经验加工成认知差，最终转化为研究观点或投资决策。基于该思想，AI投研系统建设有两个核心环节：
　　①信息摄入层：公域数据接口和私域知识库相结合，提升投研语料广度、质量、即时性；
　　 ②经验加工层：真实投研体系沉淀成可复用的Skill，借助AI工程学思想落地，确保Agent无损高效执行。
　　本报告将从大模型和Agent的微观原理出发，系统性讨论AI投研系统的进阶优化路径
　　一些从业者的AI投研工作流，已达到当前大模型的性能瓶颈，如复杂任务输出质量低、稳定性差、幻觉率高、Tokens消耗快等，需在理解AI技术原理的基础上，系统性重构Agent基建层，才能实现AI工作流的性能跃升。从当代大模型的三个原生技术缺陷切入，讨论投研场景下的优化优化方向：
　　① Harness与AI工程学：借助上下文工程思想，通过微调Harness、多Agent矩阵、Skill编排架构，克服当代大模型的三大原生技术缺陷。
　　②私域RAG投研知识库：比LLM-Wiki更适用投研场景，但需要配合数据预处理优化、意图识别与Query改写、检索调参等，实现效用最大化。
　　AI时代，二级金融机构的远期思考
　　① KYA（Know Your AI）的重要性，一是AI原理与实践经验或将成为从业者必备基本功，二是AI技术的微观理解也会重塑对于AI产业逻辑的认知；
　　②卖方研究所展业形式或将经历一轮MCP化的变革；
　　 ③两类AI投研的低效实践，一是金工化、会丧失主观投研超额收益来源（即信息差和认知差的提炼），二是单一环节机构的全链路尝试、也不符合现代金融产业发挥分工优势的原则。
　　风险提示。大语言模型或Agent底层技术范式颠覆性变化导致优化思路失效风险；AI技术发展及投研场景应用效果不及预期风险；数据安全、隐私保护及相关监管政策变化风险