今年以来，AI智能体正在快速渗进券商的核心业务。易观千帆的数据摆在那儿：截至2026年7月末，已经有32家券商完成算法与模型备案，备案项目总数超过50个，其中10余家头部券商完成了多模型备案。研报、投顾、运营、审核，各个环节都在用。

但有个细节被很多人一眼略过——这些AI再能写、再能算，研报最后的落款和评级，签字的仍然是持牌分析师。这不是保守，是这一轮"AI进金融"最值得数据从业者琢磨的地方：模型可以进判断链路，但责任主体没变。

32家券商，AI已经备案进场

先把盘子说清楚。2026年被不少受访者称为券商AI Agent从试点走向规模化验证的关键节点。大模型的推理和工具调用能力明显增强，Agent已经能跑多步骤、较复杂的任务链；券商们也从单点业务试水，转向公司级战略布局，算力、数据、人才的投入都有实质提升。

我作为干了十年数据分析的人，看到这里第一反应是：这不就是"把分析活模块化工兵化"吗？券商踩的坑和路径，跟企业把AI接进真实业务流几乎同构——这也是上周写"企业缺工兵"时我反复说的那个点。今天这篇，给它补一个已经落地的范本。

范本一：国泰海通把投研拆成"11个智能体+30个技能"

国泰海通研究所最近发布了Nova投研AI全域产品生态。核心后台NovaStation，已经上线11个专项智能体和30余个投研专用Skills，研究能力通过"道合·灵犀智慧投研"直接触达客户。

我看重的不在数量，在结构。它把投研拆成了一堆可复用的Skills，而不是把一个黑箱模型往那儿一放。这意味着每一类分析任务——行业梳理、财务拆解、事件解读——都有相对独立的、可调用的能力模块。对数据师来说，这就是把"我平时那套分析流程"显性化、组件化了。模型能力会过时，但这一层封装出来的工作流，是可以沉淀和演进的资产。

范本二：招商证券的"可审计生产线"

招商证券国际推的高股息实战AI原生投研2.0执行系统，是我觉得最值得细看的范本。它把主动选股改造成了一条可审计、可复核的自动化生产线：AI Agent在工程约束下完成整个研究生产过程，但最终结论与评级仍由持牌分析师签署并负责。

招商证券国际分析师、AI原生投研团队牵头人陈泓道有句话我记下来了："AI正在完成一次角色跃迁：从提效与内容生产的工具，到在用户所设框架与授权之下进入判断链路的协作主体。"注意前半句和后半句——进入判断链路，但前提是"用户所设框架与授权之下"。框架是人给的，授权是人批的，落笔是人签的。

中信建投的"一句话调技能"和普惠逻辑

中信建投最近上线的"蜻蜓Skill广场"，核心理念是"一句话调技能"——你用日常语言描述需求，就能拿到结构化的分析结果。这条线的价值不在炫技，在普惠：传统线下投顾资源稀缺，通常只覆盖中高净值客户，大量客户只能排队问通用客服，而客服没投顾资质，解读不了专业行情。AI在合规框架内绑定用户持仓数据，结合盈亏和风险偏好定制内容，才真正把投顾服务摊开了。

我自己的判断：Skill化 + 自然语言入口，是这个方向最稳的产品形态。它把"专业能力"从少数人的脑子，变成了可调用、可审计、可定价的服务单元。

方正证券那次翻车，点破了幻觉风险

也不能只说好的。此前方正证券某分析师在研报里，把2024年一场重要会议的表述误标成了"2026年6月7日"，被市场质疑跟AI大模型的"幻觉"有关。这不是孤例——受访专家明确点出，大语言模型在AI辅助资产配置和投资研究场景里，存在用户迎合效应、金融幻觉、上下文遗忘这些系统性缺陷，单纯依赖模型输出，很难完整捕捉真实的风险收益特征。

光大证券首席资产配置研究员王开说得直白：智能体赢得信任的关键，是让投资者理解AI建议的依据和局限，对思维链路不透明的地方做"开箱"溯源；持牌机构和从业人员始终是责任主体，AI永远是"辅助驾驶"而非"自动驾驶"。

这条跟前两天写"口径坑"是同一个根因——模型不会主动告诉你它编了、它漏了、它把累计当成了单季。它只会把看起来最顺的答案递给你。

翻译成数据师的老本行

落到我自己的本行，券商这套打法一点都不陌生。国金证券金工首席高智威举了个很具体的例子：在券商研究场景里，AI可以从公开信息提取公司的业务收入、经营数据等关键信息，自动整理成财务模型底稿，并完成业绩预测参考，同时保留表格之间的计算逻辑；在金融产品分析里，AI调用数据接口和分析框架，自动生成带数据支撑的研究报告，提升流程标准化。

你看，这活儿我不就是天天干吗——数据清洗、建模、做假设、出底稿。区别在哪？AI擅长的是"执行"：按框架把公开信息抽出来、把表填好、把链路跑通。但"什么叫对""口径怎么定""异常怎么判""这份预测凭什么可信"，还是人把着。高智威也补了一句：券商需要把研究框架和业务流程嵌进AI系统，通过RAG、Skills这些机制，让AI基于明确的数据来源和分析逻辑完成任务。

说白了，模型是引擎，框架和口径是方向盘和刹车。上周说"企业缺的是把模型接进真实业务流的工兵"，今天这个范本补上了后半句：工兵干的就是给引擎装方向盘、装刹车、并在关键路口留人掌舵。

我自己的做法：四道闸

写公众号、用AI跑数据分析两年，我给自己立了四道闸，跟券商这套"辅助驾驶"逻辑一脉相承：

第一，给口径不写死。 让AI出数之前，先把计算口径、字段定义、异常处理规则讲清楚，宁可多写两句提示词，也不让它自由发挥。前阵子实跑脏数据那篇我把50万行脏数据交给Agent，它交出来的数靠不靠谱，全看这三步，我就是先把"重复怎么判、空值怎么算、异常大单怎么剔"全定死，AI才跑出能复现的结果。

第二，不可逆不自动。 凡是会改动源数据、会对外发送、会触发业务流程的动作，一律不交给AI自己点确认。它给建议，我点执行。

第三，留回放。 每一步AI干了什么、用了哪份源、怎么算的，保留可追溯的记录。真出问题，能定位是口径错、源错还是模型错。这也是王开说的"开箱溯源"。

第四，关键结论人签。 分析报告可以AI出底稿，但结论、判断、对外署名，落笔的必须是我。AI是协作主体，不是责任主体——这句话放券商成立，放我自己的工作台也成立。

我现在的工作方式就是：用WorkBuddy这类Agent把重复的执行活接走，把省下来的精力放在"定框架、定口径、掌关键判断"上。靠谱了很多，但掌舵的位子，我一天没让出去过。

我是专注 AI Agent深度实践的努力撞蘑菇AI，致力于分享真实可用的 AI 使用经验与工作流探索，欢迎你和我一起把 AI 玩明白，如果内容对你有帮助，欢迎关注、点赞、转发。