过去几年，券商一直在谈数字化。

线上开户、移动交易、智能客服、投研平台、财富管理系统，这些事情大家都不陌生。它们解决的是一个问题：把原来线下、人工、分散的流程，搬到线上系统里。确保数据统一，流程统一，避免操作风险。

但大模型和 Agent 出现后，变化开始往更深的地方走。

券商要做的，可能不只是再多接一个大模型、上线一个智能助手，而是重新拆解自己的业务能力：哪些能力可以标准化？哪些能力可以复用？哪些能力可以被系统调用？哪些必须由人来确认？

这就是我理解的证券行业 Skill 化。

所谓 Skill，不是简单的提示词，也不是一个插件按钮。它更像是一个被封装好的专业能力模块。

比如，公告解读是一个 Skill，财报透视是一个 Skill，ETF 筛选是一个 Skill，客户画像是一个 Skill，投顾话术审核也是一个 Skill。

过去这些能力分散在分析师、投顾、合规人员、运营人员的经验里。现在，它们有机会被拆出来，变成可调用、可组合、可留痕的能力单元。

而 Agent 的作用，就是把这些 Skill 重新串起来，变成一条新的工作流。

只做 AI 工具，其实不够

现在很多券商已经在用大模型做一些辅助工作。

比如写会议纪要、总结公告、生成研报初稿、改写营销文案、做内部问答。这些应用当然有价值，至少能省时间。

但如果想让 AI 真正进入证券业务的核心流程，只靠一个聊天框是不够的。

证券业务和普通办公场景不一样。

分析师看一份财报，不只是把收入、利润、现金流摘出来，还要判断增长质量、利润来源、费用变化和行业位置。

投顾服务客户，也不是简单解释一句“市场为什么跌了”，还要结合客户的持仓、风险偏好、产品适当性和沟通边界。

合规审核更不用说。一个词、一个表述、一个收益暗示，都可能带来问题。

所以，证券行业需要的不是“一个更会聊天的 AI”，而是一个能进入流程、能调用数据、能遵守权限、能留下记录的能力系统。

这也是 Skill 和 Agent 的价值所在。

Skill 是能力单元，Agent 是调度者

可以把这件事想象成一条能力链。

模型负责理解和生成，工具负责执行具体动作，插件负责连接系统和数据，Skill 负责封装业务能力，Agent 负责把这些能力组织成流程。

举个简单例子。

如果要生成一篇公司业绩点评，传统流程可能是分析师自己查公告、提数据、看财报、做同业比较、找历史观点、写初稿，再送合规审核。

如果变成 Agent + Skill 的方式，流程可能是：

公告抓取 Skill → 财报透视 Skill → 同业比较 Skill → 历史观点检索 Skill → 研报初稿 Skill → 合规检查 Skill。

人不再需要在多个系统之间来回切换，也不需要重复做大量资料整理工作。人真正要做的，是确认框架、判断观点、修改结论，并对最终内容负责。

这不是 AI 替代分析师，而是把分析师从低价值的重复劳动里解放出来。

券商业务会被重新拆开

如果顺着这个思路看，券商的很多业务都可以被重新拆解。

前台业务，比如财富管理、投顾服务、交易服务，可以拆出客户画像、持仓诊断、产品匹配、市场解读、交易复盘、话术审核等 Skill。

中台业务，尤其是投研，可以拆出公告解读、财报提取、三表分析、同业比较、行业图谱、研报初稿、逻辑校验、引用溯源等 Skill。

后台业务，比如合规、风控、运营，也有大量适合 Skill 化的环节。营销材料预审、异常交易识别、两融风险预警、开户材料审核、客服工单分类、制度问答，都属于这类场景。

所以，券商做 AI，不能只问“这个模型能做什么”。

更重要的问题是：

这项业务能不能拆？
这个流程是不是高频？
这个任务有没有标准输出？
数据能不能合规调用？
结果能不能复核和留痕？

只有回到这些具体问题，AI 才不会停留在演示阶段。

合规不是最后一关，而是前置条件

证券行业的 AI 应用，绕不开合规。

AI 可以辅助分析，但不能随便给投资建议。
AI 可以生成投顾话术，但必须检查表达边界。
AI 可以做产品对比，但不能绕过适当性管理。
AI 可以写研报初稿，但最终观点和发布责任仍然在分析师和机构身上。

所以，合规不能放在最后才补。

更合理的方式，是把合规嵌入每一次 Skill 调用里。

Agent 调用了什么 Skill，用了哪些数据，生成了什么结果，谁修改过，谁确认过，是否对外发送，都应该能留下记录。

没有留痕，核心流程就很难放心交给 Agent。
没有权限控制，敏感数据就不能随便接入。
没有人工复核，投资建议和对外发布就容易越界。

证券行业里的 Agent，不应该是一个“自动做决定的机器人”。更准确地说，它应该是一个在合规边界内工作的流程助理。

未来券商会比拼 Skill 库

过去，券商比拼的是交易系统、渠道系统、数据终端和投研平台。

未来，可能还要比拼一个新东西：Skill 库。

一家券商如果能把自己的投研框架、投顾方法、合规规则、风控经验、运营流程，拆解成一套稳定的 Skill 库，它的组织效率会发生变化。

以前，一个优秀分析师的经验很难复制。
未来，财报分析框架、同业比较方法、风险提示模板，可以部分沉淀成 Skill。

以前，一个资深合规人员的判断靠个人经验。
未来，敏感表达、收益承诺、适当性边界，可以变成合规 Skill 的一部分。

以前，投顾服务高度依赖个人时间。
未来，客户画像、持仓诊断、市场解释、产品对比和话术审核，可以由 Agent 辅助完成。

这会让券商从“流程型组织”，慢慢变成“能力编排型组织”。

过去是部门、岗位、流程、系统。
未来可能是任务、Agent、Skill、数据、人工复核。

这个变化比单点工具提效更重要。

证券行业的 AI 转型，一定不会一步走到“全自动投研”或者“全自动投顾”。就从监管要求上，也不允许这么做。

更现实的路径是：

先用工具提效，再把高频能力封装成 Skill，然后让 Agent 调度多个 Skill，最后形成稳定的人机协同工作流。

所以，未来券商之间的 AI 竞争，未必是谁的大模型更强，也未必是谁的功能更多。

真正关键的，可能是谁更懂自己的业务，谁能把业务能力拆得更清楚，谁能把 Skill 封装得更稳定，谁能把合规和责任边界设计得更扎实。

模型能力会越来越接近。

但业务理解、数据治理、流程沉淀和合规控制，不会轻易被抹平。

这才是券商 AI 转型真正的壁垒。